eviews自相关性检验
自相关问检验的Eviews的操作方法
计量经济学实验报告实验目的：掌握自相关问题的检验以及相关的Eviews的操作方法。
实验内容：消费总量的多少主要有GDP决定。
为了考察GDP对消费总额的影响，可使用如下模型：Yi =1ββ+iX；其中，X表示GDP，Y表示消费总量。
下表列出了中国1990-2000的GDP的X与消费总额Y的统计数据。
年份GDP（X）消费总额（Y）年份GDP（X）消费总额（Y）199018319.5 11365.2 199879003.3 46405.9199121280.4 13145.9 199982673.2 49722.8199225863.7 15952.1 200089112.5 54617.2199334500.7 20182.1 2001 98592.9 58927.4199446690.7 26796 2002 107897.6 62798.5199558510.5 33635 2003 121730.3 67493.5199668330.4 40003.9 2004 142394.2 75439.7199774894.243579.4一、估计回归方程OLS法的估计结果如下：Y=2329.401+0.546950X（1.954322）（36.71110）R2=0.990446，R2=0.989711，SE=2091.475，D.W.=0.478071。
二、进行序列相关性检验（1）图示检验法（2）回归检验法一阶回归检验二阶回归检验e=1.144406e1-t－0.343796e2-t+εtt3）拉格朗日乘数（LM）检验法Breusch-Godfrey Serial Correlation LM Test:F-statistic 29.41781 Probability 0.000038Obs*R-squared 12.63731 Probability 0.001802Test Equation:Dependent Variable: RESIDMethod: Least SquaresC 37.31393 644.3315 0.057911 0.9549X -0.002008 0.009377 -0.214144 0.8344RESID(-1) 1.744086 0.234326 7.442998 0.0000R-squared 0.842487 Mean dependent var 4.37E-12Adjusted R-squared 0.799529 S.D. dependent var 2015.396S.E. of regression 902.3726 Akaike info criterion 16.67111Sum squared resid 8957040. Schwarz criterion 16.85992Log likelihood -121.0333 F-statistic 19.61188Durbin-Watson stat 2.360720 Prob(F-statistic) 0.000101C=37.31393 x=-0.002008 RESID(-1)=1.744086 RESID(-2)= -1.088243 三、序列相关的补救Dependent Variable: DYMethod: Least SquaresDate: 12/17/12 Time: 22:07Sample(adjusted): 1991 2004Included observations: 14 after adjusting endpointsC 2369.885 789.9844 2.999914 0.0111DX 0.465880 0.029328 15.88520 0.0000R-squared 0.954604 Mean dependent var 13875.68Adjusted R-squared 0.950821 S.D. dependent var 5320.847S.E. of regression 1179.971 Akaike info criterion 17.11593Sum squared resid 16707973 Schwarz criterion 17.20722Log likelihood -117.8115 F-statistic 252.3397Durbin-Watson stat 0.521473 Prob(F-statistic) 0.000000（2）科克伦-奥科特法估计模型Dependent Variable: YMethod: Least SquaresDate: 12/17/12 Time: 22:09Sample(adjusted): 1991 2004Included observations: 14 after adjusting endpointsC 55169.41 54542.80 1.011488 0.3335X 0.345292 0.057754 5.978675 0.0001R-squared 0.998047 Mean dependent var 43478.53 Adjusted R-squared 0.997691 S.D. dependent var 19591.16 S.E. of regression 941.3171 Akaike info criterion 16.71985 Sum squared resid 9746856. Schwarz criterion 16.85679 Log likelihood -114.0389 F-statistic 2810.040。
eviews-4.自相关解析
三、序列相关性的后果
计量经济学模型一旦出现序列相关性，如果仍采用OLS 法估计模型参数，则OLS估计量仍然是线性无偏估计量， 但是会产生下列不良后果：
1、参数估计量非有效
因为，在有效性证明中利用了 E(UU’)=2I 即同方差性和无序列相关假设。
证明：
ˆ k t t 1 1
ˆ ) E[ ˆ E( ˆ )]2 E( ˆ )2 var( 1 1 1 1 1
~ Y (Yˆ )ˆ e e i Yi (iY0ls)
t t
t ols
然后，通过分析这些“近似估计量”之间的相 关性，以判断随机误差项是否具有序列相关性。
自相关的检验方法
检验自相关的方法也可以分为两种：一种是图示 法，另一种是检验方法。
（一）图示法
由于回归残差 e 可以作为随机项 u t 的估计量， ut t 的性质可以从 e 的性质中反映出来。我们可以通 t 过观察残差是否存在自相关来判断随机项是否存 在自相关。
ts
经济变量以正相关居多， 所以此项多为正数
ˆ ˆ) var( ) var( 1 1
2、变量的显著性检验失去意义
在变量的显著性检验中，统计量是建立在参 数方差正确估计基础之上的，这只有当随机误差 项具有同方差性和无序列相关时才能成立。
如果存在序列相关，参数估计量的方差 出现偏误（偏大或偏小），t检验就失 去意义。其他检验也是如此。
称ut具有一阶自回归形式。 比如:
ut 1ut 1 vt
满足经典假设
由于序列相关性经常出现在以时间序列为样本的模型中， 因此，本节用下标t代表i。
ut 1ut 1 vt
ˆ1
u u
【免费下载】eviews自相关性检验
实验五 自相关性【实验目的】掌握自相关性的检验与处理方法。
【实验内容】利用表5-1资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。
表5-1 我国城乡居民储蓄存款与GDP 统计资料（1978年＝100）年份存款余额Y GDP 指数X 年份存款余额YGDP 指数X1978210.60100.019895146.90271.31979281.00107.619907034.20281.71980399.50116.019919107.00307.61981523.70122.1199211545.40351.41982675.40133.1199314762.39398.81983892.50147.6199421518.80449.319841214.70170.0199529662.25496.519851622.60192.9199638520.84544.119862237.60210.0199746279.80592.019873073.30234.0199853407.47638.219883801.50260.7【实验步骤】一、回归模型的筛选⒈相关图分析SCAT X Y相关图表明，GDP 指数与居民储蓄存款二者的曲线相关关系较为明显。
现将函数初步设定为线性、双对数、对数、指数、二次多项式等不同形式，进而加以比较分析。
⒉估计模型，利用LS 命令分别建立以下模型⑴线性模型： LS Y C Xx y5075.9284.14984ˆ+-= (-6.706) (13.862)=t ＝0.9100 F ＝192.145 S.E ＝5030.8092R ⑵双对数模型：GENR LNY=LOG(Y)GENR LNX=LOG(X)LS LNY C LNXx yln 9588.20753.8ˆln +-= (-31.604) (64.189)=t ＝0.9954 F ＝4120.223 S.E ＝0.12212R ⑶对数模型：LS Y C LNXx yln 82.236058.118140ˆ+-= (-6.501) (7.200)=t ＝0.7318 F ＝51.8455 S.E ＝8685.0432R ⑷指数模型：LS LNY C Xx y010005.03185.5ˆln += (23.716) (14.939)=t ＝0.9215 F ＝223.166 S.E ＝0.50492R ⑸二次多项式模型：GENR X2=X^2LS Y C X X221966.05485.4456.2944ˆx x y+-= (3.747) (-8.235) (25.886)=t ＝0.9976 F ＝3814.274 S.E ＝835.9792R ⒊选择模型比较以上模型，可见各模型回归系数的符号及数值较为合理。
eviews时间序列一阶自相关检验命令
eviews时间序列一阶自相关检验命令在EViews中，我们可以使用AR（p）模型来进行时间序列的一阶自相关检验。
AR（p）模型表示自回归模型，其中p表示阶数。
一阶自相关检验是用来确定时间序列数据是否存在自相关性。
自相关是指序列中一个值与其在时间上前一时刻的值之间的相关性。
在时间序列分析中，我们希望序列的值是彼此相互独立的，因此自相关性可能会影响我们对序列的分析和预测。
在EViews中，可以通过以下步骤来进行一阶自相关检验：1.打开EViews软件并导入时间序列数据。
2.在EViews主菜单中选择“Quick/Estimate Equation”（快速估计方程）。
3.在“Equation Specification”（方程规范）对话框中，输入要估计的模型。
例如，如果要进行一阶自相关检验，则可以输入模型“y c ar(1)”。
- “y”表示被解释变量。
- “c”表示常数项。
- “ar(1)”表示自回归项，其中1表示阶数。
4.单击“OK”按钮以估计模型。
5.将结果显示为估计方程的系数，t统计量，R-squared（R平方值）等。
在估计方程后，EViews将为我们提供一阶自相关检验的结果。
重要的统计值包括Jarque-Bera（JB）统计量、ARCH LM检验、DW统计量等。
- Jarque-Bera（JB）统计量是用来检验数据是否服从正态分布。
如果JB统计量的p值小于0.05，则我们可以拒绝原假设，即数据不服从正态分布。
- ARCH LM检验旨在检验序列中是否存在异方差性。
如果ARCH LM 统计量的p值小于0.05，则我们可以拒绝原假设，即序列中存在异方差性。
- Durbin-Watson（DW）统计量是用来检验序列的自相关性。
DW统计量的值介于0和4之间，如果DW值接近于2，则表示序列不存在一阶自相关。
除了上述统计量之外，EViews还提供了其他有关模型估计的信息，包括系数的标准误差、置信区间、F统计量和R平方等。
EVIEWS序列相关检验2介绍
（2）构造统计量：
一阶自回归模型μi=ρμi‐1+εi
的参数估计。
n
∑ (e%t − e%t−1 )2
D.W . = t=2 n
∑ e%t2
t =1
展开D.W.统计量：
∑ ∑ ∑ n
e~t2 +
n
e~t
2 −1
−2
n
e~t e~t−1
D.W . = t=2
t=2
t=2
∑n e~t2
t =1
（*）
n
（多种函数形式进行试验）
• （3）对不同形式模型进行OLS参数估计，如果 检验的结果都不显著，则表明不相关
• 工作量大、繁琐
et = ρet−1 + vt
常用的函数 形式主要有
et
=
ρ
e2 t −1
+ vt
et = ρ1et−1 + ρ2et−2 + vt
et = ρ et−1 + vt
et = ρ / et−1 + vt
t=2
=ρ
n
n
∑ ∑ e%t2
e%
2 t−
1
t =1
t =1
∑n ~et ~et−1
D.W . ≈ 2(1 − t=2
) ≈ 2(1 − ρ )
∑n ~et2
t =1
（3）检验自相关性：
Q−1 ≤ ρ ≤ 1 ∴0 ≤ DW ≈ 2(1− ρ) ≤ 4
完全一阶正相关，即ρ=1，则 D.W.≈ 0 完全一阶负相关，即ρ= -1, 则 D.W.≈ 4 完全不相关， 即ρ=0，则 D.W.≈2
n
n
∑ ∑ ∑ 当n较大时， e%t2 e%t2−1 e%t2 大致相等，
eviews回归分析结果解读
eviews回归分析结果解读EViews回归分析结果解读：一、模型验证1.残差检验：通过残差的自相关检验来评估模型拟合的效果。
EViews 提供的残差检验的指标主要有自相关系数（AC）、均值偏差（PD）和多元偏差（MD）等，通过综合这三个指标来验证模型的优度。
2.残差的正态性检验：通过对残差的正态检验，来判断模型是否拟合得合适。
EViews绘出的正态性检验图，其上四象限内的残差数据点簇应该尽可能集中在图中心。
3.异方差性检验：这是检验模型拟合优度的另一种用法，主要依靠残差曲线的图形显示。
异方差的判定参考指标主要有自相关（ACF）和偏度（SKEW），此外还可以看“逐步残差图”。
二、系数验证1.系数绝对值：通过检验系数，来确定模型中每个变量的解释力。
系数的绝对值越大，说明该变量对模型影响越大。
2.系数t检验：系数t检验主要用来检验回归分析模型中，系数中存在的显著性关系。
EViews通过给出系数的t值和概率值来做检验，如果概率值小于一定的显著性水平，则该系数的t值就具有统计学显著性，表明变量与目标变量有关系。
3.系数F检验：F检验用来检验模型均方根残差对应回归方程变量对解释能力的贡献程度。
F检验的结果反映了模型在拟合中的效果，当F值较大时，说明模型所用的变量都有较强的解释能力。
三、模型优度1.R平方：R平方指的是回归方程对于平均自变量的拟合程度。
它衡量的是样本内变量和预期值之间的相似程度，R平方越大，模型对数据的拟合度越高。
2.拟合误差：拟合误差指的是拟合出来的模型误差，它反映了独立变量与因变量之间存在的不确定性。
拟合误差越小，说明模型拟合效果越好。
3.解释力：这是一个衡量模型效果的比率，主要反映模型对数据集中变量对解释能力，一般要在0.7以上才有一定的参考价值。
四、回归方程概况回归方程概况意指模型中因变量的各种参数，如常数项a0、斜率a1以及误差项的统计量。
这些参数的准确性和完整度将影响到模型的拟合程度和预测能力。
eviews-4.自相关
存在正自相关
dL<DW<dU
dU <DW<4－dU 4－dU <DW<4－ dL 4－dL <DW<4
不能确定
无自相关 不能确定 存在负自相关
正相关
不确定
无自相关
ቤተ መጻሕፍቲ ባይዱ不确定
负相关
0
dL
dU
2
4-dU
4-dL
4
d
LM检验（Breusch-Godfrey BG）
对于多元回归模型
Yt 0 1 X1t 2 X 2t k X kt ut
（1）随机误差项ui为一阶自回归形式：
ui=ui-1+i
（2）回归模型中不应含有滞后因变量作为解释
变量，即不应出现下列形式：
Yi=0+1X1i+kXki+Yi-1+ui
（3）样本容量应充分大(T>15)
Durbin-Watson检验思想
原假设：H0: =0， 即不存在一阶自回 归，构如下造统计量：
3、模型的预测失效
区间预测与参数估计量的方差有关，在 方差有偏误的情况下，使得预测估计不准 确，预测精度降低。 所以，当模型出现序列相关性时，它的 预测功能失效。
四、自相关性的检验
基本思路:
~ ei 表示： “近似估计量” ，用 首先，采用OLS法估计模型，得到残差作为随
机误差项的估计。
首先，采用 OLS 法估计模型，以求得随机误差项的 自相关性检验方法有多种，但基本思路相同：
ts
经济变量以正相关居多， 所以此项多为正数
ˆ ) var( ) ˆ var(
1 1
2、变量的显著性检验失去意义
eviews序列相关稳健标准误法
Eviews序列相关稳健标准误法序言Eviews是一种广泛使用的统计分析工具，具有强大的序列分析功能。
在进行序列分析时，我们经常要考虑序列的相关性及其稳健性。
本文将重点介绍Eviews中序列相关稳健标准误法的原理和应用。
一、序列相关性的概念及检验方法1.1 序列相关性的概念在时间序列分析中，序列相关性是指序列中各个观测值之间的相关关系。
如果序列中的观测值之间存在一定的相关性，那么我们就需要考虑相关性对模型估计和预测的影响。
1.2 序列相关性的检验方法在Eviews中，我们可以通过计算序列的自相关系数和偏自相关系数来检验序列相关性。
自相关系数是指序列与其自身滞后期的相关系数，而偏自相关系数则是通过排除中间滞后项的影响来计算序列间的相关系数。
二、序列相关稳健标准误法的原理2.1 序列相关稳健标准误法的概念在实际应用中，我们经常遇到序列中存在的异方差性和相关性问题。
传统的OLS估计方法在存在序列相关性和异方差性时会导致估计量的无偏性和有效性受到影响。
为了解决这一问题，引入了序列相关稳健标准误法。
2.2 序列相关稳健标准误法的原理序列相关稳健标准误法通过调整OLS估计量的标准误来适应序列相关性和异方差性的存在。
在Eviews中，我们可以通过设置相关稳健标准误来进行估计，以提高估计量的有效性和精确度。
三、Eviews中序列相关稳健标准误法的应用3.1 Eviews中设置序列相关稳健标准误的步骤在Eviews中，设置序列相关稳健标准误非常简单。
用户只需在进行估计时选择相关稳健标准误选项即可，Eviews会自动对估计量进行调整。
3.2 序列相关稳健标准误法的优势相比于传统的OLS估计方法，序列相关稳健标准误法能够更好地适应序列相关性和异方差性的存在，提高了估计量的精确度和有效性。
在实际应用中，我们更倾向于使用序列相关稳健标准误法来进行序列分析。
结论通过本文的介绍，我们了解了序列相关稳健标准误法在Eviews中的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验五自相关性
【实验目的】
掌握自相关性的检验与处理方法。
【实验内容】
利用表5-1资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。
【实验步骤】
一、回归模型的筛选
⒈相关图分析
SCAT X Y
相关图表明，GDP指数与居民储蓄存款二者的曲线相关关系较为明显。
现将函数初步设定为线性、双对数、对数、指数、二次多项式等不同形式，进而加以比较分析。
⒉估计模型，利用LS命令分别建立以下模型
⑴线性模型：LS Y C X
t (-6.706) (13.862)
=
2
R＝0.9100 F＝192.145 S.E＝5030.809
⑵双对数模型：GENR LNY=LOG(Y)
GENR LNX=LOG(X)
LS LNY C LNX
t (-31.604) (64.189)
=
2
R＝0.9954 F＝4120.223 S.E＝0.1221
⑶对数模型：LS Y C LNX
=t (-6.501) (7.200)
2R ＝0.7318 F ＝51.8455 S.E ＝8685.043 ⑷指数模型：LS LNY C X
=t (23.716) (14.939)
2R ＝0.9215 F ＝223.166 S.E ＝0.5049 ⑸二次多项式模型：GENR X2=X^2 LS Y C X X2
=t (3.747) (-8.235) (25.886)
2R ＝0.9976 F ＝3814.274 S.E ＝835.979 ⒊选择模型
比较以上模型，可见各模型回归系数的符号及数值较为合理。
各解释变量及常数项都通过了t 检验，模型都较为显著。
除了对数模型的拟合优度较低外，其余模型都具有高拟合优度，因此可以首先剔除对数模型。
比较各模型的残差分布表。
线性模型的残差在较长时期内呈连续递减趋势而后又转为连续递增趋势，指数模型则大体相反，残差先呈连续递增趋势而后又转为连续递减趋势，因此，可以初步判断这两种函数形式设置是不当的。
而且，这两个模型的拟合优度也较双对数模型和二次多项式模型低，所以又可舍弃线性模型和指数模型。
双对数模型和二次多项式模型都具有很高的拟合优度，因而初步选定回归模型为这两个模型。
二、自相关性检验 ⒈DW 检验； ⑴双对数模型
因为n ＝21，k ＝1，取显著性水平α＝0.05时，查表得L d ＝1.22，
U d ＝1.42，而0<0.7062＝DW<L d ，所以存在（正）自相关。
⑵二次多项式模型
L d ＝1.22，U d ＝1.42，而L d <1.2479＝DW<U d ，所以通过
DW 检验并不能判
断是否存在自相关。
⒉偏相关系数检验
在方程窗口中点击View/Residual Test/Correlogram-Q-statistics ，并输入滞后期为10，则会得到残差t e 与1021,,---t t t e e e 的各期相关系数和偏相关系数，如图5-11、5-12所示。
图5-1 双对数模型的偏相关系数检验 图5-2 二次多项式模型的偏相关系数检验
从5-11中可以看出，双对数模型的第1期、第2期偏相关系数的直方块超
过了虚线部分，存在着一阶和二阶自相关。
图5-2则表明二次多项式模型仅存在二阶自相关。
⒊BG 检验
在方程窗口中点击View/Residual Test/Series Correlation LM Test ，并选择滞后期为2，则会得到如图5-13所示的信息。
图5-13 双对数模型的BG 检验
图中，2nR =11.31531，临界概率P=0.0034，因此辅助回归模型是显著的，即存在自相关性。
又因为1-t e ，2-t e 的回归系数均显著地不为0，说明双对数模型存在一阶和二阶自相关性。
二次多项式BG 检验
BG 检验与偏相关系数检验结果不同 三、自相关性的调整：加入AR 项 ⒈对双对数模型进行调整；
在LS 命令中加上AR(1)和AR(2)，使用迭代估计法估计模型。
键入命令： LS LNY C LNX AR (1) AR (2)
则估计结果如图5-16所示。
图5-16 加入AR 项的双对数模型估计结果
图5-16表明，估计过程经过4次迭代后收敛；1ρ，2ρ的估计值分别为0.9459和-0.5914，并且t 检验显著，说明双对数模型确实存在一阶和二阶自相关性。
调整后模型的DW ＝1.6445，n ＝19，k ＝1，取显著性水平α＝0.05时，查表得L d ＝1.18，U d ＝1.40，而U d <1.6445＝DW<4－U d ，说明模型不存在一阶自相关性；再进行偏相关系数检验（图5-17）和BG 检验（图5-18），也表明不存在高阶自相关性，因此，中国城乡居民储蓄存款的双对数模型为：
=t (-25.263) (52.683)
2R ＝0.9982 F ＝2709.985 S.E ＝0.0744 DW ＝1.6445
图5-17 双对数模型调整后的偏相关系数检验结果
图5-18 双对数模型调整后的BG 检验结果 ⒉对二次多项式模型进行调整； 键入命令：
LS Y C X X2 AR(2) 则估计结果如图5-19所示。
加上ar1 2调整后不存在自相关性，但仅有AR(2)项调整后用偏相关系数检验仍然存在2阶和6阶自相关，且BG 检验结果与偏相关系数检验结果不同，且BG 检验滞后期不同，结果不同。
⒊从双对数模型和二次多项式模型中选择调整结果较好的模型。
四、重新设定双对数模型中的解释变量： 模型1：加入上期储蓄LNY(-1)；
模型2：解释变量取成：上期储蓄LNY(-1)、本期X 的增长DLOG(X)。
⒈检验自相关性； ⑴模型1 键入命令：
LS LNY C LNX LNY(-1)
则模型1的估计结果如图5-21所示。
图5-21 模型1的估计结果
图5-21表明了DW=1.358，n ＝20，k ＝2，查表得L d ＝1.100，U d ＝1.537，而L d <1.358＝DW<U d ，属于无法判定区域。
采用偏相关系数检验的结果如图5-22所示，图中偏相关系数方块均未超过虚线，模型1不存在自相关性。
图5-22 模型1的偏相关系数检验结果
⑵模型2 键入命令：
GENR DLNX=D(LNX)
LS LNY C LNY(-1) DLNX
则模型2的估计结果如图5-23所示。
图5-23 模型2的估计结果
图5-23表明了DW=1.388，n ＝20，k ＝2，查表得L d ＝1.100，U d ＝1.537，而L d <1.388＝DW<U d ，属于无法判定区域。
采用偏相关系数检验的结果如图5-24所示，图中偏相关系数方块均未超过虚线，模型2不存在自相关性。
图5-24 模型2的偏相关系数检验结果
⒉解释模型的经济含义。
⑴模型1
模型1的表达式为：
表示我国城乡居民储蓄存款余额的相对变动不仅与GDP 指数相关，而且受上期居民存款余额的影响。
当GDP 指数相对增加1％时，城乡居民存款余额相对增加0.32％，当上期居民存款余额相对增加1％时，城乡居民存款余额相对增加0.8794％。
⑵模型2
模型2的表达式为：
表示上期居民存款余额相对增加1％时，城乡居民存款余额相对增加0.9865％，当GDP 指数的发展速度相对增加1％时，城乡居民存款余额相对增加0.1128％。