计量经济学经典eviews 时间序列回归
如何用EViews进行计量经济学分析
如何用EViews进行计量经济学分析EViews是一个功能强大的计量经济学软件，广泛应用于经济学和金融学领域。
本文将介绍如何使用EViews进行计量经济学分析。
一、EViews的基本功能和特点EViews是一款广泛用于经济学分析的软件，具有以下几个特点：1. 数据管理：EViews可以方便地导入、处理和管理各种类型的数据，包括时间序列数据和截面数据。
2. 统计分析：EViews提供了丰富的统计分析和计量经济学方法，如描述统计、回归分析、时间序列分析等。
3. 模型建立：EViews支持各种经济模型的建立和估计，如线性回归模型、ARMA模型、VAR模型等。
4. 图表展示：EViews具有强大的图表绘制功能，可以帮助用户直观地展示数据和分析结果。
二、使用EViews进行计量经济学分析的步骤下面将以线性回归模型为例，介绍如何使用EViews进行计量经济学分析。
1. 导入数据首先，将需要分析的数据导入EViews。
通过点击"File"菜单，选择"Import"，然后选择合适的数据文件类型进行导入。
2. 创建工作文件在导入数据后，可以创建一个新的工作文件，以便进行后续的分析和建模操作。
点击"File"菜单，选择"New"，然后选择"Workfile"创建一个新的工作文件。
3. 创建方程在工作文件中，可以创建一个回归模型方程。
点击"Quick"菜单，选择"Estimate Equation"，然后在弹出的对话框中输入回归方程的表达式和变量。
4. 估计模型在创建回归方程后，可以进行模型的估计。
点击"EViews"菜单，选择"Estimate Equation"，然后选择适当的估计方法和设置。
5. 解释结果估计模型后，EViews将显示回归结果的详细报告。
计量经济学Eview分析教程
第一部分Eviews基本操作第一章预备知识一、什么是Eviews（全称Econometric Views）Eviews 软件是QMS（Quantitative Micro Software）公司开发的基于Windows平台下的应用软件，其前身是DOS操作系统下的TSP软件，最新版本是Eviews6.0。
该软件是由经济学家开发，主要应用在经济学领域，可用于回归分析与预测(regression and forecasting)、时间序列(Time series)以及横截面数据(cross-sectional data )分析。
与其他统计软件（如EXCEL、SAS、SPSS）相比，Eviews功能优势是回归分析与预测。
二、Eviews工作特点初学者需牢记以下两点。
一、Eviews软件对对象（objects）的具体操作是在Workfile 中进行，也就是说，如果想用Eviews进行具体的操作，必须先新建一个或打开一个已经存在在硬盘（或软盘）上的Workfile，在此Workfile中进行输入数据、建造模型等操作；二、Eviews处理的对象及运行结果都称之为objects，如序列（sereis）方程(equations)、模型（models）、系数（coefficients）等objects。
objects可以不同形式浏览（views），比如表格（spreadsheet）、图（graph）、描述统计（descriptive statistics）等，但这些浏览（views）不是独立的objects，他们随原变量序列（views）的改变而改变。
如果想将某个浏览（views）转换成一个独立的objects，可使用freeze 按钮将该views“冻结”，从而形成一个独立的objects，然后可对其进行编辑或存储。
三、一个作示例在这里，我们通过一个简单的回归分析例子来显示一个Eviews过程，不对Eviews的功能展开讨论，目的是使读者先对Eviews有个概括了解。
EVIEWS回归结果的理解
EVIEWS回归结果的理解在经济学和统计学中，回归分析是一种常用的方法，用于研究变量之间的关系。
EVIEWS是一款常用的计量经济学软件，通过进行回归分析，可以得到一系列统计结果。
本文将介绍EVIEWS回归结果的理解，并解释这些结果对研究的意义和解释。
一、回归方程在进行回归分析后，EVIEWS将给出一个回归方程。
回归方程表示了自变量与因变量之间的关系。
通常，回归方程的形式为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y代表因变量，X1、X2、...、Xk代表自变量，β0、β1、β2、...、βk代表回归系数，ε代表误差项。
回归系数可以理解为自变量对因变量的影响程度，而误差项表示了模型无法解释的部分。
二、回归系数的解释EVIEWS给出的回归结果中，包含了回归方程中自变量的回归系数。
这些回归系数可以帮助我们理解自变量对因变量的影响。
回归系数的正负值表示变量间的正相关或负相关关系，绝对值大小表示相关关系的强弱程度。
需要注意的是，回归系数的统计显著性非常重要。
EVIEWS会给出回归系数的t值和p值，用于判断回归系数是否显著。
如果p值小于设定的显著性水平（通常为0.05），则认为回归系数是显著的，即表明自变量对因变量的影响是存在的。
三、决定系数（R-squared）在EVIEWS回归结果中，还会给出一个被称为决定系数的统计量，用于衡量回归模型对因变量的解释程度。
决定系数的取值范围在0到1之间，越接近1表示回归模型对因变量的解释能力越强。
需要注意的是，决定系数并不代表回归模型的好坏。
一个决定系数较高的回归模型并不一定是更好的模型，因为决定系数受到样本大小、变量选择等多个因素的影响。
因此，在解读决定系数时，需要结合实际问题和模型的适用性进行综合评估。
四、残差分析在EVIEWS回归结果中，还会给出一系列统计指标，用于评估回归模型的拟合优度和模型的合理性。
其中，残差是一项重要指标。
经验分享使用eviews做回归分析
[经验分享] 使用eview s做线性回归分析Glossa ry:ls(least square s)最小二乘法R-sequar ed样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整Adjust R-seqaur ed()S.E of regression回归标准误差Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watson stat：DW统计量，0-4之间Mean dependent var因变量的均值S.D. dependent var因变量的标准差Akaike info criter ion赤池信息量(AIC)（越小说明模型越精确）Schwar z ctiter ion:施瓦兹信息量（SC）（越小说明模型越精确）Prob(F-statis t ic)相伴概率fitted(拟合值)线性回归的基本假设：1.自变量之间不相关2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布3.样本个数多于参数个数建模方法:ls y c x1 x2 x3 ...x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。
模型的实际业务含义也有指导意义，比如m1同g dp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
模型检验：1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p 值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。
如何用EVIEWS做统计回归分析
时间序列数据
第一步：打开EViews，点击File，再点击Workfile
第二步：在新打开的界面中，Workfile structure type选择“Date-regular frequency”，在start date，输入1960，在End date输入1999，然后点击0k
点击上个界面里的OK后，出现以下界面
第三步：点击最上面的“Quick”——“Empty Group(Edit Series）
点击后出现以下界面
第四步：在表格的obs一行中输入变量英文简称，例如输了y之后，会出现一个小小的窗口（见右下图），直接按OK就行，输入每个变量英文简称时都会出现这个小窗口。
另外输入变量的数据记得要和EXCEL表里变量出现的数据一致
第五步：将数据用EXCEL表格中复制粘贴到Eviews中去，记住在复制数据前先将excel里的数据类型调整为数值型
第6步：选择QUICK——estimate equation，然后在出现的窗口里输入y、C、pb、pc、yd（这里的C是常数C）,再点击0K就出现了。
记住，在出现的窗口里先输入因变量，再输入其他变量。
统计回归结果
非时间序列数据，除了第二步不同外，其他都一样
第二步：在新打开的界面中，Workfile structure type选择“Unstructured/Undated”，在observations里输入样本量，然后点击0k。
经典线性回归模型的Eviews操作
经典线性回归模型经典回归模型在涉及到时间序列时，通常存在以下三个问题：1）非平稳性→ ADF单位根检验→ n阶单整→取原数据序列的n阶差分（化为平稳序列）2）序列相关性→D.W.检验/相关图/Q检验/LM检验→n阶自相关→自回归ar(p)模型修正3）多重共线性→相关系数矩阵→逐步回归修正注：以上三个问题中，前两个比较重要。
整体回归模型的思路：1）确定解释变量和被解释变量，找到相关数据。
数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。
2）把EXCEL里的数据组导入到Eviews里。
3）对每个数据序列做ADF单位根检验。
4）对回归的数据组做序列相关性检验。
5）对所有解释变量做多重共线性检验。
6）根据上述结果，修正原先的回归模型。
7）进行模型回归，得到结论。
Eviews具体步骤和操作如下。
一、数据导入1）在EXCEL中输入数据，如下：除去第一行，一共2394个样本。
2）Eviews中创建数据库：File\new\workfile, 接下来就是这个界面（2394就是根据EXCEL里的样本数据来），OK3）建立子数据序列程序：Data x1再enter键就出来一个序列，空的，把EXCEL里对应的序列复制过来，一个子集就建立好了。
X1是回归方程中的一个解释变量，也可以取原来的名字，比如lnFDI，把方程中所有的解释变量、被解释变量都建立起子序列。
二、ADF单位根检验1）趋势。
打开一个子数据序列，先判断趋势：view\graph，出现一个界面，OK。
得到类似的图，下图就是有趋势的时间序列。
X1.4.2.0-.2-.4-.6-.8100020003000400050002）ADF检验。
直接在图形的界面上进行操作，view\unit root test，出现如下界面。
在第二个方框内根据时序的趋势选择，Intercept指截距，Trend为趋势，有趋势的时序选择第二个，OK，得到结果。
上述结果中，ADF值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。
eviews教程第15章时间序列回归
二、在EViews中估计单整模型可以直接在估计定义式中包含差分算子D。
例如：GDP～I(1)，即GDP是一阶单整序列。
对GDP估计ARIMA(1,1,1)模型，可以输入列表(15_1\EQ_DY)：D(GDP) c ar(1) ma(1) 使用因变量差分因子D(GDP)定义模型，EViews将提供水平变量GDP的预测值。
§ 确定ARMA形式一、ARMA项模型中AR和MA部分应使用关键词ar和ma定义。
在上面AR定义中，我们已见过这种方法的例子。
这对MA也同样适用。
例如，估计一个2阶自回归和1阶动平均过程ARMA(2,1)，应将AR(1), MA(1), AR(2)和其它解释变量一起包含在回归因子列表中： y c gov ar(1) ar(2) ma(1) 不必连续使用AR和MA项。
例如想用4阶<a name=baidusnap0></a>季节</B>自回归模型来拟合季节</B>变化，可以仅使用AR(4)： y c gov ar(4 ) 也可仅用MA项来定义纯动平均模型。
如可以表示出残差的MA(2)模型。
y c gov ma(1) ma(2) 传统的Box-Jenkins模型或ARIMA模型除了常数外不具有任何解释变量。
在这种情况下，解释变量将仅包含一个c加上AR，MA项，例如： y c ar(1) ar(2) ma(1) ma(2) 这是标准的Box-Jenkins ARMA(2, 2)模型。
二、季节</B>ARMA项对于带有季节</B>因素的季度数据，Box and Jenkins(1976) 建议使用季节</B>自回归SAR和季节</B>动平均SMA。
SAR(p)定义为带有p阶滞后的季节</B>自回归项。
估计中使用的滞后多项式是AR项和SAR项定义的结合。
与此类似，SMA(q)定义为带有q阶滞后的季节</B>动平均。
计量经济学eviews报告
计量经济学eviews报告在经济学研究中，计量经济学是一个重要的分支领域，它利用数理统计和经济理论方法，对经济现象进行定量分析和预测。
而在进行计量经济学研究时，经济学家们通常会使用eviews软件来进行数据处理和分析。
本报告将对eviews软件在计量经济学研究中的应用进行介绍和分析。
首先，eviews软件作为一款专业的计量经济学软件，具有强大的数据处理和分析功能。
它可以对各种类型的经济数据进行处理，包括时间序列数据、截面数据和面板数据等。
同时，eviews还提供了丰富的统计分析工具，如回归分析、时间序列分析、方差分析等，可以帮助经济学家们快速准确地进行数据分析和模型建立。
其次，eviews软件在计量经济学研究中的应用非常广泛。
在实证研究中，经济学家们通常会使用eviews来进行数据的导入和清洗，然后进行相关的计量分析。
例如，他们可以利用eviews进行回归分析，来探讨不同经济变量之间的关系；也可以利用eviews进行时间序列分析，来预测未来的经济走势。
总之，eviews为经济学家们提供了一个强大的工具，帮助他们更好地进行计量经济学研究。
另外，eviews软件还具有友好的用户界面和丰富的图表展示功能，使得经济学家们可以直观地呈现研究结果。
他们可以通过eviews生成各种统计图表，如散点图、折线图、柱状图等，直观地展示数据之间的关系和变化趋势。
这些图表不仅可以帮助经济学家们更好地理解数据，还可以用于学术论文和研究报告的展示。
总之，eviews软件在计量经济学研究中发挥着重要的作用，它为经济学家们提供了强大的数据处理和分析工具，帮助他们更好地进行实证研究。
未来，随着计量经济学研究的深入发展，相信eviews软件将会继续发挥重要作用，为经济学研究提供更多的便利和支持。
- 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)。
时间序列回归本章讨论含有ARMA 项的单方程回归方法，这种方法对于分析时间序列数据（检验序列相关性，估计ARMA 模型，使用分布多重滞后，非平稳时间序列的单位根检验）是很重要的。
§13.1序列相关理论 时间序列回归中的一个普遍现象是：残差和它自己的滞后值有关。
这种相关性违背了回归理论的标准假设：干扰项互不相关。
与序列相关相联系的主要问题有：一、一阶自回归模型最简单且最常用的序列相关模型是一阶自回归AR(1)模型定义如下：t t t u x y +'=βt t t u u ερ+=-1参数ρ是一阶序列相关系数，实际上，AR(1)模型是将以前观测值的残差包含到现观测值的回归模型中。
二、高阶自回归模型：更为一般，带有p 阶自回归的回归，AR(p)误差由下式给出：t t t u x y +'=βt p t p t t t u u u u ερρρ++++=--- 2211AR(p)的自回归将渐渐衰减至零，同时高于p 阶的偏自相关也是零。
§13.2 检验序列相关在使用估计方程进行统计推断（如假设检验和预测）之前，一般应检验残差（序列相关的证据），Eviews 提供了几种方法来检验当前序列相关。
1．Dubin-Waston 统计量 D-W 统计量用于检验一阶序列相关。
2．相关图和Q-统计量 计算相关图和Q-统计量的细节见第七章3．序列相关LM 检验 检验的原假设是：至给定阶数，残差不具有序列相关。
§13.3 估计含AR 项的模型随机误差项存在序列相关说明模型定义存在严重问题。
特别的，应注意使用OLS 得出的过分限制的定义。
有时，在回归方程中添加不应被排除的变量会消除序列相关。
1．一阶序列相关在EViews 中估计一AR(1)模型，选择Quick/Estimate Equation 打开一个方程，用列表法输入方程后，最后将AR(1)项加到列表中。
例如：估计一个带有AR(1)误差的简单消费函数t t t u GDP c c CS ++=21t t t u u ερ+=-1应定义方程为： cs c gdp ar(1)2．高阶序列相关估计高阶AR 模型稍稍复杂些，为估计AR(k )，应输入模型的定义和所包括的各阶AR 值。
如果想估计一个有1-5阶自回归的模型t t t u GDP c c CS ++=21t t t t u u u ερρ+++=--5511应输入： cs c gdp ar(1) ar(2) ar(3) ar(4) ar(5)3．存在序列相关的非线性模型EViews 可以估计带有AR 误差项的非线性回归模型。
例如：估计如下的带有附加AR(2)误差的非线性方程t c tt u GDP c CS ++=21t t t t u c u c u ε++=--2413使用EViews 表达式定义模型，在后面的方括号内描述AR 修正项，对每一阶AR 滞后项都应包括一个系数，每项之间用逗号隔开。
cs=c(1)+gdp ∧c(2)+[ar(1)=c(3),ar(2)=c(4)]EViews 通过ρ差分来转换这种非线性模型且使用Gauss-Newton 迭代法来估计转换后的非线性模型。
4．存在序列相关的两阶段回归模型通过把二阶段最小二乘法或二阶段非线性最小二乘法和AR 项结合起来，对于在回归因子和扰动项存在相关性的情况和残差存在序列相关一样估计模型。
5．AR 估计输出 含有AR 项的模型有两种残差：第一种是无条件残差 b x y ut t t '-=ˆ， 通过原始变量以及估计参数β算出。
在用同期信息对y t 值进行预测时，这些残差是可以观测出的误差，但要忽略滞后残差中包含的信息。
通常，除非有特别的原因来检验这些残差，Eviews 不能自动计算下面的估计。
第二种残差是估计的一期向前预测误差εˆ。
如名所示，这种残差代表预测误差。
一般AR(p )平稳条件是：滞后算子多项式的根的倒数在单位圆内。
EViews 在回归输出的底部给出这些根：Inverted AR Roots 。
如果存在虚根，根的模应该小于1。
6．EViews 如何估计AR 模型EViews 估计AR 模型采用非线性回归方法。
这种方法的优点在于：易被理解，应用广泛，易被扩展为非线性定义的模型。
注意：非线性最小二乘估计渐进等于极大似然估计且渐进有效。
§13.4 ARIMA 理论ARIMA （自回归单整动平均）模型是AR 模型的一般化，EViews 使用三种工具来为干扰项的序列相关建模：自回归AR 、单整I 、动平均MA 。
§13.5 估计ARIMA 模型为建立ARIMA 模型，需要：① 差分因变量，确定差分阶数；② 描述结构回归模型（因变量和回归因子），加入AR 或MA 项。
一、ARMA 项 模型中AR 和MA 部分应使用关键词ar 和ma 定义。
二、季节ARMA 项 对于带有季节移动的季度数据，Box and Jenkins(1976)建议使用季节自回归SAR 和季节动平均SMA 。
三、ARIMA 估计输出 存在AR 或MA 定义的估计输出和OLS 是一样的，只是增加了一个AR ，MA 多项式的倒根的下部程序块。
四、ARMA 估计选择 带有AR 或MA 的模型用非线性最小二乘法估计。
非线性估计方法对所有系数估计都要求初值。
作为缺省Eviews 决定初值。
用户可设置初值，EViews 使用C 系数向量。
也可使用命令安排C 向量值定义，例如下面方程的系数Y c X ma(2) ma(1) sma(4) ar(1)可定义为 param c(1) 50 c(2 ) 0.8 c(3) 0.2 c(4) 0.6 c(5) 0.1 c(6) 0.5初值：常数是50， X 系数的初值是0.8， ar(1)、ma(2)、ma(1)、sma(4) 系数的初值分别是0.2 ， 0.6，0.1，0.5。
§13.6 诊断检验如果ARMA 模型定义正确，模型残差将为白噪声。
这意味着残差中应不存在序列相关。
D-W 统计量是当方程右边没有滞后变量时对一阶序列相关的检验。
如上所述，对残差中序列相关更多的检验可以如：View/Residual Tests/Correlogram-Q-Statistic 和View/Residual Tests/Serial correlation LM Test 。
§13.7 多项分布滞后（PDLs ）一个分布滞后算子如下t k t k t t t t x x x y εβββδω+++++=-- 110 （13.37）系数β描述x 对y 作用的滞后。
在模型中解释变量与随机误差项不相关的情况下，可以直接使用OLS 估计参数。
在其它情形下，x 的当前和滞后值具有高共线性时，直接估计失败。
可以使用多项式分布滞后（PDLS ）来减少要估计的参数个数，以此来平滑滞后系数。
平滑就是要求系数服从一个相对低阶的多项式。
P 阶PDLS 模型限制β系数服从如下形式的p 阶多项式p p j c j c j c j )()()(12321-++-+-+=+γγγγβ j = 0 , 1 , 2 , … , k （13.38）c 是事先定义常数：⎩⎨⎧-=是偶数是奇数（p k p k c 2/)(2/)1(PDLS 有时被称为Almon 分布滞后模型。
常数c 仅用来避免共线性引起的数值问题，不影响β的估计。
这种定义允许仅使用参数p 来估计一个x 的k 阶滞后的模型（如果p > k ，将显示“近似奇异“错误信息）。
如果定义一个PDL 模型，EViews 用(13.38)式代入到(13.37)式，将产生如下形式方程t p p t t z z z y εγγγα+++++=++11221 (13.40)其中kt p t p t p p kt t t kt t t x c k x c x c z x c k x c x c z x x x z --+-----++-+-=-++-+-=+++=)()1()()()1(111211(13.41)一旦从（13.40）式估计γ，利用（13.38）式就可得到β的各系数。
这一过程很明了，因为β是γ的线性变换。
定义一个PDLs 有三个元素：滞后长度k ，多项式阶数（多项式最高次幂数）p 和附加的约束。
§13.8 非平稳时间序列上述ARMA 估计理论都是基于平稳时间序列。
如果一个序列的均值和自协方差不依赖于时间，就说它是平稳的。
非平稳序列的典型例子是随机游动 t t t y y ε+=-1，t ε是平稳随机扰动项。
序列y 有一个常数预测值，方差随时间增长。
随机游动是差分平稳序列，因为y 一阶差分后平稳。
t t t t y L y y ε=-=--)1(1，差分平稳序列称为单整，记为I(d)，d 为单整阶数。
单整阶数是序列中单位根数，或者是使序列平稳而差分的阶数。
对于上面的随机游动，有一个单位根，所以是I(1)，同样，平稳序列是I(0)。
§13.9 单位根检验EViews 提供两种单位根检验：Dickey-Fuller(DF)、增广DF(ADF)检验和Phillips-Perron （PP ）检验。
一、ADF 检验为说明ADF 检验的使用，先考虑一个AR(1)过程t t t y y ερμ++=-1 （13.46）ρμ,是参数，t ε假设为白噪声。
如果-1<ρ<1，y 平稳序列。
如果ρ=1，y 是非平稳序列（带漂移的随机游动）。
如果这一过程在一些点开始，y 的方差随时间增长趋于无穷。
如果ρ的绝对值大于1，序列发散。
因此，一个序列是否平稳，可以检验ρ是否严格小于1。
DF 和PP 都用单位根作为原假设。
1:0=ρH 因为发散序列没有经济学含义，所以备选假设为单边假设1:1<ρH 。
从方程两边同时减去1-t yt t t y y εγμ++=∆-1其中 1-=ργ （13.47）所以原假设和备选假设可改为⎩⎨⎧<=0:0:10γγH H （13.48） 单位根检验可以看作对γ进行t 检验。
EViews 将DF ，ADF 检验都看成为ADF 检验。
ADF 检验考虑如下三种回归形式：t pi i t i t t y y y εβγ+∆+=∆∑=--11t pi i t i t t y y y εβγμ+∆++=∆∑=--11t p i i t i t t y t a y a y εβγ∑=--+∆+++=∆1210 即通过在模型中增加∆y t 的滞后项，以消除残差的序列相关性。
在检验回归中包括常数，常数和线性趋势，或二者都不包含。
二、Phillips-Perron(PP)检验Phillips 和Perron （1988）提出一种非参数方法来控制序列中高阶序列相关。