eviews时间序列一阶自相关检验命令
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
EVIEWS时间序列实验指导(上机操作说明)
⒉在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Delete selected…（Rename selected…），即可删除（更名）变量
进行预测：打开对应的方程窗口，点forecast按纽，将出现对话框，修改对话框 sample range for forecast中的时间期限的截止日期为预测期.
相对误差的计算公式为：（实际值-预测值）/实际值
二、单参数和双参数指数平滑法进行预测的操作练习
2、某地区1996~2003年的人口数据如表1.2，运用二次指数平滑法预测该镇2004年底的人口数（单位：人）。
掌握确定性时间序列建立模型的几种常用方法。
【实验内容】
一、多项式模型和加权最小二乘法的建立；
二、单参数和双参数指数平滑法进行预测的操作练习；
三、二次曲线和对数曲线趋势模型建立及预测；
【实验步骤】
一、多项式模型和加权最小二乘法的建立；
1、我国1974—1994年的发电量资料列于表中，已知1995年的发电量为10077.26亿千瓦小时，试以表1.1中的资料为样本：
建立系列方程：smpl 1974 1994
ls y c t
ls y c t t^2
ls y c t t^2 t^3
通过拟合优度和外推检验的结果发现一元三次多项式模型效果最好。
首先生成权数序列：genr m=sqr(0.6^(21-t))
加权最小二乘法的命令方式：ls(w=m) y c t
普通最小二乘法命令方式：ls y c t
步骤：（1）打开该文件。
时间序列 eviews操作
1.打开EVIEWS新建一个工作文件，步骤如下：
出现如下对话框，选择数据频率为季度，开始日期为1989年1季度，结束日期为2004年4季度，即为工作文件的范围区间。
点击ok生成工作文件
2.若要改变工作文件的范围区间，双击Range,出现如下对话框
3.利用命令series 生成时间序列gdp
点击Edit+/-改变数据的编辑状态，打开EXCEL文件将数据复制粘贴到数据区域，查看数据序列的折线图，步骤如下：
结果：
从图中可看出时间序列有明显的季节波动。
4.对gdp序列进行描述统计分析：
5.对原GDP数据进行季节调整，调整后时间序列存为GDP_SA
6.做出折线图：
由图知序列受季节影响程度变小。
7.进行单位根检验，结果如下：
计算自相关函数和偏相关函数如下：
9.利用方程建立ARMA(3,3)模型
10.建立组，包括gdp gdp_sa dgdp
建组后展示如下：
11.将建组后的收据以EXCEL格式输出：
点击ok即可。
eviews检验相关方法(2)
我用的是Eviews3.1注册版（因为其他的版本没注册都不稳定容易自己关闭程序），但大抵操作应该是相同的。
首先建立新的workfile,在命令窗口输入series，弹出新建的数列窗口，把要检验的数据存进去。
然后再数列窗口下点击view，找到unit root test就是单位根检验，弹出来的窗口的左上角是选择检验方式，一般保持默认的DF那一项就好了，Eviews里面的这个DF选项是把DF与ADF检验都包括在一起了。
右边的intercept啦intercept and trend啦是针对ADF 检验的不同模型，如果搞不清楚干脆就按默认吧。
左下角的level,1st differential，2st什么的是问你是针对原始数据、还是一阶差分、二阶差分来做检验，默认是level,就是原始数据。
都选好之后点击OK就好了。
输出的结果主要是看上面的表，第一个表左边给出一个值，右边给了三个值，分别是置信度99%，95%，90%的ADF检验临界值。
左边的值如果小于右边的某个值，说明该数据落在右边那个对应值的置信区间里。
比如左边给出-3，右边对应95%置信度的值是-1，-3<-1所以数据不存在单位根，是平稳的，这一检验的置信度是95%。
大概是这样吧，具体的ADF模型选择等等最好看一看相关书籍。
Eviews不难学的~~嘿嘿我也就是三天恶补大概看完的。
ADF检验的原假设是存在单位根，一般EVIEWS输出的是ADF检验的统计值，只要这个统计值是小于1%水平下的数字就可以极显著的拒绝原假设，认为数据平稳。
注意，ADF值一般是负的，也有正的，但是它只有小于1%水平下的才能认为是及其显著的拒绝原假设这样的话，如果你的变量是水平变量。
那么，你需要取对数，一般来说，取对数后的变量一般是平稳的，这样，你无需作协整；如果对数变量非平稳，再取一阶差分（绝大多数的水平变量取对数后再一阶差分是平稳的），你就可以作协整了了。
如果你的变量已是相对数，xt 与yt 并非I（1），那么，不能作协整，仅作一般的时间序列分析即可。
如何用eviews分析时间序列课程
如何用eviews分析时间序列课程时间序列分析是一种常用的数据分析方法，通过对一系列时间上连续测量的数据进行观察、描述和分析，可以发现其中的规律和趋势，从而预测未来的发展走势。
Eviews是一种专业的时间序列分析软件，具有强大的数据处理和统计分析功能。
本文将介绍如何使用Eviews进行时间序列分析。
首先，打开Eviews软件，并导入需要分析的时间序列数据。
在Eviews的工作区中，选择“File”菜单下的“Open”选项，然后选择需要导入的数据文件，点击“Open”按钮导入数据。
导入数据后，可以在Eviews的对象浏览器中看到导入的数据对象。
接下来，对时间序列数据进行初步的观察和描述分析。
在对象浏览器中，选择需要分析的数据对象，右键点击并选择“Open as Group”选项，将数据对象打开为一个分析组。
然后，在Eviews的对象浏览器中，选择分析组，在右侧窗口中可以看到该组中包含的所有时间序列数据。
可以通过列出每个时间序列的统计概要、绘制时间序列图、查看自相关和偏自相关等方式对数据进行初步的观察和描述分析。
接下来，进行时间序列模型的构建和估计。
在Eviews的操作菜单中，选择“Quick”菜单下的“Estimate Equation”选项，打开方程估计窗口。
在方程估计窗口中，选择需要构建的时间序列模型类型，如AR、MA、ARMA等。
然后，在“Dependent Variable”栏目中选择需要分析的时间序列数据，将其作为因变量。
在“Independent Variables”栏目中选择需要作为自变量的时间序列数据，可以根据需求选择多个自变量。
点击“OK”按钮，Eviews将根据所选择的时间序列模型类型和数据进行模型的估计。
估计完成后，可以查看估计结果。
在方程估计窗口中，可以看到估计结果的统计指标、系数估计值、显著性水平等信息。
可以根据需要查看和分析各个系数的显著性水平、置信区间等信息，判断模型的有效性和可靠性。
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。
实验一EVIEWS中时间的序列相关函数操作
实验一EVIEWS中时间的序列相关函数操作
1、单变量时间序列相关函数
（1）AutoReg（自回归）：自回归模型（也称为自动过程）是一种统计模型，可以用来研究一个变量与它自身以前的值之间的关系。
它可以被用来描述任何由这种类型的非平稳的随机过程生成的数据。
（2）CrossCorr（互相关）：互相关函数是对两个时间序列之间的相关性进行评估的方式。
它采用两个时间序列中的观测，计算它们之间的相关性，并返回一个相关系数值，表明它们之间的相关关系。
（4）MA：移动平均函数是一种从一组数据中提取出其基本趋势的有效方法。
它通过计算一组数据的平均值来应用，然后根据当前值来计算其他值。
在EViews中，移动平均函数可以使用MA函数来计算。
2、多变量时间序列相关函数
（1）VAR：VAR是短期预测的一种重要方法。
它的主要思想是，未来的值可以由当前的值以及过去的值来预测。
它可以用来检测多个变量之间的相关性，反应不同变量间的影响关系。
在EViews中，可以使用VAR函数来计算多变量时间序列之间的相关性。
- 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)。
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。
总结起来，EViews提供了方便快捷的方法来进行时间序列的一阶
自相关检验。
使用AR（p）模型，我们可以轻松地估计时间序列数据，并通过统计量来判断序列的自相关性和其他性质。
通过这些分析结果，我们可以更好地理解时间序列数据的特征，并进行进一步的分析和预测。