eviews检验相关方法(2)
EviewsEG两步法2
模型建立—时间序列eviews协整检验EG两步法（Engle-Granger）1.首先，需要两列时间序列数据，将他们命名为future4，future5，存入eviews。
2.对两组数据取对数，得新的数据：P4=log（future4），P5=log（future5）。
可在eviews中点击Genr输入p4=log(future4)可自动产生对数数列。
为何取对数？：可以部分消除异方差的问题，另外，其差分可以表示发展速度的对数，也可以消除序列相关的问题.有时候要看经济意义!取对数也可减少数据的波动，在高频数据中尤是。
变量取对数是为了消除异方差,系数也是弹性系数，主要是为了消除金融时间序列的异方差现象，可以将可能的非线性关系转化为线性关系，减少变量的极端值、非正态分布以及异方差性（2012.4.10补充，针对上面提到的非线性关系转化为线性关系，做进一步的解释：经济序列通常做对数化处理，因为log有很多优良特性。
如取对数，很容易操作，正如上面所说，输入log（x）就可以产生原数列相应的对数数列。
还有一些关系式如log（a*b）=log（a）+log（b）,log(a^2)=2*log(a)，这种特性可以很容易的把函数之间的关系线性化。
加上log，常可以使得经济数列变得更容易处理。
）3.对两个时间序列分别做ADF检验。
1.eviews中选取时间序列P4，右键=》open。
在新的窗口中点击view=》unit root test。
2.ADF检验需要对3个模型依次检验，所以在unit root test窗口中先①选：level、trend and intercept。
然后确认=》得到第一行是所得t值，下面3行是临界值。
t=-2.0665>临界值，因此非平稳。
因此要继续检验②：level、intercept，假设还是非平稳。
继续检验③：level none。
假设还是非平稳，则做一阶差分，即将level换成1st difference，将之前①②③从新来过，一旦t<临界值就可以停止了。
单位根检验的EViews操作
继续讨论:
对GDP的一阶差分进行检验
在10％的显著性水平下，单位根检验的临界值为 -3.2602，上述检验统计量值-3.62511小于相应DW临界值， 从而拒绝H0，表明我国1978——2003年D(GDP)序 列是平稳序列.
年度数据一般选择1或2年，月度数据一般选择6个月、12个月或者18个月， 季度数据一般4或者8。
单位根检验的 EViews操作
利用EViews进行单位根检验
（ADF、DF检验的操作步骤基本相同）
在主菜单选择Quick / Series Statistics / Unit Root Test 输入待检验的序列名/单击OK / 出现单位根检验对话框 单位根检验对话框(由三部分构成) （1）检验类型（Test Type) (A)DF检验 PP检验 （2）检验对象 Level（水平序列） 1st difference（一阶差分序列）
• 我们老师说样本较大时，选用bic ，较小 时用aic • 先找出最小的AIC和SIC（不是绝对值）， 在此基础上看ADF检验是否通过，即判 断是否是平稳序列。 • 我一般是根据ＶＡＲ模型的最优滞后阶 数－１作为协整的最优滞后阶数
• 根据赤池信息准则或舒瓦茨信息准则 • adf检验是在残差存在自相关时用的，滞 后阶数可以根据序列自相关和偏自相关 图确定
方法3: 单位根检验
Quick
Series Statistics
Unit Root Test
输入变量名（本例：GDP）
选择ADF检验 / Level（水平序列）/ Trend and Intercept （趋势项和漂移项）/ 滞后期数：2
在原假设 H 0 : 1或 H 0 : =0 下，单位根的t检验统计量的值为：
Eviews 实验操作手册(部分)
Eviews实验操作记录（慢慢整理）相关系数检验：W AGE ED SEXW 1.000000 0.210152 0.495856 -0.260906AGE 0.210152 1.000000 -0.038637 0.144689ED 0.495856 -0.038637 1.000000 -0.084487SEX -0.260906 0.144689 -0.084487 1.000000①可以在命令窗口键入命令：cor x y z……，就会输出相关系数矩阵。
②假设你的样本数据序列：x1 x2从主菜单选择Quick/Group Statistics/Correlations之后会弹出个对话框，在对话框选择你的目标序列x1 x2说明：序列相关好像只有正相关、负相关、完全相关、完全不相关、强相关、弱相关等概念。
相关系数为1是完全正相关，－1是完全负相关，0是完全不相关。
个人感觉0.5左右的相关关系（趋势）就比较弱了。
eviews提供的相关计算是指序列之间的线性相关关系。
如果序列之间不存在线性相关，也有可能存在其他类型的相关关系，如对数相关、指数相关等等。
通常显著性是和建设检验关联的。
统计假设检验也称为显著性检验，即指样本统计量和假设的总体参数之间的显著性差异。
显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。
显著性差异就是实际样本统计量的取值和假设的总体参数的差异超过了通常的偶然因素的作用范围，说明还有系统性的因素发生作用，因而就可以否定某种条件不起作用的假设。
假设检验时提出的假设称为原假设或无效假设，就是假定样本统计量与总体参数的差异都是由随机因素引起，不存在条件变动因素。
假设检验运用了小概率原理，事先确定的作为判断的界限，即允许的小概率的标准，称为显著性水平。
如果根据命题的原假设所计算出来的概率小于这个标准，就拒绝原假设；大于这个标准则接受原假设。
这样显著性水平把概率分布分为两个区间：拒绝区间，接受区间。
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 EG两步法2
模型建立—时间序列eviews协整检验EG两步法（Engle-Granger）1.首先，需要两列时间序列数据，将他们命名为future4，future5，存入eviews。
2.对两组数据取对数，得新的数据：P4=log（future4），P5=log（future5）。
可在eviews中点击Genr输入p4=log(future4)可自动产生对数数列。
为何取对数？：可以部分消除异方差的问题，另外，其差分可以表示发展速度的对数，也可以消除序列相关的问题.有时候要看经济意义!取对数也可减少数据的波动，在高频数据中尤是。
变量取对数是为了消除异方差,系数也是弹性系数，主要是为了消除金融时间序列的异方差现象，可以将可能的非线性关系转化为线性关系，减少变量的极端值、非正态分布以及异方差性（2012.4.10补充，针对上面提到的非线性关系转化为线性关系，做进一步的解释：经济序列通常做对数化处理，因为log有很多优良特性。
如取对数，很容易操作，正如上面所说，输入log（x）就可以产生原数列相应的对数数列。
还有一些关系式如log（a*b）=log（a）+log（b）,log(a^2)=2*log(a)，这种特性可以很容易的把函数之间的关系线性化。
加上log，常可以使得经济数列变得更容易处理。
）3.对两个时间序列分别做ADF检验。
1.eviews中选取时间序列P4，右键=》open。
在新的窗口中点击view=》unit root test。
2.ADF检验需要对3个模型依次检验，所以在unit root test窗口中先①选：level、trend and intercept。
然后确认=》得到第一行是所得t值，下面3行是临界值。
t=-2.0665>临界值，因此非平稳。
因此要继续检验②：level、intercept，假设还是非平稳。
继续检验③：level none。
假设还是非平稳，则做一阶差分，即将level换成1st difference，将之前①②③从新来过，一旦t<临界值就可以停止了。
使用Eviews进行面板数据操作(有详图，包括Hausman检验，单位根检验)
每个个体有共
同的参数 bi
bi 随个体不
同而发生
变
变化
参
数
bi 随个体不 同而发生
模 型
变化
下面为个体固定效应的结果。 点击view——representation可以显示具体的回归方程式。
2. 面板数据的检验
① Hausman检验（要在随机效应结果窗口中进行） 对数据进行随机效应模型估计，在估计结果窗口点击view——Fixed/Random Effects testing——Correlated Random Effect-Hausman Test（6.0以上的 版本才可以）
⑤ 在打开的数据组中点击view——graph——scatter——simple scatter, 便可得到不同时间的散点图。
⑥ 同理，按ctrl键，分别选择ip_i, ip_ah,I p_bj, ip_hb…便可得到不同个体 的散点图。
由于是用同一组数据画出的图形，所以虽然采用的 是不同的方法，但是绘出的两个图形一样。
在估计结果中点击proc——Make Model可以出现估计结果的联立方 程形式，进一步点击Solve键可以 在弹出的对话框中进行动态和静态 预测。
在估计结果或原始的面包数据窗口中点击view——unit root test
这里默认为 Schwarz检 验，因为在 小样本情况 下Schwarz 检验效果最 好。
注意：只有在随机效应估计窗口中才能 进行Hausman检验，只有在固定效应估 计窗口中才能进行似然比检验
Hausman检验的原假设是个体效 应与回归变量无关，应建立随机效 应模型，因此当Hausman值较大， 其对应的P值远小于0.05时，拒绝
单位根检验的EViews操作
序列存在单位根，是非平稳序列。
继续讨论:
对GDP的一阶差验的临界值为 -3.2602，上述检验统计量值-3.62511小于相应DW临界值， 从而拒绝H0，表明我国1978——2003年D(GDP)序 列是平稳序列.
ˆ ˆ 或 . . . 0 . 7 8 6 0 1 1 ˆ ˆ ˆ ˆ
别为- 4.4167、-3.6219、-3.2474，显然，上述
相应DW临界值，从而接受 H
0
在1％、5％、10％三个显著性水平下，单位根检验的临界值分
检验统计量值大于
，表明我国1978——2003年度GDP
GDP序列，检验其是否为平稳序列。
方法1: 用时序图判断
由GDP的时序图初步判断序列是不平稳的(可以看出该序列可能 存在趋势项，若需用ADF检验则选择第三种模型进行检验)。
方法2: 用自相关系数图判断
中国GDP时间序列的自相关系数不是很快地（如滞后期K=2，3
趋于零，即缓慢下降，再次表明序列是非平稳的.
单位根检验的 EViews操作
利用EViews进行单位根检验
（ADF、DF检验的操作步骤基本相同）
在主菜单选择Quick / Series Statistics / Unit Root Test 输入待检验的序列名/单击OK / 出现单位根检验对话框 单位根检验对话框(由三部分构成) （1）检验类型（Test Type) (A)DF检验 PP检验 （2）检验对象 Level（水平序列） 1st difference（一阶差分序列）
方法3: 单位根检验
Quick
Series Statistics
Unit Root Test
输入变量名（本例：GDP）
eviews偏相关系数检验步骤
在EViews中进行偏相关系数检验的步骤如下：
1. 打开EViews软件，并导入数据集。
2. 确定要进行偏相关系数检验的变量。
偏相关系数用于研究两个变量之间的线性关系，排除其他变量的干扰。
3. 在EViews主菜单中选择"Quick"，然后选择"Correlation"。
4. 在弹出的对话框中，选择要进行偏相关系数检验的变量，并点击"OK"。
5. 在结果窗口中，可以看到变量之间的相关系数矩阵。
6. 在结果窗口中，选择"View"，然后选择"Correlation Tests"，再选择"Partial Correlations"。
7. 在弹出的对话框中，选择要进行偏相关系数检验的变量，并点击"OK"。
8. 在结果窗口中，可以看到偏相关系数检验的结果。
通常会显示每对变量的偏相关系数、假设检验的统计量和p值。
请注意，以上步骤仅供参考，具体步骤可能会因EViews软件的版本和用户需求而有所不同。
建议参考EViews软件的官方文档或教程以获取更详细和准确的步骤说明。
- 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)。
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。
一，首先我根据ADF检验结果，来说明这两组数据对数情况下是否是同阶单整的（同阶单整即说明二者是协整的，这是一种协整检验的方法），我对你的两组数据分别作了单位根检验，结果如下：
1.LNFDI水平下的ADF结果：
Null Hypothesis: LNFDI has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic based on AIC, MAXLAG=3) Augmented Dickey-Fuller test statistic
t-Statistic Prob.*
-1.45226403166189 0.526994561264069
Test critical values:
1% level -4.00442492401717
5% level -3.09889640532337
10% level -2.69043949557234
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20
observations and may not be accurate for a sample size of 14
从上面的t-Statistic对应的值可以看到， -1.45226403166189大于下面所有的临界值，因此LNFDI在水平情况下是非平稳的。
然后我对该数据作了二阶，再进行ADF检验结果如下：
t-Statistic Prob.*
- 2.8606168858628 0.0770552989049772
Test critical values:
1% level -4.05790968439663
5% level -3.11990956512408
10% level -2.70110325490427
看到t-Statistic的值小于10% level下的-2.70110325490427，因此可以认为它在二阶时，有90%的可能性，是平稳的。
2.LNEX的结果：
它的水平阶情况与LNFDI类似，T统计值都是大于临界值的。
因此水平下非平稳，但是二阶的时候，它的结果如下：
t-Statistic Prob.*
-4.92297051527175 0.00340857899403409
Test critical values:
1% level -4.20005563101359
5% level -3.17535190654929
10% level -2.72898502029817
即，T统计值-4.92297051527175小于1% level的值，因此认为，它在二阶的时候，是有99%的可能是平稳的。
这样就可以认为两者LNFDI和LNEX是单阶同整的。
即通过了协整检验。
二，GRANGER检验（因果关系检验）
这个就是为了看这两组数据是否存在因果关系。
我做了他们的二阶因果关系检验（因为他们在二阶时都平稳），结果如下：
Null Hypothesis: Obs F-Statistic Probability
LNEX does not Granger Cause LNFDI 15
7.47260684251629 0.0103529438201321
LNFDI does not Granger Cause LNEX
71.0713505999399 0.0103529438201321
看到，Probability下面对应的值，0.0103529438201321
和0.0103529438201321都是小于0.05的，因此我们可以认为这两组数据之间相互存在着因果关系。
写了这么多，你还有问题就在补充里说吧~我不知道你要的是结果还是做法，结果就是这样的~~
在对时间序列Y、X1进行回归分析时需要考虑Y与X1之间是否存在某种切实的关系，所以需要进行协整检验。
1.1利用eviews创建时间序列Y、X1 ：
打开eviews软件点击file-new-workfile，见对话框又三块空白处workfile structure type处又三项选择，分别是非时间序列unstructured/undate，时间序列dated-regular frequency，和不明英语balance panel。
选择时间序列dated-regular frequency。
在date specification中选择年度，半年度或者季度等，和起始时间。
右下角为工作间取名字和页数。
点击ok。
在所创建的workfile中点击object-new object，选择series，以及填写名字如Y，点击OK。
将数据填写入内。
1.2对序列Y进行平稳性检验：
此时应对序列数据取对数，取对数的好处在于可将间距很大的数据转换为间距较小的数据。
具体做法是在workfile y的窗口中点击Genr，输入logy=log(y),则生成y的对数序列logy。
再对logy序列进行平稳性检验。
点击view-United root test，test type选择ADF检验，滞后阶数中lag length选择SIC检验，点击ok得结果如下：
Null Hypothesis: LOGY has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=1)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic
-2.75094601716637 0.0995139988900359
Test critical values: 1% level -4.29707275602226
5% level -3.21269639026225
10% level -2.74767611540013当检验值Augmented Dickey-Fuller test statistic的绝对值大于临界值绝对值时，序列为平稳序列。
若非平稳序列，则对logy取一阶差分，再进行平稳性检验。
直到出现平稳序列。
假设Dlogy和DlogX1为平稳序列。
1.3对Dlogy和DlogX1进行协整检验
点击窗口quick-equation estimation，输入DLOGY C
DLOGX1，点击ok，得到运行结果，再点击proc-make residual series进行残差提取得到残差序列，再对残差序列进行平稳性检验，若残差为平稳序列，则Dlogy与Dlogx1存在协整关系。