EVIEWS格兰杰检验解读
保险商品消费与经济增长关系的实证分析
保险商品消费与经济增长关系的实证分析摘要：保险商品消费与经济增长的关系对我国经济和保险的发展都有重要的作用。
通过理清保险商品的消费与经济增长之间的相互关系，对促进保险增长和经济增长有着决定性的意义。
本文采取1989—2009年全国的保费收入与人均GDP的数据，利用Eviews 6.0进行实证研究，通过格兰杰因果检验，得出保险商品消费不是经济增长的原因，经济增长是保险商品消费的原因，进而从微观的角度证明了经济增长对保险商品消费增长的促进作用。
关键词：保险商品消费；经济增长；实证分析一、引言对于保险业发展与经济发展之间存在的某种动态关系，许多学者对其进行大量的研究，例如，钟正生在《保险能否促进经济增长——基于中国的实证分析》一文中，以全国的保费收入及总GDP的数据为样本，对两者之间的关系进行了实证分析，得出了中国的经济发展是保费收入增长的原因，而保费收入增长不是经济发展的原因；曹乾，何建敏在《保险增长与经济增长的互动关系理论假说与实证研究》中，通过提出假说，实证检验的方式对保险增长与经济增长之间的关系进行验证，进而得出经济增长对保险增长促进作用的结论；刘桂荣在《上海保险业发展与经济增长的实证研究》中，利用上海市的保费收入及GDP数据实证，分析了区域性的经济增长对保险增长的促进作用是否也和全国的一致。
以上学者均是从宏观来把握经济增长与保险增长之间的关系，本文的创新点是以全国的人均GDP及全国的保费收入的数据为样本，从微观的角度上，采用实证的分析方法对保险商品消费与经济增长动态关系进行分析，验证在微观层面上，两者是否依然具备上述关系，或具有另外的关系特征，从而对保险商品消费与经济增长的互动关系做出更深层次的分析，进而提出更为具体的政策建议来促进我国的保险及经济的协调发展。
二、保险商品消费与经济增长关系的实证分析（一）数据的选取保险商品的消费主要体现在保费收入的变动，而保费收入的变动能充分反应保险业的发展水平，本文采用全国保费收入衡量保险商品消费水平，以全国的人均GDP从微观的角度上来衡量人均经济增长水平，根据全国保险及经济发展的实际情况和数据可得性，采用《中国统计年鉴》和《中国保险年鉴》上的1989—2009年的人均GDP及总保费收入的年度数据为样本，由于经济数据一般具有上升的趋势，因此其原始数据往往是非平稳的，为了减少数据的波动性，对名义保费收入(I)的时间序列和名义人均GDP（AGDP）的时间序列分别求自然对数，产生两个新的时间序列(LnAGDP和LnI)。
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型(2011-06-13 11:43:22)标签: 分类: 工作篇校园面板数据的计量方法1.什么是面板数据,面板数据,panel data,也称时间序列截面数据,time series and cross section data,或混合数据,pool data,。
面板数据是截面数据与时间序列综合起来的一种数据资源～是同时在时间和截面空间上取得的二维数据。
如:城市名:北京、上海、重庆、天津的GDP分别为10、11、9、8,单位亿元,。
这就是截面数据～在一个时间点处切开～看各个城市的不同就是截面数据。
如:2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12,单位亿元,。
这就是时间序列～选一个城市～看各个样本时间点的不同就是时间序列。
如:2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为: 北京市分别为8、9、10、11、12,上海市分别为9、10、11、12、13,天津市分别为5、6、7、8、9,重庆市分别为7、8、9、10、11,单位亿元,。
这就是面板数据。
2.面板数据的计量方法利用面板数据建立模型的好处是:,1,由于观测值的增多～可以增加估计量的抽样精度。
,2,对于固定效应模型能得到参数的一致估计量～甚至有效估计量。
,3,面板数据建模比单截面数据建模可以获得更多的动态信息。
例如1990-2000 年30 个省份的农业总产值数据。
固定在某一年份上～它是由30 个农业总产值数字组成的截面数据,固定在某一省份上～它是由11 年农业总产值数据组成的一个时间序列。
面板数据由30 个个体组成。
共有330 个观测值。
面板数据模型的选择通常有三种形式:混合估计模型、固定效应模型和随机效应模型。
这三类模型的差异主要表现在系数、截距以及随机误差的假设不同。
第一种是混合估计模型,Pooled Regression Model,。
面板数据分析简要步骤与注意事项面板单位根—面板协整—回归分析
面板数据分析简要步骤与注意事项面板单位根—面板协整—回归分析 SANY标准化小组 #QS8QHH-HHGX8Q8-GNHHJ8-HHMHGN#面板数据分析简要步骤与注意事项（面板单位根—面板协整—回归分析）步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。
李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。
这种情况称为称为虚假回归或伪回归（spurious regression）。
他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。
因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。
因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。
而检验数据平稳性最常用的办法就是单位根检验。
首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。
单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,LevinandLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。
后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。
Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。
Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。
eviews命令集合
Archtest
Archtest 语法
命令： archtest(n,options) 方程视图： eq_name.archtest(n,options) 必需说明要检验的 ARCH 的顺序。滞后期 n 的数目应该在 arch 命令后面的括号中给出。 选项 p 打印检验结果。 对自回归条件异方差的检验（ARCH）. 在残差中对 ARCH 执行拉格朗日乘子(LM)检验。
要在图中放置文本，可以明确的使用座标来指定文本左上角的位置。座标由一个数对 h，v 设定，单位是虚英 寸。单独的图通常是 43 虚英寸（散点图是 33 虚英寸） ，不管它们当前的显示大小。座标的原点位于图的左上角。 第一个数值 h 指定从原点向右偏离的虚英寸距离。第二个数值 v 指定从原点向下偏离的虚英寸距离。文本的左上 角将被放置在指定的座标上。 座标可以于其他选项一起使用， 但是它们必须位于选项列表的前两个位置。 座标受指定位置的其他选项控制。 当 addtext 对多重图使用时，文本应用于整个图，而不是每个单独的图。
示例
dummy.add d11 d12 向组 DUMMY 中添加两个序列 D11 和 D12。 countries.add us gr 向 pool 对象 COUNTRIES 中添加 US 和 GR 两个截面元素。
addtext
addtext
图过程 在图中放置文本。
语法
图过程：graph_name.addtext(options) text 在 addtext 命令后跟随要放置到图中的文本。 选项 t l r b x 顶部（在图的上部并居中） 。 左旋转。 右旋转。 下方并居中。 把文本包含在框中。
一、基本命令
add
add
group 过程| pool 过程 向组添加一个序列或者向 pool 中添加截面元。
Eviews检验小结
各种检验总结1、偏度：①序列的分布是对称的，S值为0；②正的S值意味着序列分布有长的右拖尾；③负的S值意味着序列分布有长的左拖尾。
2、峰度：①如果K 值大于3，分布的凸起程度大于正态分布；②如果K值小于3，序列分布相对于正态分布是平坦的。
3、正态性检验：Q-Q图：看QQ图上的点是否近似地在一条直线附近, 是的话近似于正态分布。
Jarque-Bera 检验：①如果P值很小，则拒绝原假设，X不服从正态分布；②如果P值大于0.05（0.1）接受原假设, X 服从正态分布。
输入数据用鼠标单击“Quick”，出现下拉菜单，单击“Empty Group”，出现“Group”窗口。
在数据表的第一列中键入y的数据，并将该序列名取为y；在第二、第三列中分别键入x1 和x2的数据，并分别取名为x1和x2。
回归分析用鼠标单击“Quick”，出现下拉菜单，单击“Estimate Equation”，在弹出对话框中键入y c x1 x2；在“Estimation Settings”栏中选择“Least Squares”（最小二乘法)；点击“OK”，屏幕显示回归分析结果如表3-16所示。
回归检验1、拟合优度检验：R2 =0.864267说明，回归方程即上述样本需求函数的解释能力为86.4%，即所有解释变量能对该被解释变量变动的86.4%作出解释。
回归方程的拟合优度较好。
2、回归模型的总体显著性检验：从全部因素的总体影响看，α表示显著性水平(一般取5%，也可取10%根据题目而定)假设在5%显著性水平上，若F检验的P值小于0.05，说明所有解释变量对被解释变量的共同影响显著。
3、单个回归系数的显著性检验：从单个因素的影响看，在5%显著性水平上，查看各个解释变量的T检验值若大于2，一般表示该解释变量对被解释变量有显著影响。
但是，最主要是看解释变量的P检验值，若P值小于0.05则表示该解释变量对被解释变量有显著影响。
异方差检验：（1）判断1.图示法——残差的图示检验通过resid 与x的散布图判断，图形成喇叭状。
金融计量学ch5
协整检验
（2）最大特征值检验统计量
max
max是对每个特征值分别进行检验。对一个特征值对应着一个协 整向量，这些向量称为特征向量。一个显著非零的特征值表示向 量是显著协整的。最大特征值检验对应的零假设 H 0 ：协整关系个 数等于r；备选假设 H1 ：协整关系个数大于r。 Johansen法具有一些优于其他方法的特点。具体地，一方面此法 允许测验协整向量的约束因素；另一方面，它通过同时估计短期 均衡增加了估计的效率。此外，通过估计一个方程式的系数，应 用Johansen法系统中其他方程的信息也可以得到。
协整检验
（一）E-G两步法
E-G两步法，具体分为以下两个步骤： 第一步是应用OLS估计下列方程 yt a xt ut 这一模型称为协整回归，称为协整参数，并得到相应的残差序列： 第二步检验 序列的平稳性。 ˆ ut 序列平稳性检验方法有可分为单位根检验和CRDW检验：
ቤተ መጻሕፍቲ ባይዱ
金融计量学
复旦大学金融研究院 张宗新
第五章 多元时间序列分析方法
学习目标： 了解协整理论及协整检验方法； 掌握协整的两种检验方法：E-G两步法与 Johansen方法； 熟悉向量自回归模型VAR的应用； 掌握误差修正模型ECM的含义及检验方法； 掌握Granger因果关系检验方法。
脉冲响应函数（Impulse Response Function）是指系统对其中某一变量 的一个冲击或新生所做的反应。考虑一个p阶向量自回归（VAR）模 Yt B A1Yt 1 ApYt p t 型： 其中，Yt 是由内生变量组成的k维向量， Ai是系数矩阵，B是常数向量， t 是k维误差向量，其协方差矩阵为 。经过适当变化，上述模型可最 终表示为： 1
eview engle-granger test解读
eview engle-granger test解读
Engle-Granger 检验是一种常用的协整检验方法，用于检验两个或多个时间序列之间是否存在长期稳定的关系。
协整是指两个或多个非平稳时间序列的线性组合是平稳的。
如果两个时间序列是协整的，则它们之间存在长期稳定的关系，即它们在长期内具有共同的趋势。
Engle-Granger 检验是通过检验残差序列是否平稳来判断两个时间序列是否协整。
Engle-Granger 检验的步骤如下：
1. 假设两个时间序列X 和Y 存在协整关系，即它们之间存在长期稳定的关系。
2. 对X 和Y 进行回归，得到回归方程：Y = a + bX + e，其中
e 是残差序列。
3. 对残差序列e 进行单位根检验，如果残差序列是平稳的，则说明X 和Y 存在协整关系；如果残差序列是非平稳的，则说明X 和Y 不存在协整关系。
需要注意的是，Engle-Granger 检验只能检验两个时间序列之间是否存在协整关系，不能检验多个时间序列之间是否存在协整关系。
此外，Engle-Granger 检验的前提是时间序列是同阶单整的，如果时间序列不是同阶单整的，则需要先进行单整检验。
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。
- 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做单位根检验和格兰杰因果分析
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。
Granger因果关系检验法的基本思想很简单：如果X的变化引起Y的变化，则X的变化应当发生在Y的变化之前。
特别地，说“X是引起Y变化的原因”，则必须满足两个条件：第一，X应该有助于预测Y，即Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显著地增加回归的解释能力。
第二，Y不应当有助于预测X，其原因是如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他的变量，它们既是引起X变化的原因，也是引起Y 变化的原因。
要检验这两个条件是否成立，我们需要检验一个变量对预测另一个变量没有帮助的原假设，例如，要想检验“X不是引起Y变化的原因”的原假设，我们把Y对Y的滞后值以及X的滞后进行回归（称为无限制条件模型UR），再将Y只对Y的滞后值（有限制条件模型R）进行回归。
然后用联合检验F检验来确定X的滞后值是否对第一个回归的解释能力有显著的贡献。
如果贡献显著，我们就能拒绝原假设，认为数据与X是Y的原因相一致。
“Y不是引起X变化的原因”的假设也用同样的方法检验。
要检验X是否为引起Y变化的原因的过程如下：首先，检验“X不是引起Y变化的原因”的原假设，对下列两个回归模型进行估计：
无限制条件回归UR: 公式XXX
有限制条件回归UR: 公式XXX
然后用各回归的残差平方和计算F统计量，检验系数是否同时显著地不为0。
如果是这样，我们就拒绝“X不是引起Y变化的原因”的原假设。
F联合检验XXX
然后，检验“Y不是引起X变化的原因”的原假设，做同样的回归估计，但是交换X与Y，检验Y的滞后项是中显著地不为0。
要得到X是引起Y变化的原因的结论，必须拒绝原假设“X不是引起Y变化的原因”，同时接受原假设“Y不是引起X变化的原因”。
单位根是否应该包括常数项和趋势项可以通过观察序列图确定，通过Quick-graph-line操作观察你的数据，若数据随时间变化有明显的上升或下降趋势，则有趋势项，若围绕0值上下波动，则没有趋势项；其二，关于是否包括常数项有两种观点，一种是其截距为非零值，则取常数项，另一种是序列均值不为零则取常数项。
第二，滞后阶数的问题。
最佳滞后阶数主要根据AIC SC准则判定，当你选择好检验方式，确定好常数项、趋势项选择后，在lagged differences栏里可以从0开始尝试，最大可以尝试到7。
你一个个打开去观察，看哪个滞后阶数使得结论最下方一栏中的AIC 和SC值最小，那么该滞后阶数则为最佳滞后阶数。
单位根检验、协整检验与格兰杰检验的关系
实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平
稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。
若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。
如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。
一、讨论一
1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验
A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性
B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）
4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别
二、讨论二
1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。
所以，非平稳序列的因果关系检验就是协整检验。
3、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。
2）协整检验中要用到每个序列的单整阶数。
3）判断时间学列的数据生成过程。
三、讨论三
其实很多人存在误解。
有如下几点，需要澄清：
第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。
第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。
第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。
第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。