EViews软件操作方法.ppt

数量经济软件w 其他参考文献：其他参考文献：《《EViews计量经济软件包用户指南计量经济软件包用户指南 》》 帮助系统（英文） 用户指南（英文）pdf格式《《 Eviews使用指南与案例使用指南与案例 》》张晓峒 机械工业出版社 2007年，年，2 35元一. EViews软件使用初步1.EViews简介2.EViews基础3.序列操作4. 范例： EViews的基本操作1. EViews简介w计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、运用模型进行预测、求解模型和运用模型wEViews是 美 国 GMS(Quantitative Micro Software)公 司1981年发行第1版的Micro TSP(Time Series Processor)的Windows版本，通常称为计量经济学软件包w正是由于EViews等计量经济学软件包的出现，使计量经济学取得了长足的进步，发展成为实用与严谨的经济学科EViews的功能vEViews的基本功能v EViews是Econometrics Views的缩写，它的本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。

v 使用 EViews软件包可以对时间序列和非时间序列（截面数据、面版数据）的数据进行分析，建立序列（变量）间的统计关系式-方程v 利用方程进行结构分析、预测、模拟等等vEViews的操作模式：交互处理与批处理（程序控制）EViews的安装与启动w安装：n程序文件（英文）n帮助文件（英文）w启动：n单击任务栏中的开始开始按钮，选择 程序 中的EViews进入EViews程序组，选择EViews程序；n双击桌面上的Eviews快捷方式图标；n双击已建立的Eviews文件（workfile 文件）名称EViews窗口介绍菜单栏标题栏命令窗口控制按钮信息栏路径状态栏主工作区在这里显示各个对象窗口EViews 的菜单w主菜单栏上共有9个选项： File，Edit，Objects，，View，，Procs，，Quick，Options，Window，Helpw用鼠标点击可打开下拉式菜单（或再下一级菜单），点击某个选项响应对应的操作wFile、Edit、 Options、 Window、Help的功能与Word, Excel等其他应用软件的相应功能相似EViews的菜单wObjects：对象对象是指有一定关系的信息或算子捆绑在一起供使用的单元。

如序列(series) 、方程（equations)、模型(Modeles)、系数(coefficients)等对象都放置在对象容器中，其中工作文件（workfile）是最重要的对象容器wView与Procs：Objects可以不同形式浏览和处理视图与过程的下拉菜单的项目随着当前的窗口不同而改变，上下文相关，主要涉及变量的多种查看方式和运算过程wQuick：提供快速分析过程，包括常用的统计分析方法，回归模型，时间序列模型以及各种重要检验 EViews 的工作方式w交互式操作w批处理方式（1）图形界面导向方式；（2）简单命令方式；（3）命令参数方式 [(1)与（2）相结合)] ；交互式批处理（4）程序运行方式（采用EViews命令编制程序）2. 2. EViews 基础wEViews的基本操作n建立工作文件：File/New/Workfilen在Workfile中显示对象：选中对象View/Show或者，直接双击对象n显示序列图形：打开序列View/Graph… 可改变图形设置n建立方程：Objects/New Object/Equation 常用组常用组group建立方程建立方程n分析估计结果：了解各参数的含义 EViews的基本操作w工作文件n用户与 Eviews 对话期间保存在内存中的信息，包含进程中调入与建立的全部命名对象。

w进入EViews后的第一件工作应从创建新的或打开原有的工作文件开始nWorkfile的文件扩展名：.wflw结束工作时，应将工作文件保存到磁盘结束工作时，应将工作文件保存到磁盘Eviews中的对象工作文件（对象容器）Eviews 的对象视图、数据成员过程、估计方法建立工作文件的方法w交互操作：点击 File/New/Workfilew命令格式：wfcreate <工作文件名> 缺省文件名是Untitled.wflw确定工作文件结构类型对话框：n选择数据类型和起止日期，并在出现的对话框中提供必要的信息：适当的时间频率（年、半年、季度、月度、周、日等）n开始日期是序列数据中最早的日期；结束日期是最晚日期，非时间序列提供观测值个数n以后还可以对这些设置进行更改建立工作文件w点击 File/New/Workfile 弹出会话框：建立工作文件w时间序列数据、Dated 数据频率表达方式：nAnnual 年度：如96（1969），2005nSemi-annual 半年：如1990:1, 2005:2nQuarterly 季度：如2003:1，2005:4nMonthly月度：如1999:1，2000:6, 2005:12nWeekly 周：起始和终止日期都是日期nDaily[5] 每周5天的第一天nDaily[7] 每周7天的第一天n日期：（美国格式）月:日:年 如，3:10:2005wUnstrucured or Undated 非时间序列数据： 给出样本个数， 如，1, 50演示 wfcreate工作文件窗口4打开的工作文件是EViews的子窗口。

4目录显示该工作文件的所有对象的图标：h双击对象可以打开对象窗口；h右击对象可以弹出快捷菜单，选择某种操作；h要同时选择多个对象，按住Ctrl键同时单击要选择的对象工作文件窗口信息栏标题栏工具条控制按钮对象小图标EViews中的对象wEviews中的信息集成在对象中w每个对象都包含与一个特定分析领域有关的信息Objects可以不同形式浏览和处理w与每类对象相关联的是一系列视图（Views）和过程（Procedure），它们和对象中的信息一起使用w这种视图、过程与对象中的数据的相关联被称为面向对象的Eviews 设计Eviews 中的对象wEviews 5.0 提提供供了了17个个以以上上Object：ßEviews 中的对象w选择选择 Object/New Object…Eviews 中的对象w工作文件一开始其中就包含了两个对象：n系数向量c（保存估计系数用）n残差序列 resid（实际值与拟合值之差）w小图标上标识出对象的类型， ß是系数向量，曲线图 是序列w选择Views后双击鼠标左键，或直接使用Eviews 主窗口顶部的菜单选项，可以对工作文件和其中的对象进行处理。

工作文件窗口工具条上的按钮wViews 视图按钮、Procs 过程按钮（最常用最常用）wObject 对象操作wSave 保存工作文件、Print 打印wDetail+/- 细节开关wShow 显示所选中的对象 wFetch、Store 读取、存储到数据库文件wDelete 删除选择的对象wGener 利用已有的序列生成新的序列wSample 设置观察值的样本区间w从工作文件目录中选取并双击对象，便可展示和分析工作文件内的任何数据在Eviews中创建对象w交互方式创建对象：Objects / New Objectsn选择序列：Seriesn选择多个序列，建立组（群）：Group (是一个框架)对象的命名：16个西文字符以内n 对象命名不可与系统保留的对象名重名对象命名不可与系统保留的对象名重名w命令方式：nSeries 序列名nGenr 新序列名=已有序列，或公式nGroup 组名 序列名 1序列名2 … n演示 Genr e=@abs(resid) 在Estimate之后立即立即保存!w复制对象： Objects / Copy SelectedEviews中对象的过程w大多Eviews 对象还包括过程（Procedure）。

w与视图一样之处：n过程通常以对话框的形式显示在对象窗口中；n与视图不同之处：n过程改变数据，可能是对象本身中的也可能是其他对象中的数据很多过程还创建新的对象l如序列含有进行平滑与季节调整的过程，可以创建一个新的含有平滑以及调整后的数据的序列.l方程对象的过程可以建立新的序列来包含残差、拟合值、以及预测w可以用主菜单上的Procs或对象窗口工具栏上的Procs来选择过程演示Eviews中对象的过程wEviews对象的视图(views)不是独立的Objects，它们是相应对象属性的可视化表现，因此随原变量序列的改变而改变wViews => Objectsn如果想将某个View 转换成一个独立的Objects，可使用freeze按钮将该view “冻结”，从而形成一个独立的Object，然后可对其进行编辑或存储（快照）输入和编辑数据w向序列输入数据有三种基本方法：ndata 命令方式n鼠标图形界面方式n数据导入（import）w 1、命令方式：data <序列名1> <序列名2>......<序列名n> 序列名之间用空格隔开n多个序列名组成“组” 建立空序列，在空序列中手工输入数据。

n可根据习惯点击Transpose改变数据按列或行的显示形式输入和编辑数据输入命令，回车数据编辑窗口工具条序列名称输入的数据输入和编辑数据2、交互式方式多种打开序列的方法：n直接双击序列图标；n在工作文件窗口，选中序列：View/Open Selected/One WindowShown在主窗口：Quick/Show进入数据编辑窗口，点击开关按钮Edit+/-改变数据编辑状态，输入数据n适合添加或修改少量数据，大量数据用导入/导出从Excel工作簿中导入数据3、从Excel .xls中导入数据（ import）n点击Procs/Import/Read Text-Lotus-Exceln选择Excel .xls文件（可能不能识别中文，包括目录）nExcel .xls文件必须先关闭常给出Excel文件中连续的序列的个数或者，序列名称（如果事先没有创建序列，则按Excel中B1行名称导入） 左上角单元格按列还是按行读取数据导入范围从Excel工作簿中导入数据w分析能源消费与经济增长关系 w数据：1978-2008年实际GDP（单位：亿元）、能源消费（单位：万吨标准煤）w有两个时间序列数据存放在Energy的Excel工作簿中：realGDP Ecsu w试做方程：realGDP=  + *Ecsuw点击Procs/Import/Read Text-Lotus-Excel导入后生成两个序列：nrealGDP 改名为 rgdpnEcsuw导入后需查看数据是否正确，然后 save 为energy.wf13.3. 序列操作w序列窗口常用操作：nViewnProcsnObjectsnNamenFreezenEdit+/-nInsDeln下拉框-显示百分比变化、对数等形式nLabel+/-nWide+/-nSmpl+/-nTitlenSort 排序显示3.3. 序列操作w通过命令打开视图：nObject名称名称.View名称名称n例如， rgdp.sheet ecsu.linew通过命令执行过程：nObject名称名称.Procs名称名称(选项选项) 参数参数n例如，gdp .seas(m) adjgdpn按乘方法对序列gdp进行季节调整并将结果保存到新序列adjgdp中。

3.3. 序列操作（（1））指定样本区间Smpl、Sample（（2）） 根据已有序列生成新序列Genr（（3）） 序列的描述统计分析View（（4）） 扩展工作文件Procs/Resize Current page…设定样本范围w工作文件窗口、序列窗口、序列组窗口工具栏：Sample按钮或工作文件窗口set sample-不生成样本范围对象，临时指定工作文件当前样本样本范围序列窗口 Procs/ resample 生成一个新序列(子序列)wSmpl 命令-弹出会话框临时指定工作文件样本范围简化输入的函数： @all 整个工作文件 @first 工作文件第一个观测值 表达式：@firs+5 @last 工作文件最后一个观测值 表达式：@last-5 Smpl @first @lastSmpl @first+1 @last-1smpl 1 31 if x>3 and x<>NA样本对象创建样本对象：生成样本对象，供随时调用wSample 命令命令 弹出会话窗口w Sample 起点 终点 if 条件w Object/New Object… 选择 Sample 例1 上部分 91 2008 (20世纪可用2位数字表示) 下部分 GDP>30000 例2 上部分 81 2010 下部分 CONSUME >1.1*CONSUME(-1)样本对象w创建样本对象目的是在不同样本区间进行研究。

w调用样本对象调用样本对象：n双击样本对象名，打开样本范围对象， 选中“Set workfile sample equal to this.”n或命令 Smpl 样本名 或 Smpl+/- 开关 w扩展工作文件扩展工作文件 在追加数据或进行预测时，用来扩展工作文件的样板区间Work file：Procs/Resize current page… 命令：Expand （2） 根据表达式（可包含已有序列）生成新序列 Genr 按钮-通过等式生成样本命令： Genr 序列名=表达式 series 序列名=表达式例：Genr E1=resid Genr ee=@abs(resid) Genr GDP_sd=@pch(GDP) 根据表达式生成新序列one-period percentage change (in decimal)例： genr lngdp=log(rgdp) *实际是自然对数ln smpl 78 2008 genr y=@trend+1978 genr D1=y>=1998 –可用作虚拟变量 genr t=1 smpl 79 2008 genr t=t(-1)+1根据表达式生成新序列否则回全部生成NA根据表达式生成新序列w公式中的运算符和函数w缺值NA（Not available code）w特殊函数w回归统计@函数w其他@函数w通过多次使用Genr命令可以拼接生成一个新序列使用表达式wEviews不仅提供了标准的数学运算和统计运算, 也提供了很多能够自动处理时间序列中的先行、滞后、差分等操作的特殊函数。

w运算符n基本算术运算符 + +、、- -、、* *、、/ /、、^ ^(幂), n+、-还可以作为符号运算符来使用w比较运算符 <、、 >、、<=、、 >=、、 =、、 < > w序列函数序列函数nEviews提供的函数能够对当前样本的序列元素进行运算，Eviews中大多数函数前都有一个@符号w先行指标、滞后指标先行指标、滞后指标§处理序列中的先行、滞后指标只要在序列名后加一对小括号;§滞后的数字用负号，先行的用正数表示§例如：gdp(-1) concume(-1) income(+1) Ls comsume c income condume(-1) Ls comsume c income concume^2 使用表达式表示消费递减使用表达式w逻辑表达式逻辑表达式n逻辑表达式能作为数学表达式的一部分、样本描述的一部分或在程序中作为 if 判断的一部分n注意：Eviews用1表示真，用0表示假n复合逻辑表达式用 AND OR例如：genr D1=y>=1998 –1998年之前为0，之后为1 w差分差分nD函数和DLOG函数可以处理差分或先取对数后作差分。

例如：genr dgdp=d(rgdp) genr dlgdp=dlog(rgdp) 标量操作w标量与序列或组不同，它没有显示窗口，只能通过命令方式来建立例如： nscalar W=8nscalar Y=@MEAN(X) 均值nscalar Z=@VAR(X)总体方差 2= (X-)2/nw标量对象的图标为#号w用show 命令，系统会在Eviews窗口底下状状态态行行显示标量对象的值3.3. 序列操作（3）序列的描述统计分析Viewn描述统计分析Descriptive Statisticsn描述统计检验Tests for Descriptive Statisticsn分布图Distribution Graphs描述统计量w序列窗口View下拉有Descriptive Statistics （描述统计量），选择Histogram and Stats（直方图及统计量）w直直方方图图显示序列数据的频数分布，给出标准的描述统计量：n中位数 (median) 即从小到大排列的序列的中间值n标准差（Standard Deviation）序列的离散程度n偏度S（Skewness） 分布围绕其均值的非对称性。

S=0序列的分布对；S>0序列分布有长右拖尾， S<0序列分布有长左拖尾描述统计量n峰度K（Kurtosis）反映平均数附近数据点的集中程度，分布的凸起或平坦程度：正态分布的K值为3如果K>3，分布的凸起程度大于正态分布；如果K<3，序列分布相对于正态分布平坦nJarque-Bera 检验序列是否服从正态分布在正态分布的原假设下，Jarque-Bera统计量是自由度为2的 分布概率值p是Jarque-Bera统计量拒绝原假设下犯第一类错误的概率，称为检验的相伴概率相伴概率 若p≈0，则拒绝原假设，即不服从正态分布描述统计量w可以通过函数返回公式输出的标量数值：序列Y的观测值数目 @obs(Y)@mean(Y) @median(Y) @min(Y) @max(Y) @sum(Y) @sumsq(Y) @var(Y) @stdev(Y) w计算样本方差的无偏估计值：@var(Y)*(@obs(Y)/(@obs(Y)-1)) 或 @stdev(Y)^2 样本标准差的平方方差的自由度就是方差的自由度就是(n-1)相关图及单位根检验wCorrelogram（相关图）：n 给出了自相关函数与偏相关函数的数值与图表，可以在它的对话框中选择最大滞后阶数，以及是否对序列进行差分。

wunit root test（单位根检验）n在进行时间序列之前应对每一个序列进行单位根检验来确定它的平稳性Eviews 提供了两中单位根检验ADF and PP）可以在单位根检验的对话框中选择描述统计量检验w序列窗口View下拉有Tests for Descriptive Stats （描述统计量检验）：nSimple Hypothesis Tests（简单假设检验）原假设分别为给定均值Mean、方差Variance、中位数Median如果已知序列标准差，也可给出nEquality Tests by Classification（分组齐性检验）主要利用方差分析方法计算各组数据的组内和组间的差异与分组描述统计过程类似二.线性回归分析1、序列组的建立与检验2、回归模型的建立与分析1、序列组的建立w命令方式：ngroup group_name ser1 ser2 ser3nShow w交互方式：n×主菜单中选Object/New Groups后输入序列名称或表达式n√先选中一个序列，然后按住Ctrl键选择其他序列；双击选中区，从弹出的快捷菜单中选择Open GroupnSave组对象的视图w组窗口内的View下拉菜单分为四个部分：n第一部分包括组中数据的各种显示形式。

n第二部分包括各种基本统计量n第三部分为时间序列的特殊的统计量n第四部分为标签项，提供组对象的相关信息组中数据的各种显示形式wGroup Members 可用于增加、修改组中的序列wSpreadSheet以电子数据表的形式显示数据wDated Data Table 将使时序数据以表的形式显示组中的每一个序列n单击Transpose按钮，可以使表格的行列互换wGraph以各种图形的形式显示数据wMulti Graph 以多图的形式显示组中数据组中数据常用统计量wDescriptive Statistics （描述统计量）：nCommon Sample …用于在组中序列无缺失值的情形下计算统计量（去掉包含缺失项所在时期的样本）l如均值、方差、偏度、峰度、J-B统计量（用于正态性检验）等nIndividual Samples …用每一个序列有值的观测值进行统计量计算（去掉缺失项）wTests of Equality（齐次检验）：n检验组中序列是否具有同方差、同均值或相同中位数的假设检验结果2、线性回归模型的建立1.线性回归分析——普通最小二乘法LSw系数是线性系数是线性的方程称为线性方程：nY=b0 + b1X1+ b2X2 ++ bkXk+ enY=b0 + b1X + b2X2 ++ bkXk + e变量是非线性的，但它仍然是线性方程。

变量是非线性的，但它仍然是线性方程因为，令因为，令X1=X1,X2=X2,  ,Xk=Xk，，就化成线性方程就化成线性方程n二次函数和双曲函数仍然是线性方程二次方程：Y=a+bX+cX2双曲函数：Y=a+b/X2、线性回归模型的建立n双对数方程： lnY=lna+blnX 可以表述为幂函数双对数模型的弹性=b弹性是指一个变量对另一个变量微小的百分比变动所作出的反应2、线性回归模型的建立w线性回归分析——普通最小二乘法OLSw交互方式建立方程交互方式建立方程：n√常用在Group窗口中单击Procs/Make Equationn或 WFL菜单Object/New/Equationn或 主菜单Quick \Estimate Equations弹出定义方程对话框w命令格式命令格式：LS <因变量名> <自变量序列1>……<自变量序列n>如 LS Y C X 即 Y =  + x + u也可写成：LS Y=C(1)+C(2)*Xw最小样本容量： 样本最小容量必须不少于模型中解释变量的数目（包括常数项）即 n   k+1w满足基本要求的样本容量：经验表明，当 n - k  8 时t分布较为稳定，检验才较为有效。

一般经验认为，当n  30 或者至少n  3(k+1) 时，才能满足模型估计的基本要求样本容量问题一元线性回归--估计消费函数依据凯恩斯理论：设定理论模型： consume =  +  *urban_incw2006年国内31个省市城镇居民数据w相关系数：Group中的View/Correlations 0.985606w通常情况下，相关系数：n|r|>0.95 存在显著性相关；n|r|0.8 高度相关；n0.5 |r|<0.8 中度相关；n0.3 |r|<0.5 低度相关；n|r|<0.3 关系极弱，认为不相关一元线性回归--估计消费函数w观察消费性支出与可支配收入的 散点图：l交互：Group中的View/Graph/Scatterl命令：Scat urban_inc consume 回车带有拟合线的散点图w交互：Group中的View/Graph/Scatter包括四种散点图：1、Simple Scatter（简单散点图）其第一个序列在水平轴上，其余的在纵轴上2、Scatter with Regression（回归散点图回归散点图） 在组中对第一个序列及第二个序列进行总体变换进行二元回归。

选择 Robustness lterations（稳健迭代）最小二乘法对一些无关观测值的存在非常敏感，稳健叠代操作产生一种对残差平方的加权形式，使无关的观测值在估计参数时被加最小的权数带有拟合线的散点图3、Scatter with Nearest Neighber Fit（最邻近拟合散点图）n一种带宽基于最邻近点的局部回归对样本中的每一个数据点，拟合出一条局部的经过加权的回归线4、Scatter with Kernel Fit（核拟合分布）n核拟合固定带宽且局部的观测值通过核函数加权n局部核拟合通过选取参数β使总体二乘残差最小nMethod分为精确和线性单元两种方式定义方程对话框序列名，用空格隔开，第一个变量为被解释变量，后面跟解释变量列表也可写成：consume = incC(1)+C(2)*urban估计的样本区间使用的估计方法因为2006年国内31个省市城镇居民消费模型是截面数据，无须因果关系检验n在Group窗口中单击Procs/Make Equation查看方程w在Equation窗口中单击View/Representations：Estimation Command:=====================LS(W=1/E1^0.5) CONSUME C URBAN_INCEstimation Equation:=====================CONSUME = C(1) + C(2)*URBAN_INCSubstituted Coefficients:=====================CONSUME = 292.0023476 + 0.714518775*URBAN_INCw模型参数估计量的表示： Equation窗口中的Views / Representations 得表达式： consume = 292.00 + 0.71*urban_inc 收入增加1元时，消费增加0.71元。

一元线性回归--估计消费函数边际消费倾向MPCw查看统计学检验查看统计学检验： Equation窗口中的Views / Equation Output模型的可靠性检验假设检验w统计学检验--回归假设检验n估计得到的参数是一个随机变量（随抽样不同而不同），因此有必要讨论参数估计量的性质w计量经济学检验--检验是否违背基本假定n是对随机扰动项是否满足基本假定的假设检验回归模型的统计检验w统计检验包括三方面内容：n变量显著性检验变量显著性检验 t-Statistic n拟合优度检验拟合优度检验 R-squared， Adjusted R-squared n方程显著性检验方程显著性检验 F-statisticn查看的次序不限Eviews 输出的估计结果wEquation窗口中的Views / Equation Outputn共分3个部分，顶部总体处理信息：Dependent Variable: CONSUMEMethod: Least SquaresDate: 09/16/03 Time: 12:29Sample: 1 31Included observations: 31因变量（被解释变量）观察值个数样本范围方法参数估计值参数为0的t检验Eviews输出的估计结果n中部关于系数的估计及其检验：Variable Coefficient Std. Errort-Statistic Prob. C 281.4993 268.9497 1.046662 0.3039Urban_INC 0.714554 0.022760 31.59529 0.0000估计值的标准差Prob>|T|的p值拒绝原假设的最低显著性水平R-squared 0.971419 Mean dependent var 8401.467Adjusted R-squared 0.970433 S.D. dependent var 2388.455S.E. of regression 410.6928 Akaike info criterion 14.9359Sum squared resid 4891388 Schwarz criterion15.02842Log likelihood -229.5066 F-statistic985.6616Durbin-Watson stat 1.461502 Prob(F-statistic)0.000000Eviews输出的估计结果n下部统计汇总：拟合优度残差平方和F值Prob>F的P值统计检验wt 检验的假设为n常数项（截距）的检验：H0: =0 　H1:  0n多元线性回归：H0: i=0 H1: i 0wF 检验（方差分析）的假设为n多元线性回归：H0: 1= 2=…= m=0nH1: 1， 2，…， m中至少有一个不等于零n因此方差分析的结论是线性回归方程是否显著，是否有意义。

统计检验实用经验w实用经验n样本个数 n 如果大到一定程度 (n≥30)，nt 值只要大于2.0，就可以将回归系数判定为显著n因为，通常在利用5%的显著水平(双侧检验)，如果自由度在28以上(即一元回归的n≥30)，则将小数第二位四舍五入，t 全部等于2.0n即使自由度=∞时，1.96≈2.0n当待验回归系数非常多时，利用这种方法比较方便，不用特意去查t分布表回归模型的统计检验（1）对各个回归系数进行t检验， Prob：实际显著性水平（双侧检验）的p值，当p值小于给定的显著性水平时，拒绝零假设，说明该自变量对因变量作用显著；否则该系数与0无显著差异，应重新选择估计方法或重新设计2）查看拟合优度：判定系数R2和调整后的判定系数 调整的判定系数系数R2避免片面增加解释变量的倾向 不要片面追求拟合优度不要片面追求拟合优度3） F检验：对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作推断R2越大，Ｆ值越大 对整个方程进行整体检验， Prob(F-stastic)：F检验的实际显著性水平, 即p值，判断回归方程是否成立Eviews输出的估计结果R-squared Mean dependent varS.D. dependent varSum squared resid S.E. of regressionF-statistic模型的代表性分析w拟合优度或称判定系数、可决系数R2在总离差平方和中,由解释变量X做出解释部分所占的比例 0  R2   1 SST=SSR+SSE (TSS) (ESS) (RSS)wR2   0.8为好,但在用截面数据时，即使模型令人满意，R2值仍可能很低，原因是各观测值之间存在较大的变差。

模型的代表性分析w调整(修正)的可决系数Adjusted R-squared R2n用于多元回归，由增加解释变量个数引起的R2的增大与拟合好坏无关在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是调整的思路是：将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响n其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度 可能为负可能为负赤池信息准则和施瓦茨准则w为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有：n赤池信息准则 （（Akaike information criterion, AIC）） AIC=(-2L/n) +(2k/n) L—对数似然值n施瓦茨准则 （（Schwarz criterion，，SC））w这两准则均要求 仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量模型的代表性分析估计结果的分析：Equation窗口中的Viewsw利用Equation视图中工具条View，可以显示估计方程、估计方程的统计结果、以图或表的形式显示数据的实际值、预测值和残差。

w查看残差图 Equation视图的Views / Actual, Fitted, Residual方程的残差存储于resid 序列对象中，可象普通序列一样直接使用最好保存下来，避免被估计其他方程时被覆盖 观察图形，对异方差性和序列相关性有大致判断计算Eviews 的估计结果w可以通过函数返回公式输出的标量数值判定系数@r2 如 Scalar r2=eq1.@r2 回归标准差@se 残差平方和@ssrF统计量的值@f 样本容量@regobs因变量均值@meandep 因变量标准差@sddep估计系数的个数@ncoef 第i个系数的估计值@coefs(i) 第i个系数的估计标准差@stderrs(i)第i个系数的t统计量的值@tstats(i)第i个与第j个系数的协方差@cov(i,j) 协方差矩阵@covw返回向量：系数标准差@stderrs 系数值@coefs 系数t统计量的值@tstats参数估计量的置信区间w创建一个向量保存计算结果 命令vector(10) resultw计算双尾5%显著水平下的t值： 函数@qtdist(p,v)result(1)=@qtdist(.975,(eq01.@regobs - eq01.@ncoef))如果当前的默认公式是eq01,则可省略。

w计算95%置信度下斜率的置信区间： result(2)= @coefs(2) - result(1)*@stderrs(2) result(3)= @coefs(2) + result(1)*@stderrs(2) CONSUME = 238.47 + 0.75* Urban_INC边际消费倾向在95%置信度下置信区间：(0.68 , 0.81)从向量中取值估计系数的个数样本容量计量经济学检验w计量经济学检验计量经济学检验n稳定性检验n异方差n多重共线n序列相关拟合回归“直线”的性质w方程的残差存储于Resid的序列对象中w可象普通序列一样直接用于检查拟合回归“直线”的性质：演示1、拟合值的均值等于因变量的实际均值；2、残差和等于零，即残差的均值为0；3、残差与拟合值不相关；4、残差与每一个自变量都不相关；5、回归直线过X、Y的均值点；拟合回归“直线”的性质....y4y1y2y3x1x2x3x4}}{{û1û2û3û4xyfitted valueactual value.拟合回归“直线”的性质②②残差和为零残差和为零④④自变量与残差不相关自变量与残差不相关①①平均数相等平均数相等③③拟合值与残差不相关拟合值与残差不相关⑤⑤回归直线过回归直线过 点点拟合回归“直线”的性质演示w Show consume consumef urban_inc resid View/Descriptive Stats/Common Sample残差和为零、① ① 拟合值的均值等于因变量的实际均值② ② 残差和为零 演示 View/Correlations拟合回归“直线”的性质w⑤ ⑤ 回归直线过均值点： Scalar YM=@mean(Y) Scalar YM1=C(1) + C(2)* @mean(X) Scalar a=ym-ym1 a 应当等于0从系数向量中取值③ 拟合值与残差不相关④ 自变量与残差不相关 consume = 281.50 + 0.714554* Urban_INCeq1 t=( 1.05 31.40 ) p=( 0.3946 0.0000 ) R2=0.949146修正拟合方程t检验没有通过w由于数据来自截面资料，存在 异方差性异方差性（后讨论）n选择加权最小二乘法加权最小二乘法n权重序列取残差绝对值平方根的倒数，得：eq2 consume = 292.00 + 0.714519* Urban_INC p=( 0.00 0.00 ) R2=0.999138w回归标准差也有很大改善。

利用拟合方程预测 预测步骤w把原来的工作文件频率范围扩展为1到33n选择Procs/Structure Resize Current page… n或 用命令 Expand 1 33w添加解释变量的值（Urban_INC) Edit+/- NA => 22000 NA => 24000 预测：Procs/Forecast 或工具栏 Forecast 按钮生成预测序列：当收入达22000时，平均消费16011；当收入达24000时，平均消费17440预测的平均绝对百分比误差达4.01% 演示利用拟合方程预测w预测：Procs/Forecast的选项nDynamic 选项利用滞后左变量以前的预测值来计算当前样本区间的预测值nStatic 选项是利用滞后左变量的实际值来计算预测值（选项只有在实际数值可以得到时可用），当方程中不含有滞后被解释变量 或 ARMA项时，两种方法出结果相同，所以在Eviews中不提供选择n用Output可选择用图形或数值来看预测值，或两者都用以及预测评价指标（平均绝对误差等）nS.E.(Optional) 将预测标准差项保存为序列。

利用拟合方程预测w因变量平均值的点预测w因变量平均值的区间预测 置信水平为 1- 的预测区间为：w通常在利用5%的显著水平(双侧检验)，如果自由度在28以上(即一元回归的n≥30)，则将小数第二位四舍五入，t全部等于2.0 df= 时，t=1.96w模型研制者的任务是尽可能地缩小置信区间缩小置信区间利用拟合方程预测XtXT+1Yt点预测预测区间点预测与预测区间利用拟合方程预测给出近似95%的置信区间对预测的评价指标w事后模拟是将预测数列与实际数列直接进行比较，根据两者的接近程度进行预测评价w预测时选中保存标准差到序列 SE Genr High=csf+2*SE Genr Low =csf-2*SE 预测值保存的序列名 Show consume csf High Loww下面给出事后模拟预测事后模拟预测评价的若干指标对预测的评价指标2、平均绝对误差百分比 (MAPE Mean Abs. Percent Error)：一般认为， MAPE<10 时预测精度较高1、均方根误差(RMSE Root mean Squared Error)：其中 为Yt 的模拟(simulate)预测值，即回归拟合值。

为Yt的实际值(actual)，T为时点数(或样本区间)对预测的评价指标3、Theil不相等系数(记为IC Inequality Coefficient)：其的分子就是RMSE，分母是因变量模拟值与实际值的样本二阶原点矩的算术平方根 如果Theil不相等系数 IC=0，说明完全拟合 如果 IC=1，则模型的预测能力最差其中样本的均值、方差和相关系数采用常规符号定义以下不相等比例指标： 4、偏差率（Bias Proportion）均值偏差率BP表明模拟数列与实际数列的系统误差系统误差如果BP的值过大（超过超过0.1或或0.2）意味着存在系统误差，需要对模型进行修正对预测的评价指标可以把模拟值与实际值的平均离差平方分解为： 对预测的评价指标5、方差率（Variance Proportion） 方差率VP表明模拟值拟合实际变化程度的能力如果VP的值过大意味着两者的波动程度存在较大差异（一大一小），需要对模型进行修正6、协变率（Covariance Proportion） CP=1-BP-VP CP度量非系统误差， 反映了两者的相关性，越接近1越理想。

对预测的评价指标 财政收入模型比较： 最好的eq8 最差的 eq2远超过0.2，应修正模型利用拟合方程预测w预测时可以选中保存标准差到序列 SEw事前预测：对样本以外或尚未发生的数据或事件所作的估计是对被解释变量的是对被解释变量的预测值的估计值预测值的估计值w事后预测：如果X0包含在样本内，则预测值实际上就是拟合值w均值预测（mean prediction）：给定自变量的值，预测因变量的均值，◆ 个值预测（individual prediction）：给定自变量的值，预测与之对应的因变量的个别值，预测的置信区间平均值和个别值的点预测相同点预测相同，但区间预测不同w均值预测的方差：w个值预测的方差：w因此，均值预测的区间估计：w个值预测的区间估计：预测的置信区间w 的计算： Scalar sx2 = n*@var(x)或 Scalar sx2 = (n-1)*(@stdev(x))^2w 的计算：多变量时从方程输出中读取Sum squared resid的值除（n-2）@sumsq(resid)/(n-2)或 @sew 的计算： Scalar xx2= (x(32) -@mean(x))^2 预测的置信区间w综合计算：Genr u2= resid* residScalar n=@obs(u2)Scalar se1=@sqrt(@sum(u2)/(n-2)* (1/n +(X(32) -@mean(x))^2/(n*@var(x))))或 Scalar se1=@sqrt(@se* (1/n +(X(32) -@mean(x))^2/(n*@var(x))))Scalar se0=@sqrt(@sum(u2)/(n-2)* (1+1/n +(X(32) -@mean(x))^2/(n*@var(x))))Scalar f0=@elem(yf, "32")或 Scalar f0 = Yf(32)预测的置信区间w在eq2为默认公式时计算Scalar ： YF_H=Yf(32)+se1*@qtdist(.975,(@regobs-@ncoef)) YF_L =Yf(32)-se1*@qtdist(.975,(@regobs-@ncoef))当收入达22000时，平均消费的平均值16011.42 ，均值预测的95%置信区间(15528.20,16495.91)YF_H0=Yf(32)+se0*@qtdist(.975,(@regobs-@ncoef))YF_L0 =Yf(32)-se0*@qtdist(.975,(@regobs-@ncoef))个值预测的置信区间(14983.35，17040.75)计算t值的函数需要掌握的内容w多做练习w需要掌握的内容：1．掌握线性最小二乘法估计的流程2．认识最小二乘法估计结果中的各种统计量的含义与定义3．计算估计参数与预测的置信区间4. 所得结论的经济学解释。