超詳細(xì)的eviews操作手冊(cè)-資料下載頁(yè)

　　

【正文】 未命名組、在工作文檔中以序列形式保存回歸中的殘差。 三、缺省方程 我們可以包方程的結(jié)果儲(chǔ)存起來(lái)以便在以后的大量計(jì)算中使用。未命名方程不能儲(chǔ)存在工作文檔中。你可以使用方程工具欄中的Name鈕來(lái)命名方程。工作文檔被存儲(chǔ)時(shí)，方程也會(huì)被存儲(chǔ)。四、方程的殘差缺省方程的殘差存儲(chǔ)于RESID的序列對(duì)象中。RESID可以象普通序列一樣直接使用。五、回歸統(tǒng)計(jì)量 你可以通過(guò)@函數(shù)指向前面描述的各種回歸統(tǒng)計(jì)量。 六、存儲(chǔ)和獲取一個(gè)方程方程可以和其他對(duì)象一起以數(shù)據(jù)或數(shù)據(jù)庫(kù)文件形式存放在磁盤中。你也可以從這些文件中取出方程。方程也可以從文檔或數(shù)據(jù)庫(kù)中拷貝粘貼出來(lái)或拷貝粘貼到數(shù)據(jù)庫(kù)或文檔中。 七、使用系數(shù)的估計(jì)值方程系數(shù)列在說(shuō)明窗口中。缺省時(shí), EViews 會(huì)使用系數(shù)變量C。167。多重共線性 如果自變量具有高度共線性， EViews在計(jì)算回歸估計(jì)時(shí)會(huì)遇到困難。在完全共線的情況下，回歸變量矩陣X不是列滿秩的， EViews會(huì)產(chǎn)生一個(gè)顯示“奇異矩陣”的錯(cuò)誤信息對(duì)話框。第十二章 其他回歸方法本章討論加權(quán)最小二乘估計(jì)，異方差性和自相關(guān)一致協(xié)方差估計(jì)，兩階段最小二乘估計(jì)（TSLS），非線性最小二乘估計(jì)和廣義矩估計(jì)（GMM）。這里的大多數(shù)方法在第十八章的方程系統(tǒng)中也適用。167。假設(shè)有已知形式的異方差性，并且有序列W，其值與誤差標(biāo)準(zhǔn)差的倒數(shù)成比例。這時(shí)可以采用權(quán)數(shù)序列為W的加權(quán)最小二乘估計(jì)來(lái)修正異方差性。加權(quán)最小二乘估計(jì)量為：要使用加權(quán)最小二乘法估計(jì)方程，首先到主菜單中選Quick/Estimate Equation…,然后選擇LSLeast Squares(NLS and ARMA),然后按Options鈕。接著，單擊Weighted LS/TSLS選項(xiàng)在Weighted 項(xiàng)后填寫權(quán)數(shù)序列名，單擊OK, 再選OK接受對(duì)話框并估計(jì)方程。167。（HAC）當(dāng)異方差性形式未知時(shí)，使用加權(quán)最小二乘法不能得到參數(shù)的有效估計(jì)。使用White異方差一致協(xié)方差或NeweyWest HAC一致協(xié)方差估計(jì)不會(huì)改變參數(shù)的點(diǎn)估計(jì)，只改變參數(shù)的估計(jì)標(biāo)準(zhǔn)差。可以把加權(quán)最小二乘估計(jì)與White或NeweyWest協(xié)方差矩陣估計(jì)相結(jié)合來(lái)計(jì)算異方差和序列相關(guān)。一、異方差一致協(xié)方差估計(jì)（White）White協(xié)方差矩陣假設(shè)被估計(jì)方程的殘差是序列不相關(guān)的。EViews在標(biāo)準(zhǔn)OLS公式中提供White協(xié)方差估計(jì)選項(xiàng)。打開方程對(duì)話框，說(shuō)明方程，然后按Options鈕。接著，單擊異方差一致協(xié)方差(Heteroskedasticity Consistent Covariance),選擇White 鈕，接受選項(xiàng)估計(jì)方程。在輸出結(jié)果中，EViews會(huì)包含一行文字說(shuō)明使用了White估計(jì)量。二、HAC一致協(xié)方差（NeweyWest）Newey和West (1987) 提出了一個(gè)更一般的估計(jì)量，在有未知形式的異方差和自相關(guān)存在時(shí)仍保持一致。NeweyWest估計(jì)量為： 其中要使用NeweyWest方法，在估計(jì)對(duì)話框中按Options鈕。在異方差一致協(xié)方差項(xiàng)中選NeweyWest鈕。167。一、EViews中進(jìn)行TSLS估計(jì)二階段最小二乘（TSLS）是工具變量回歸的特例。在二階段最小二乘估計(jì)中有兩個(gè)獨(dú)立的階段。在第一個(gè)階段中，TSLS找到可用于工具變量的內(nèi)生和外生變量。這個(gè)階段包括估計(jì)模型中每個(gè)變量關(guān)于工具變量的最小二乘回歸。第二個(gè)階段是對(duì)原始方程的回歸，所有變量用第一個(gè)階段回歸得到的擬合值來(lái)代替。這個(gè)回歸的系數(shù)就是TSLS估計(jì)。兩階段最小二乘估計(jì)的系數(shù)由下式計(jì)算出來(lái)： 要使用兩階段最小二乘估計(jì)，打開方程說(shuō)明對(duì)話框，選擇Object/New Object/Equation…或Quick/Estimate Equation…然后選擇Method中的TSLS估計(jì)。二、加權(quán)TSLS三、有AR誤差項(xiàng)的TSLSa)一階AR誤差b) 高階AR誤差c) 帶有MA誤差的TSLS估計(jì)167。假設(shè)回歸方程為：其中f是解釋變量和參數(shù)β的非線性函數(shù)。對(duì)于任何系數(shù)非線性的方程EViews自動(dòng)應(yīng)用非線性最小二乘估計(jì)。只要選擇Object/New Object/Equation, 然后輸入方程并單擊OK。EViews會(huì)使用迭代算法估計(jì)模型。迭代估計(jì)要求模型系數(shù)有初始值。選擇參數(shù)初始值沒有通用的法則。越接近于真值越好。在你開始迭代估計(jì)時(shí)，EViews使用系數(shù)向量中的值。很容易檢查并改變系數(shù)的初始值。要察看初始值，雙擊系數(shù)向量。如果想改變初始值，首先確定系數(shù)表使處于編輯狀態(tài)，然后輸入系數(shù)值。也可以從命令窗口使用PARAM命令設(shè)定初始系數(shù)值。只需輸入關(guān)鍵詞PARAM，然后是每個(gè)系數(shù)和想要的初值：param c(1) 153 c(2) .68 c(3) .15 167。（GMM）GMM估計(jì)的初始值是參數(shù)應(yīng)滿足的一種理論關(guān)系。其思想是選擇參數(shù)估計(jì)盡可能接近理論上關(guān)系。把理論關(guān)系用樣本近似值代替；并且估計(jì)量的選擇就是要最小化理論值和實(shí)際值之間加權(quán)距離。參數(shù)要滿足的理論關(guān)系通常是參數(shù)函數(shù)與工具變量之間的正則條件：，θ是被估計(jì)參數(shù)GMM估計(jì)量選擇參數(shù)估計(jì)的標(biāo)準(zhǔn)是使工具變量與函數(shù)f之間的樣本相關(guān)性越接近于0越好。用函數(shù)表示為：其中,A是加權(quán)矩陣；任何對(duì)陣正定陣A都是θ的一致估計(jì)。要用GMM法估計(jì)方程，或者用Object/New Object/Equation創(chuàng)建新方程，或者在已有的方程基礎(chǔ)上選Estimate鈕。從說(shuō)明對(duì)話框中選擇估計(jì)方法：GMM。要得到GMM估計(jì)，應(yīng)該寫出矩條件作為參數(shù)表達(dá)式和工具變量之間的正交條件。第十三章 時(shí)間序列回歸本章討論含有ARMA項(xiàng)的單方程回歸方法，這種方法對(duì)于分析時(shí)間序列數(shù)據(jù)（檢驗(yàn)序列相關(guān)性，估計(jì)ARMA模型，使用分布多重滯后，非平穩(wěn)時(shí)間序列的單位根檢驗(yàn)）是很重要的。167。時(shí)間序列回歸中的一個(gè)普遍現(xiàn)象是：殘差和它自己的滯后值有關(guān)。這種相關(guān)性違背了回歸理論的標(biāo)準(zhǔn)假設(shè)：干擾項(xiàng)互不相關(guān)。與序列相關(guān)相聯(lián)系的主要問(wèn)題有：一、一階自回歸模型最簡(jiǎn)單且最常用的序列相關(guān)模型是一階自回歸AR(1)模型定義如下：參數(shù)是一階序列相關(guān)系數(shù)，實(shí)際上，AR(1)模型是將以前觀測(cè)值的殘差包含到現(xiàn)觀測(cè)值的回歸模型中。二、高階自回歸模型：更為一般，帶有p階自回歸的回歸，AR(p)誤差由下式給出：AR(p)的自回歸將漸漸衰減至零，同時(shí)高于p階的偏自相關(guān)也是零。167。在使用估計(jì)方程進(jìn)行統(tǒng)計(jì)推斷（如假設(shè)檢驗(yàn)和預(yù)測(cè)）之前，一般應(yīng)檢驗(yàn)殘差（序列相關(guān)的證據(jù)），Eviews提供了幾種方法來(lái)檢驗(yàn)當(dāng)前序列相關(guān)。 1．DubinWaston統(tǒng)計(jì)量 DW統(tǒng)計(jì)量用于檢驗(yàn)一階序列相關(guān)。2．相關(guān)圖和Q統(tǒng)計(jì)量計(jì)算相關(guān)圖和Q統(tǒng)計(jì)量的細(xì)節(jié)見第七章 3．序列相關(guān)LM檢驗(yàn) 檢驗(yàn)的原假設(shè)是：至給定階數(shù)，殘差不具有序列相關(guān)。167。隨機(jī)誤差項(xiàng)存在序列相關(guān)說(shuō)明模型定義存在嚴(yán)重問(wèn)題。特別的，應(yīng)注意使用OLS得出的過(guò)分限制的定義。有時(shí)，在回歸方程中添加不應(yīng)被排除的變量會(huì)消除序列相關(guān)。 1．一階序列相關(guān)在EViews中估計(jì)一AR(1)模型，選擇Quick/Estimate Equation打開一個(gè)方程，用列表法輸入方程后，最后將AR(1)項(xiàng)加到列表中。例如：估計(jì)一個(gè)帶有AR(1)誤差的簡(jiǎn)單消費(fèi)函數(shù) 應(yīng)定義方程為：cs c gdp ar(1)2．高階序列相關(guān)估計(jì)高階AR模型稍稍復(fù)雜些，為估計(jì)AR(k)，應(yīng)輸入模型的定義和所包括的各階AR值。如果想估計(jì)一個(gè)有15階自回歸的模型 應(yīng)輸入：cs c gdp ar(1) ar(2) ar(3) ar(4) ar(5) 3．存在序列相關(guān)的非線性模型EViews可以估計(jì)帶有AR誤差項(xiàng)的非線性回歸模型。例如：估計(jì)如下的帶有附加AR(2)誤差的非線性方程使用EViews表達(dá)式定義模型，在后面的方括號(hào)內(nèi)描述AR修正項(xiàng)，對(duì)每一階AR滯后項(xiàng)都應(yīng)包括一個(gè)系數(shù)，每項(xiàng)之間用逗號(hào)隔開。cs=c(1)+gdp∧c(2)+[ar(1)=c(3),ar(2)=c(4)] EViews通過(guò)差分來(lái)轉(zhuǎn)換這種非線性模型且使用GaussNewton迭代法來(lái)估計(jì)轉(zhuǎn)換后的非線性模型。4．存在序列相關(guān)的兩階段回歸模型 通過(guò)把二階段最小二乘法或二階段非線性最小二乘法和AR項(xiàng)結(jié)合起來(lái)，對(duì)于在回歸因子和擾動(dòng)項(xiàng)存在相關(guān)性的情況和殘差存在序列相關(guān)一樣估計(jì)模型。5．AR估計(jì)輸出含有AR項(xiàng)的模型有兩種殘差：第一種是無(wú)條件殘差，通過(guò)原始變量以及估計(jì)參數(shù)算出。在用同期信息對(duì)yt值進(jìn)行預(yù)測(cè)時(shí)，這些殘差是可以觀測(cè)出的誤差，但要忽略滯后殘差中包含的信息。通常，除非有特別的原因來(lái)檢驗(yàn)這些殘差，Eviews不能自動(dòng)計(jì)算下面的估計(jì)。第二種殘差是估計(jì)的一期向前預(yù)測(cè)誤差。如名所示，這種殘差代表預(yù)測(cè)誤差。一般AR(p)平穩(wěn)條件是：滯后算子多項(xiàng)式的根的倒數(shù)在單位圓內(nèi)。EViews在回歸輸出的底部給出這些根：Inverted AR Roots。如果存在虛根，根的模應(yīng)該小于1。 6．EViews如何估計(jì)AR模型EViews估計(jì)AR模型采用非線性回歸方法。這種方法的優(yōu)點(diǎn)在于：易被理解，應(yīng)用廣泛，易被擴(kuò)展為非線性定義的模型。注意：非線性最小二乘估計(jì)漸進(jìn)等于極大似然估計(jì)且漸進(jìn)有效。167。 ARIMA理論ARIMA（自回歸單整動(dòng)平均）模型是AR模型的一般化，EViews使用三種工具來(lái)為干擾項(xiàng)的序列相關(guān)建模：自回歸AR、單整I、動(dòng)平均MA。167。為建立ARIMA模型，需要：① 差分因變量，確定差分階數(shù)；②描述結(jié)構(gòu)回歸模型（因變量和回歸因子），加入AR或MA項(xiàng)。一、ARMA項(xiàng) 模型中AR和MA部分應(yīng)使用關(guān)鍵詞ar和ma定義。二、季節(jié)ARMA項(xiàng)對(duì)于帶有季節(jié)移動(dòng)的季度數(shù)據(jù)，Box and Jenkins(1976)建議使用季節(jié)自回歸SAR和季節(jié)動(dòng)平均SMA。三、ARIMA估計(jì)輸出存在AR或MA定義的估計(jì)輸出和OLS是一樣的，只是增加了一個(gè)AR，MA多項(xiàng)式的倒根的下部程序塊。四、ARMA估計(jì)選擇 帶有AR或MA的模型用非線性最小二乘法估計(jì)。非線性估計(jì)方法對(duì)所有系數(shù)估計(jì)都要求初值。作為缺省Eviews決定初值。用戶可設(shè)置初值，EViews使用C系數(shù)向量。也可使用命令安排C向量值定義，例如下面方程的系數(shù) Y c X ma(2) ma(1) sma(4) ar(1) 可定義為 param c(1) 50 c(2 ) c(3) c(4) c(5) c(6) ：常數(shù)是50， ， ar(1)、ma(2)、ma(1)、sma(4) ， 。167。如果ARMA模型定義正確，模型殘差將為白噪聲。這意味著殘差中應(yīng)不存在序列相關(guān)。DW統(tǒng)計(jì)量是當(dāng)方程右邊沒有滯后變量時(shí)對(duì)一階序列相關(guān)的檢驗(yàn)。如上所述，對(duì)殘差中序列相關(guān)更多的檢驗(yàn)可以如：View/Residual Tests/CorrelogramQStatistic和View/Residual Tests/Serial correlation LM Test。 167。（PDLs）一個(gè)分布滯后算子如下　　（） 系數(shù)描述x對(duì)y作用的滯后。在模型中解釋變量與隨機(jī)誤差項(xiàng)不相關(guān)的情況下，可以直接使用OLS估計(jì)參數(shù)。在其它情形下，x的當(dāng)前和滯后值具有高共線性時(shí)，直接估計(jì)失敗。可以使用多項(xiàng)式分布滯后（PDLS）來(lái)減少要估計(jì)的參數(shù)個(gè)數(shù)，以此來(lái)平滑滯后系數(shù)。平滑就是要求系數(shù)服從一個(gè)相對(duì)低階的多項(xiàng)式。P階PDLS模型限制系數(shù)服從如下形式的p階多項(xiàng)式 （）j = 0 , 1 , 2 , … , k 是事先定義常數(shù)：PDLS有時(shí)被稱為Almon分布滯后模型。常數(shù)僅用來(lái)避免共線性引起的數(shù)值問(wèn)題，不影響的估計(jì)。這種定義允許僅使用參數(shù)p來(lái)估計(jì)一個(gè)x的k階滯后的模型（如果p amp。gt。 k，將顯示“近似奇異”錯(cuò)誤信息）。如果定義一個(gè)PDL模型，EViews用()式代入到()式，將產(chǎn)生如下形式方程　() 其中 () 一旦從（）式估計(jì)，利用（）式就可得到的各系數(shù)。這一過(guò)程很明了，因?yàn)槭堑木€性變換。定義一個(gè)PDLs有三個(gè)元素：滯后長(zhǎng)度k，多項(xiàng)式階數(shù)（多項(xiàng)式最高次冪數(shù)）p和附加的約束。167。上述ARMA估計(jì)理論都是基于平穩(wěn)時(shí)間序列。如果一個(gè)序列的均值和自協(xié)方差不依賴于時(shí)間，就說(shuō)它是平穩(wěn)的。非平穩(wěn)序列的典型例子是隨機(jī)游動(dòng)，是平穩(wěn)隨機(jī)擾動(dòng)項(xiàng)。序列y有一個(gè)常數(shù)預(yù)測(cè)值，方差隨時(shí)間增長(zhǎng)。隨機(jī)游動(dòng)是差分平穩(wěn)序列，因?yàn)閥一階差分后平穩(wěn)。，差分平穩(wěn)序列稱為單整，記為I(d)，d為單整階數(shù)。單整階數(shù)是序列中單位根數(shù)，或者是使序列平穩(wěn)而差分的階數(shù)。對(duì)于上面的隨機(jī)游動(dòng)，有一個(gè)單位根，所以是I(1)，同樣，平穩(wěn)序列是I(0)。 167。EViews提供兩種單位根檢驗(yàn)：DickeyFuller(DF)、增廣DF(ADF)檢驗(yàn)和PhillipsPerron（PP）檢驗(yàn)。 一、ADF檢驗(yàn)為說(shuō)明ADF檢驗(yàn)的使用，先考慮一個(gè)AR(1)過(guò)程　（）是參數(shù)，假設(shè)為白噪聲。如果1 1，y平穩(wěn)序列。如果=1，y是非平穩(wěn)序列（帶漂移的隨機(jī)游動(dòng)）。如果這一過(guò)程在一些點(diǎn)開始，y的方差隨時(shí)間增長(zhǎng)趨于無(wú)窮。如果的絕對(duì)值大于1，序列發(fā)散。因此，一個(gè)序列是否平穩(wěn)，可以檢驗(yàn)是否嚴(yán)格小于1。DF和PP都用單位根作為原假設(shè)。因?yàn)榘l(fā)散序列沒有經(jīng)濟(jì)學(xué)含義，所以備選假設(shè)為單邊假設(shè)。從方程兩邊同時(shí)減去 其中　　　（）所以原假設(shè)和備選假設(shè)可改為 （）單位根檢驗(yàn)可以看作對(duì)進(jìn)行t檢驗(yàn)。EViews將DF，ADF檢驗(yàn)都看成為ADF檢驗(yàn)。ADF檢驗(yàn)考慮如下三種回歸形式： 即通過(guò)在模型中增加的滯后項(xiàng)，以消除殘差的序列相關(guān)性。在檢驗(yàn)回歸中包括常數(shù)，常數(shù)和線性趨勢(shì)，或二者都不包含。 二、PhillipsPerron(PP)檢驗(yàn) Phillips和Perron（1988）提出一種非參數(shù)方法來(lái)控制序列中高階序列相關(guān)。對(duì)AR(1)的PP檢驗(yàn)為： 　（） ADF檢驗(yàn)通過(guò)在方程右邊添加滯后差分項(xiàng)來(lái)修正高階序列相關(guān)。PP檢驗(yàn)參數(shù)的t統(tǒng)計(jì)量來(lái)修正AR(1)的序列相關(guān)。這種修正方法是非參數(shù)的，因?yàn)槲覀兪褂迷诹泐l率的譜估計(jì)。零頻率對(duì)未知形式的