我们可以比较GDP的实际值和动态预测拟合值 GDPFD、静态预测拟合值 GDPFS,可以看出一步向前静态预测比动态预测要更为准确,因为对每个时 期,在形成GDP的预测值时使用的是GDP(-1)的实际值 50 40U0 300 2000 10004 50556065707588995 GDP GDPFD GDPFS
11 我们可以比较GDP的实际值和动态预测拟合值GDPFD、静态预测拟合值 GDPFS，可以看出一步向前静态预测比动态预测要更为准确，因为对每个时 期，在形成GDP的预测值时使用的是GDP(-1)的实际值
§162预测基础 EViews将预测结果在 Forecast name项命名并存储。我们把该序列称为预 测序列。 预测样本中指定了 EViews将计算出的拟合值和预测值的结果期间。如果 出现不能预测的情况,将返还缺失值NA,在有些情况下,为了防止含有缺失 值的预测, EViews会自动进行缺失值调整。值得注意的是预测样本可能与估 计方程所使用的样本观察值发生重叠,也可能没有重叠 对于没有包含在预测样本中的数值,会有两种选择。作为缺省, EViews 将用其因变量的实际值充填,另一种是不选择 Insert actuals for out- of-sample, 预测样本外的数值将都赋予“NA”。于是,这些规则的结果是被预测序列中 的所有数据在预测过程中将被覆盖,被预测序列的已存值将会丢失
12 §16.2 预测基础 EViews将预测结果在Forecast name项命名并存储。我们把该序列称为预 测序列。 预测样本中指定了EViews将计算出的拟合值和预测值的结果期间。如果 出现不能预测的情况，将返还缺失值NA，在有些情况下，为了防止含有缺失 值的预测，EViews会自动进行缺失值调整。值得注意的是预测样本可能与估 计方程所使用的样本观察值发生重叠，也可能没有重叠。 对于没有包含在预测样本中的数值，会有两种选择。作为缺省，EViews 将用其因变量的实际值充填，另一种是不选择Insert actuals for out-of-sample， 预测样本外的数值将都赋予“NA”。于是，这些规则的结果是被预测序列中 的所有数据在预测过程中将被覆盖，被预测序列的已存值将会丢失
一、计算预测值 对预测样本中的每一观察值, EViews利用估计参数、等式右边的外生变量 以及滞后内生变量和残差的实际值或估计值来计算因变量的拟合值。构造预测 值的方法取决于估计模型和用户设定的环境。 为说明预测过程,我们从一个简单的线性回归模型开始,等式右边不含滞 后内生变量和ARMA项。假设给出如下方程列表,并做出估计: y c x 选择 Forecast,给定预测期间,然后单击OK。对预测期内的每、观察值, EViews将用估计出的参数和回归因子x,z的对应值计算y的拟合值: y=c(1)+c(2)x1+C(3)z 对预测期内的所有观测值,应该确保等号右边外生变量的值有效。如果外 生变量预测样本有数据丢失,对应的预测值将为NA
13 一、计算预测值 对预测样本中的每一观察值，EViews利用估计参数、等式右边的外生变量、 以及滞后内生变量和残差的实际值或估计值来计算因变量的拟合值。构造预测 值的方法取决于估计模型和用户设定的环境。 为说明预测过程，我们从一个简单的线性回归模型开始，等式右边不含滞 后内生变量和ARMA项。假设给出如下方程列表，并做出估计： y c x z 选择Forecast，给定预测期间，然后单击 OK。对预测期内的每一观察值， EViews将用估计出的参数和回归因子x , z的对应值计算y的拟合值： t t t y ˆ = c ˆ(1) + c ˆ(2)x + c ˆ(3)z 对预测期内的所有观测值，应该确保等号右边外生变量的值有效。如果外 生变量预测样本有数据丢失，对应的预测值将为NA