补充、EViews软件的相关操作
补充、EViews软件的相关操作
§0、回归方程命令 要产生一个新的方程，可便用下面的带有方程对象名称的命令： equation eql 要用OLS估计方程，只需在方程名后面加点和“ls”或“st,因变量 名和自变量名，每一个名字之间要有一个空格： eq1.Is cs c gdp cpi 对cs做关于常数，gdp和cpi的回归。 可以使用带等号的公式来描述方程 eq1.Iscs=c(1)+c(2)*gdp+c(3)*cpi 也可以使用一个命令行定义并估计一个方程： equation eq sale.Is sales c trend orders industry growth 估计给定方程并用一个名为eq sale的方程来存储结果
§0、回归方程 命令 要产生一个新的方程，可使用下面的带有方程对象名称的命令： equation eq1 要用OLS估计方程，只需在方程名后面加点和“ls”或“est”,因变量 名和自变量名，每一个名字之间要有一个空格： eq1.ls cs c gdp cpi 对cs做关于常数，gdp和cpi的回归。 可以使用带等号的公式来描述方程 eq1.ls cs = c(1) + c(2)*gdp + c(3)*cpi 也可以使用一个命令行定义并估计一个方程： equation eq_sale.ls sales c trend orders industry_growth 估计给定方程并用一个名为eq_sale的方程来存储结果
§1、序列相关理论 时间序列回归中的一个普遍现象是：残差和它自己的带后值相关。这种序 列相关性违背了回归理论的标准假设：不同时点的扰动项互不相关。与序列相 关相联系的主要问题有： ①在线性估计中OLS不再是有效的： ②使用OLS公式计算出的标准差不正确： ③如果在方程右边有滞后因变量，OL$估计是有偏的且不一致。 EViews提供了检测序列相关和估计方法的工具。但首先必须排除虚假序列 相关。虚假序列相关是指模型的序列相关是由于省略了显著的解释变量而引起 的。例如，在生产函数模型中，如果省略了资本这个重要的解释变量，资本对 产出的影响就被归入随机误差项。由于资本在时间上的连续性，以及对产出影 响的连续性，必然导致随机误差项的序列相关。所以在这种情况下，要把显著 的变量引入到解释变量中
§1、序列相关理论 时间序列回归中的一个普遍现象是：残差和它自己的滞后值相关。这种序 列相关性违背了回归理论的标准假设：不同时点的扰动项互不相关。与序列相 关相联系的主要问题有： ① 在线性估计中OLS不再是有效的； ② 使用OLS公式计算出的标准差不正确； ③ 如果在方程右边有滞后因变量，OLS估计是有偏的且不一致。 EViews提供了检测序列相关和估计方法的工具。但首先必须排除虚假序列 相关。虚假序列相关是指模型的序列相关是由于省略了显著的解释变量而引起 的。例如，在生产函数模型中，如果省略了资本这个重要的解释变量，资本对 产出的影响就被归入随机误差项。由于资本在时间上的连续性，以及对产出影 响的连续性，必然导致随机误差项的序列相关。所以在这种情况下，要把显著 的变量引入到解释变量中
平稳性定义： 如果随机过程Y,=无.y1,o,1,y2,.,y7,y7+1, 的均值和方 差、自协方差都不取决于t,则称Y,是协方差平稳的或弱平稳的： E(Y,)=4 对所有的t Var(Y)=o2 对所有的t E(Y,-Y-s-川）=Y 对所有的t和s 注意，如果一个随机过程是弱平稳的，则Y,与Y,-、之间的协方差仅取决于 5,即仅与观测值之间的间隔长度s有关，而与时期t无关。一般所说的“平 稳性”含义就是上述的弱平稳定义。给定一个样本值为T的时间序列可以看作 是随机过程Y,的一个实现，记数，y2,.,y}
如果随机过程 的均值和方 差、自协方差都不取决于 t，则称 Y t 是协方差平稳的或弱平稳的： { , , , , , , , , } Yt = y−1 y0 y1 y2 yT yT +1 E(Yt ) = 2 Var(Yt ) = 对所有的 t 对所有的 t 对所有的 t 和 s 注意，如果一个随机过程是弱平稳的，则Y t与Y t- s之间的协方差仅取决于 s ，即仅与观测值之间的间隔长度s有关，而与时期t 无关。一般所说的“平 稳性”含义就是上述的弱平稳定义。给定一个样本值为T 的时间序列可以看作 是随机过程 Y t 的一个实现，仍记为 Yt = { y1 , y2 , , yT } 。 E Yt Yt s s − − = − ( )( ) 平稳性定义：
般地，我们考虑如下形式： y,=xB+4, w,=2-Y+8 x,是在时刻的解释变量向量；z是前期己知变量向量；B,y是参数向量： 是残差； 是残差的扰动项 可能包含的滞后值或 的滞后值。 u, 是无条件残差，它是基于结构成分 的残差，但它不使用 中包 含的信息。 (x1,) 21-1 是一步预测误差，它是因变量真实值和以解释变量以及以前预测误 差为基础的预测值之差
一般地，我们考虑如下形式： t t ut y = x + t t t u = z + −1 是在t时刻的解释变量向量； 是前期已知变量向量； 是参数向量； 是残差； 是残差的扰动项； 可能包含 的滞后值或 的滞后值。 是无条件残差,它是基于结构成分 的残差，但它不使用 中包 含的信息。 是一步预测误差，它是因变量真实值和以解释变量以及以前预测误 差为基础的预测值之差。 t x t−1 z , ut t−1 ( ,) z t x ut t t ut t−1 z t