导图社区 eviews
eviews操作及计量经济学应用的部分内容，包含创建样本、虚拟变量、一元回归模型、多元回归模型、多重共线性、异方差性等。
社区模板帮助中心，点此进入>>
英语词性
法理
刑法总则
【华政插班生】文学常识-先秦
【华政插班生】文学常识-秦汉
文学常识：魏晋南北朝
【华政插班生】文学常识-隋唐五代
民法分论
日语高考動詞の活用
第14章DNA的生物合成读书笔记
eviews
基础
创建样本
命令
smpl +
2 2
6 10
@all/@first @last
@first+10 @last
Object/new Object/sample
创建数据序列
创建空序列
Object/new Object/series
DATA Y X1 X2...
带数据到序列
导入外部数据
打开序列，点击edit+/-，然后粘贴数据
Quick/Empty Group(Edit Series)
File/Import/Import from file
从已导入数据创建序列
serise y =
Quick/Generate Series...
自动序列和缺失值
编辑和显示序列
数据函数
创建随机序列
series y=@nrnd
N(0,1)
series y =@rlognorm(1,4)
对数正态分布
series y=@runif(1,3)
均匀分布
统计特征计算
series y=@gmean（下）
geomean
series y=@mean(x）
mean
series y=@mean(x,sample)
series y=@vars(x)
样本方差
series y=@varp(x)
总体方差
series y=stdev(x) or series y=@stdes(x)
样本标准差
series y=stdevp(x)
总体标准差
滞后/提前变量
x(-1) or series y=@lag(x,-1)
x(1) or series y=@leaf(x,1)
变化量
@pc(x)
较上期变化（百分比）
@pch(x)
较上变化（小数）
@pca(x)
较上年变化（百分比）
@pcha(x)
较上年变化（小数）
@pcy(x)
较上年同期变化（百分比）
@pchy(x)
较上年同期变化（小数）
累积
求和
向下
@cumsum(x,sample)
向上
@cumbsum(x,sample)
均值
@cummean(x,sample)
@cumbmean(x,sample)
标准差
@cumstdev(x,sample)
@cumbstdev(x,sample)
日期函数
数据频率转换
虚拟变量
引入方法
加法
用于该虚拟变量影响截距时
乘法
用于该虚拟变量影响斜率时
混合（一般）
创建虚拟变量
@recode(s,1,0)
类似if
日期虚拟变量
分类虚拟变量
@expand(x)
一元回归模型
线性
ls y c x
非线性
ls log(y) c log(x)
ls log(y) c x
ls y c log(x)
ls y c x x^2
最优模型的确定方法
残差分布观察分析view\actual,fitted,residual\tabe
应落在虚线框内
预测
点预测
expand
输入参数值
forecast
区间预测
步骤同上，在forecast/S.E.optional中输入seehat
计算区间上下限
scalar yupper(yblow)=点预测值±@qtdist(0.5*p,n)*seehat中预测值的SE
多元回归模型
ls c y x1 x2
对于不显著的系数，应从t统计量最小的系数开始剔除
可线性化
ls Log(y) c log(x1) log(x2)
ls y c log(x1) log(x2)
ls log(y) c x1 x2
ls y c x1 x1^2 x2
不可线性化
高斯-牛顿迭代法
设置待估参数的初始值
在工作文件中双击序列c，输入参数初始值（可为0）
命令：nls 函数表达式（如：y=c(1)*l^c(2)*k^c(3))
可更改迭代次数和迭代精度
Estimation\options
系数联合显著性检验
View/cofficient diagnostics/Wald Test_Coefficient Restricitions
多重共线性
检验方法
相关系数检验
cor x1 x2 x3
建立group/View/Covariance Analysis/选择correlation
辅助回归模型检验
以任意一个解释变量作为被解释变量进行回归
f检验
如果显著，则说明存在多重共线性
方差膨胀因子检验
大于10，存在多重共线性
在回归结果界面：view\coefficient diagnostics\variance inflation factors
解决方法
经验方法
省略变量
利用已知信息
变换模型
增加样本容量
逐步回归法
手动操作
先以最显著的变量建立一元线性模型
确定最显著的变量
cor y x1 x2 x3
相关系数检验结果的第一列中最大值对应的变量
随后逐个加入变量
加入一个，检验一个
检验标准
系数符号具有经济意义
t检验显著
adj-R²有所提高
不满足标准则剔除，满足标准则加入下一个变量，然后重复上述检验
自动操作
主菜单中：Quick /estimate equation
选择逐步回归最小二乘法STEPLS—Stepwise Least Squares
第一部分写y c
第二部分写所有解释变量
默认Stepwise（有进有出）Forward
异方差性
异方差的影响
参数估计量非有效
OLS估计的随机扰动项方差有偏
基于OLS估计的各种统计检验非有效
模型预测失效
图形分析检验
判断离散趋势
SCAT x y
有拟合线的散点图
先选x再选y，右键/open/as group/view/graph/scatter
选择回归线
残差分析
SORT x1（升序排序）
resids
结果过于粗糙
park检验
检验ln(e^2)=c+bln(x)中b是否显著
view/residual diagnostics/heteroskedasticity test…
在test type中选择Harvey，在Regressors中填写c log(x）
Glejser检验
检验lel=c+bln(x)中b是否显著
genr e=abs(resid)
分别建立e对各变量的回归模型
ls e c x /ls e c x^2/…
在test type中选择glejser，在Regressors中填写c x或c x^2
本质一样
Goldfeld-Quant(GQ检验法）
对解释变量进行排序
SORT X1
删除中间约占总量五分之一的观测值，将总样本分成两个部分，并保证前后两部分样本数量一样
smpl 1 10
ls y c x1
smpl 19 28
用第二个模型的ssr除以第一个模型的ssr，得到f统计量
F检验
用ols估计量做出resid，然后得到e²项
做e²与其他解释变量的回归
看F统计量是否显著
拉格朗日乘子检验
做e²与其他解释变量的回归，记下R²
计算LM统计量的值
LM=nR²
white检验
估计模型 ls y c x1
在test type中选择white，在Regressors中填写c x
看p值
异方差稳健推断
回归结果中点击estimate/options/Coefficient Variance/Covariance method中选择Huber-White
加权最小二乘法
计算权数（即计算方差函数） （以mooc的题为例，具体情况具体分析）
对原方程进行ols回归
得到resid
genr sqresid = resid^2
以题设函数形式对(resid)²进行回归
根据回归系数计算方差函数序列(resid)²
在原来的ols回归结果中点击estimate/options/在weight中选择variance，输入resid²
二者可叠加使用
比较标准差，最小者为最优
序列自相关性
图示法
画出两期残差的散点图
DW检验
假定
回归有截距项
X非随机，或者在重复抽样中被固定
随机干扰项为一阶自回归形式
滞后应变量不能做解释变量
没有缺失数据
方法
将回归结果中Durbun-Waston stat的结果与查表结果进行对比
[0,dL]
正相关
[dU,4-dL]
不相关
[4-dL,4]
负相关
特点
仅能检验一阶自相关
存在无法判断的区域
[dL,dU]和[4-dU,4-dL]
偏相关系数检验
View/Residual Diagnostics/Correlogram-Q-statistics
将滞后期设定为10+
某一阶对应的灰条超出虚线即存在该阶自相关
可检验高阶自相关
存在高阶自相关不意味着一定存在一阶自相关
拉格朗日乘子（LM）检验（也叫GB检验）
View/Residual Diagnostics/Series Correlation LM test
选择滞后期为2+
看滞后变量的系数
可用于高阶序列相关检验
偏相关系数检验和GB检验结果不一致时，以后者为准
广义差分法（广义最小二乘法） （假定某一对数模型存在二阶自相关）
ls lny c lnx ar(1) ar(2)
默认为MLE,但此估计法不适用于广义差分
在该估计结果的窗口中选择estimate/options,在ARMA/Method中选择CLS
虚拟解释变量
引入虚拟变量的方法
smpl + genr
data d1+手动输入
本质仍然为多元线性回归
虚拟被解释变量
线性概率模型
同上
probit模型
logit模型
