育才学习网1. EVIEWS怎么建立辅助回归方程
在做ARCH类模型，ARMA(P,Q)类模型时会要求预估残差的滞后结构，这时可以假设原有模型满足经典回归假设，做OLS估计，此即辅助回归，由此得到一个辅助残差序列，对残差进行分析，比如自相关/偏自相关图等，并由此得到对残差建模的一些信息。还有在一些检验中，比如自相关、异方差等相关的检验中，都需要知道残差的结构信息，需要做辅助回归。在联立方程组模型中，使用工具变量法/3step-ls等方法时，其第一阶段的估计也可以看作是做的辅助回归。
Eviews是Econometrics Views的缩写，直译为计量经济学观察，通常称为计量经济学软件包。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”。另外Eviews也是美国QMS公司研制的在Windows下专门从事数据分析、回归分析和预测的工具。使用Eviews可以迅速地从数据中寻找出统计关系，并用得到的关系去预测数据的未来值。Eviews的应用范围包括：科学实验数据分析与评估、金融分析、宏观经济预测、仿真、销售预测和成本分析等。
2. eviews怎么查看模型的方程
方法/步骤
首先，要新建个新的文件，点击“file”，在展开的选项框中选择“new”——“Yorkfile”。
此时，就会出现一个对话框，勾选结构类型为默认排序，即为时间序列排序，“regular frequency”；小编分析的是1978-2013年广东GDP的数据，所以选择是“Annual”输入起始日期为1978，终点日期为2013。单击“ok”。
然后在工具栏下方空白地方，输入“data +变量名称”，如小编输入是“data gdp”，点击回车键，就会出现以下对话框。
将数据导入Eviews：复制所需数据，点击所要黏贴的行列，单击右键，在弹出的快键菜单中选择“paste”
在弹出的提示框中，选择“YES”，即可保存表格。
以同样的方式输入其他数据。
点击上方工具栏中的“object”，在展开的选项卡中选择“new object”，就可以打开以下对话框，在object的类型中选择“system”，命名为sys01，点击“OK”
在出现的system空白中，输入变量的公式，如gdp=c(1)+c(2)*s+c(3)*f
;p=c(4)*f+c(5)。
点击“pro”——“system estimation”，在展开的对话框中，点击“estimation method”，在“estimation method”中选择估算方法，一般是采用普通最小二乘法进行估算，即“ordinary least squares“。
最后，点击“确定”后，这个关于GDP的联立方程模型就建立起来了。我们就可以进行变量间的关系分析了。
3. 请问如何用eviews建立均值回归方程
Glossary: ls(least squares)最小二乘法 R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整 Adjust R-seqaured() S.E of regression回归标准误差 Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确 Durbin-Watson stat:DW统计量，0-4之间 Mean dependent var因变量的均值 S.D. dependent var因变量的标准差 Akaike info criterion赤池信息量（AIC）（越小说明模型越精确） Schwarz ctiterion：施瓦兹信息量（SC）（越小说明模型越精确） Prob(F-statistic)相伴概率 fitted（拟合值） 线性回归的基本假设： 1.自变量之间不相关 2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布 3.样本个数多于参数个数 建模方法： ls y c x1 x2 x3 。
x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。 模型检验： 1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度 F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设（所有系统为0的假设）犯错误（第一类错误或α错误）的概率（收尾概率或相伴概率）p值，若p小于置信度（如0.05）则可以拒绝0假设，即认为方程显著性明显。 2）回归系数显著性检验（t检验）：检验每一个自变量的合理性 |t|大于临界值表示可拒绝系数为0的假设，即系数合理。
t分布的自由度为n-p-1,n为样本数，p为系数位置 3)DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立） 残差：模型计算值与资料实测值之差为残差 0demo中的dw=0.141430 ,dl=1.73369,du=1.7786，所以存在正相关 模型评价 目的：不同模型中择优 1）样本决定系数R-squared及修正的R-squared R-squared=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。 Adjust R-seqaured=1-(n-1)/(n-k)(1-R2) 2）对数似然值（Log Likelihood，简记为L） 残差越小，L越大 3)AIC准则 AIC= -2L/n+2k/n， 其中L为 log likelihood,n为样本总量，k为参数个数。
AIC可认为是反向修正的L,AIC越小说明模型越精确。 4)SC准则 SC= -2L/n + k*ln(n)/n 用法同AIC非常接近 预测forecast root mean sequared error(RMSE)均方根误差 Mean Absolute Error(MAE)平均绝对误差 这两个变量取决于因变量的绝对值， MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPETheil Inequality Coefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。
偏差率（bias Proportion）,bp，反映预测值和真实值均值间的差异 方差率（variance Proportion）,vp，反映预测值和真实值标准差的差异 协变率（covariance Proportion）,cp，反映了剩余的误差 以上三项相加等于1。 预测比较理想是bp,vp比较小，值集中在cp上。
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？ 其他 1)Chow检验 chow's breakpoint检验 零假设是：两个子样本拟合的方程无显著差异。
有差异则说明关系中结构发生改变 demo中 Chow Breakpoint Test: 1977Q1 F-statistic 2.95511837136742 Prob. F(3,174) 0.0339915698953355 Log likelihood ratio 8.94507926849178 Prob. Chi-Square(3) 0.0300300700620291 p值问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2,1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。 chow's forecast检验 用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。
0假设是：模型与后段样本无显著差异 demo中的1976Q4作为break point，得到两个p值为0，即认为两段样本的系数应该是不同的。 2）自变量的选择 testadd检验： 操作方法是： eqation name.testadd ser1 ser2 。
0假设：应该将该变量引入方程 检验统计量：wald,LR 结果：通过两个p值（Prob. F,Prob Chi-sequare）看是否拒绝原假设 testdrop检验： 操作方法是： eqation name.testdrop ser1 ser2 。 0假设：应该将该变量剔除 检验统计量：wald,LR 结果：通过两个p值（Prob. F,Prob Chi-sequare）看是否拒绝原假设 含定性变量的回归模型 分为：自变量含定性变量，因变量含定性变量。
后一种情况较为复杂 建立dummy 变量（名义变量）：用D表示 当变量有m种情况时，需要引入m-1个dummy变量 处理办法：把定性变量定义成0.1.2等数值后和一般变量同样处理 常见问题及对策 1）多重共线性（multicollinearity）: p个回归变量之间存在严格或近似的线性关系 诊断方法： 1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过 2.某些自变量系数之间的简单相关系数很大 。
转载请注明出处育才学习网 » eviews方程怎么写
