Eviews基本操作(3.1版本)
- 格式：doc
- 大小：314.50 KB
- 文档页数：10
1 Eviews基本操作（3.1版本）
一、创建工作文件
一种创建方法为点击file/new/workfile，然后输入frequency，以及开始（start）日期和结束(end) 日期．（注：如果是截面数据，要选undated or irregular项，然后在start中输入1，end中输入样本容量）。输入完毕后，点击OK就可以得到工作文件窗口。
二、导入excel文件中的数据
1）在excel中先建立数据文件 2）然后创建eviews工作文件
3）点击file/import/read text-lotus-excel选项，在对话框中选择已建立的excel文件
4）打开后，在新的对话框中输入想要分析的变量名称，然后点击OK即可。此时工作文件中出现变量图标。
三、直接输入数据
1）创建一个工作文件（方法同一） 2）点击quick/empty group，打开一个空白表格
3）点击ser01，把第一列全选，在命令栏中输入变量名称后回车，即可改变变量名称，按此方法命名每一变量 4）删除group对话框后，会发现工作文件中多了新变量
四、画图
有两种方法可以将数据绘成曲线，第一种方法是：
1） 首先在工作文件中选中所要分析的变量，点击右键open/as group项，打开数据文件
2） 点击view/graph/scatter(或其它图形)后，即可画出图形
3） 在选中图表窗口后，在工作文件窗口点击edit/copy，在对话框中点击copy to
clipboard，然后可将图表粘贴到word文档中，还可进行编辑
第二种方法是：
1） 在工作文件窗口中点击quick/graph
2） 在弹出的对话框中输入想要分析的变量
3） 选择图表的类型及选项即可输出图表
4） 可将图表移动到word文档中并进行编辑（方法同上）
五、数据的描述性统计量
1）在工作文件中选中变量后，点击右键点open group，打开数据文件
2）点击view/descriptive stats/common sample，就会出现描述性统计量
3）在选中若干行统计量数据后，点击edit/copy，在弹出的对话框中点OK，然后可将其粘贴到word文档中
注：
Mean 样本均值
Median 中位数
Maximum 最大值
Minimum 最小值
Std. Dev. 标准差
Skewness 偏度
Kurtosis 峰度
Jarque-Bera 正态性检验
Probability P值
Observations 样本容量
六、一元线性回归模型的估计 2 1）建立变量的工作文件 2）在主菜单上选择quick/estimate equation，出现对话框
3) 在对话框的equation specification框中，按被解释变量、常数项、解释变量的顺序输入，中间用空格空开
4）在对话框的estimation settings框中，在method栏中选择估计方法，点击OK即可
5）在工具栏中，点击name，在name to identify object框中输入方程的新名字，点击OK后，工作文件中将出现方程的图标
注：R-squared 拟合优度 Mean dependent var 被解释变量均值
Adjusted R-squared 修正的拟合优度 S.D. dependent var 被解释变量标准差
S.E. of regression 回归方程标准差 Akaike info criterion 赤池信息准则
Sum squared resid 残差平方和 Schwarz criterion 施瓦兹信息准则
Log likelihood 似然函数的对数 F-statistic F统计量
Durbin-Watson stat DW统计量 Prob(F-statistic) F统计量的P值
6）在第四步输出估计结果后，在结果窗口中点击view/actual,fitted,residual/相应的残差图，可出现被解释变量的实际值、估计值、残差以及残差图。
点击view/representations(描述)，可出现几个不同的估计方程，点击edit/copy可进行编辑。点击view/estimation output，回到估计结果。
点击view/covariance matrix，可出现估计量的协方差阵，点击freeze后可对表格进行编辑。
七、一元线性回归模型的预测
1）在工作文件主窗口点击procs/change workfile range(改变范围)，弹出对话框，在对话框的end date栏中输入预测值的时间或序号，点击OK
2）在工作文件窗口中双击解释变量文件，在变量窗口中点击edit+/-键，进入编辑模式，在变量窗口底端输入新序号的数值，再点击edit+/-键，关闭编辑模式
3）再次进行估计，点击quick/estimate equation，在对话框中输入方程，注意样本范围应不包括新序号，点击OK得到估计结果
4）点击结果窗口中的forecast键，产生对话框，在对话框中选择样本范围，点击OK可得预测曲线图。同时在工作文件窗口产生新变量，双击后可得预测值
八、生成新变量
在变量的工作文件主窗口点击procs/generate/series，在弹出的窗口中输入新变量的函数表达式，点击OK后，在工作文件窗口出现新变量图标，选中新变量后可建立回归模型
注：+ 加； - 减； * 乘； / 除 ；^ 幂；
D(X) ：X的一阶差分 LOG(X)：X的自然对数 EXP(X)：指数函数
ABS(X)：绝对值 SQR(X)：平方根 INV(X)：X的倒数
@SUM(X)：序列X的和 @MEAN(X)：序列X的平均数
@VAR(X)：序列X的方差 @SUMSQ(X)：序列X的平方和
@OBS(X)：序列X有效观测值的个数
@COV(X，Y)：序列X和序列Y的协方差
@COR(X，Y)：序列X和序列Y的相关系数
@CROSS(X，Y)：序列X和序列Y的乘积之和。
九、多元回归模型的估计
1）建立多变量的工作文件后，点击quick/estimate equation，在对话框中依次输入被解释变量、常数项c、解释变量，中间用空格，然后点击OK
2）在估计的结果窗口点击view/representations，出现方程的表达式，复制最后的表达式，将其粘贴到命令窗口，在窗口中输入scalar 新变量（不同于被解释变量）=方程右端（解释变量要输入数值），按回车，可见工作文件多了一个纯量标志，双击便得预测值 3 十、模型的异方差性
a) 异方差的检验
古典线性回归模型的一个重要假设是总体回归方程的随机扰动项ui同方差，即他们具有相同的方差 2。如果随机扰动项的方差随观察值不同而异，即ui的方差为 i2， 就是异方差。检验异方差的步骤是先在同方差假定下估计回归方程，然后再对得到的的回归方程的残差进行假设检验，判断是否存在异方差。Eviews提供了怀特(White)的一般异方差检验功能。
零假设：原回归方程的误差同方差。
备择假设：原回归方程的误差异方差
操作步骤：在工作文件主窗口选定需要分析的回归方程 \ 打开估计方程及其统计检验结果输出窗口\点击工具栏中的View \选Residual Tests \ White Heteroskedasticity (no cross
terms) 或White Heteroskedasticity (cross terms)，可得到辅助回归方程和怀特检验统计量－即F统计量、2统计量的值及其对应的p值。由图中的显示结果可以看出：在5％显著水平下我们拒绝零假设，接受回归方程的误差项存在异方差的假设。
一般地，只要图中给出的p 值小于给定的显著水平，我们就可以在该显著水平下拒绝零假设。
White Heteroskedasticity Test:
F-statistic 3.573259 Probability 0.027230
Obs*R-squared 11.21329 Probability 0.047311
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/05/06 Time: 18:14
Sample: 1984 2003
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 41643039 38925032 1.069827 0.3028
RENJUNGDP -101275.1 66462.62
-1.523790 0.1498
RENJUNGDP^2 14.42638 15.52129 0.929457 0.3684
RENJUNGDP*CHUKOU -8.196993 7.578420 -1.081623 0.2977
CHUKOU 45909.21 20723.85 2.215284 0.0438
CHUKOU^2 0.555283 0.843298 0.658467 0.5209
R-squared 0.560664 Mean dependent var 16246747
Adjusted R-squared
0.403759 S.D. dependent var 26960715
S.E. of regression 20818165 Akaike info criterion 36.78388
Sum squared resid 6.07E+15 Schwarz criterion 37.08259
Log likelihood -361.8388 F-statistic 3.573259
Durbin-Watson stat 1.746126 Prob(F-statistic) 0.027230
注意：White Heteroskedasticity (no cross terms) 与White Heteroskedasticity (cross terms)
