eviews违背经典假定的回归模型祥解

时间序列回归本章讨论含有ARMA 项的单方程回归方法，这种方法对于分析时间序列数据（检验序列相关性，估计ARMA 模型，使用分布多重滞后，非平稳时间序列的单位根检验）是很重要的。

§13.1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有关。

这种相关性违背了回归理论的标准假设：干扰项互不相关。

与序列相关相联系的主要问题有：一、一阶自回归模型最简单且最常用的序列相关模型是一阶自回归AR(1)模型定义如下：t t t u x y +'=βt t t u u ερ+=-1参数ρ是一阶序列相关系数，实际上，AR(1)模型是将以前观测值的残差包含到现观测值的回归模型中。

二、高阶自回归模型：更为一般，带有p 阶自回归的回归，AR(p)误差由下式给出：t t t u x y +'=βt p t p t t t u u u u ερρρ++++=--- 2211AR(p)的自回归将渐渐衰减至零，同时高于p 阶的偏自相关也是零。

§13.2 检验序列相关在使用估计方程进行统计推断（如假设检验和预测）之前，一般应检验残差（序列相关的证据），Eviews 提供了几种方法来检验当前序列相关。

1．Dubin-Waston 统计量 D-W 统计量用于检验一阶序列相关。

2．相关图和Q-统计量 计算相关图和Q-统计量的细节见第七章3．序列相关LM 检验 检验的原假设是：至给定阶数，残差不具有序列相关。

§13.3 估计含AR 项的模型随机误差项存在序列相关说明模型定义存在严重问题。

特别的，应注意使用OLS 得出的过分限制的定义。

有时，在回归方程中添加不应被排除的变量会消除序列相关。

1．一阶序列相关在EViews 中估计一AR(1)模型，选择Quick/Estimate Equation 打开一个方程，用列表法输入方程后，最后将AR(1)项加到列表中。

例如：估计一个带有AR(1)误差的简单消费函数t t t u GDP c c CS ++=21t t t u u ερ+=-1应定义方程为： cs c gdp ar(1)2．高阶序列相关估计高阶AR 模型稍稍复杂些，为估计AR(k )，应输入模型的定义和所包括的各阶AR 值。

[经验分享] 使用evi‎ew s做线‎性回归分析‎Gloss‎a ry:ls(least‎ squar‎e s)最小二乘法‎R-sequa‎r ed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-seqau‎r ed()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 crite‎r ion赤‎池信息量(AIC)（越小说明模‎型越精确）Schwa‎r z ctite‎r ion:施瓦兹信息‎量（SC）（越小说明模‎型越精确）Prob(F-stati‎s t ic)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‎g dp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‎。

EVIEWS软件的使用说明--向量自回归和误差修正模型第二十章向量自回归和误差xx模型联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。

但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。

并且，内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。

为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型。

就是这一章讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（VectorError Correction, VEC）的估计与分析。

同时给出一些检验几个非稳定变量之间协整关系的工具。

§20.1向量自回归理论向量自回归（VAR）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。

VAR方法通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的需要。

一个VAR(p)模型的数学形式是：(20.1)这里是一个维的内生变量，是一个维的外生变量。

和是要被估计的系数矩阵。

是扰动向量，它们相互之间可以同期相关，但不与自己的滞后值相关及不与等式右边的变量相关。

作为VAR的一个例子，假设工业产量（IP）和货币供应量（M1）联合地由一个双变量的VAR模型决定，并且让常数为唯一的外生变量。

内生变量滞后二阶的VAR(2)模型是：(20.2)其中，是要被估计的参数。

也可表示成：§20.2估计VAR模型及估计输出选择Quick/EstimateVAR…或者在命令窗口中键入var，并在出现对话框内添入适当的信息：1．选择说明类型：Unrestricted VAR（无约束向量自回归）或者VectorError Correction（向量误差修正）2．设置样本区间。

3．在适当编辑框中输入滞后信息。

这一信息应被成对输入：每一对数字描述一个滞后区间。

4．在相应的编辑栏中输入适当的内生及外生变量。

建模方法之回归分析简介数学模型一元线性回归分析模型：),,0(~,2σεεN bx a Y ++= 多元线性回归分析模型：ε+++++=p p x b x b x b a Y Λ2211设随机变量Y 与X 有相关关系,就是说当X 取一确定值时,随机变量Y 有一个确定的分布.这个分布大多数情况下不能具体知道,但在实践中只需要的观测值.而数学期望(假设存在)在一定程度上能反映出其观测值的大小,所以人们感兴趣的是当X 取确定值x 时, Y 的数学期望)(x μ是多少.称)(x μ为Y 对X 的回归函数.在实际问题中,回归函数是未知的,需要我们根据实测样本以及以往的经验来确定回归函数的类型及求出函数中的未知参数的估计,得到经验公式.例1 20℃时在铜线含碳量%x 对于电阻Y (为一正态变量,单位:微欧)变化的研究中,得到如下一测试结果表明,随着铜线含碳量的增加,其电阻有增大的趋势.为了确定回归函数)(x μ的类型, 我们将这9组数据作为坐标在平面直角坐标系中描出它们相应的点,这种图称为散点图。

变量X -Y 的散点图因此估计)(x μ大致具有线性函数bx a +的形式,即可认为X 与Y 具有如下关系:),,0(~,2σεεN bx a Y ++= (1)其中b a ,及2σ是常数.这就是X 、Y 之间的(一元正态线性)回归模型.对n 根铜线进行独立观测,能得到n 个含碳量n x x x ,,,21Λ及对应的n Y Y Y ,,,21Λ,把i Y 看成随即变量,则它们可以表示成⎭⎬⎫=++=.,,,),,0(~,,,2,1,212相互独立n i i i i N n i bx a Y εεεσεεΛΛ (2)记⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n x x x X 11121M M ，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n Y Y Y Y M 21，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n εεεεM 21， 则（2）式也可表示为ε+⎪⎪⎭⎫⎝⎛=b a X Y .在一元线性回归中主要解决下列问题: (I ) 对未知参数b a ,及2σ进行估计; (II ) 对线性模型的假设进行检验; (III ) 对Y 进行预测和控制.参数的估计：对未知参数b a ,的估计,一个直观的想法便是希望选取这样的a 与b ,使得他们在n x x x ,,,21Λ各处计算的理论值i bx a +与实测值i y 的偏离达到最小.为此人们常用最小二乘法:求b a ,使∑=−−=ni i ibx a yQ 12)(为最小.在几何上,即是在平面上选取一条直线,使直线在横坐标为n x x x ,,,21Λ处的纵坐标与相应的实测点的纵坐标之差的平方和为最小.利用求极值的方法求b a ,,令⎪⎪⎩⎪⎪⎨⎧=−−−=∂∂=−−−=∂∂∑∑==.0)(2,0)(211ni i i i ni i i x bx a y b Q bx a y a Q整理得⎪⎪⎩⎪⎪⎨⎧=+=+∑∑∑∑∑=====ni i i n i i n i i ni i n i i y x x b x a y x b na 112111解此方程组得到的不是b a ,的真值,而是b a ,的估计值,ˆ,ˆb a它们为 ,)())((ˆ1212121∑∑∑∑====−−−=−−=ni ini i ini ini ii x xy y x xx n xyx n yx b(3),ˆˆx b y a−= (4) 其中.,111∑∑====ni i ni i y y x n x 具体计算得Y 对X 的线性回归方程为.59.1297.13ˆx y+= 等价公式：Y X X X ba TT 1)(ˆˆ−=⎥⎦⎤⎢⎣⎡. （5）方差分析：总平方和：,)(12∑=−=ni iT Y YQ 自由度为1−n回归平方和：∑=−=ni iR Y Y Q 12)ˆ(,)(ˆ122∑=−=ni i x x b 自由度为1=p 残差平方和：,)ˆ(12∑=−=ni iiE Y YQ 自由度为1−−p n 关系式：.E R T Q Q Q += 性质：2)1(σ=−−p n Q E E 。

多元回归分析案例——中国税收增长的分析一、研究的目的要求改革开放以来，随着经济体制改革的深化和经济的快速增长，中国的财政收支状况发生很大变化，中央和地方的税收收入1978年为519.28亿元，到2002年已增长到17636.45亿元，25年间增长了33倍，平均每年增长%。

为了研究影响中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济模型。

影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。

（2）公共财政的需求，税收收入是财政收入的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算支出所表现的公共财政的需求对当年的税收收入可能会有一定的影响。

（3）物价水平。

我国的税制结构以流转税为主，以现行价格计算的GDP等指标和经营者的收入水平都与物价水平有关。

（4）税收政策因素。

我国自1978年以来经历了两次大的税制改革，一次是1984-1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。

税制改革对税收会产生影响，特别是1985年税收陡增215.42%。

但是第二次税制改革对税收增长速度的影响不是非常大。

因此，可以从以上几个方面，分析各种因素对中国税收增长的具体影响。

二、模型设定为了全面反映中国税收增长的全貌，选择包括中央和地方税收的“国家财政收入”中的“各项税收”（简称“税收收入”）作为被解释变量，以反映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。

由于财税体制的改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑税制改革对税收增长的影响。

所以解释变量设定为可观测的“国内生产总值”、“财政支出”、“商品零售物价指数”等变量。

[经验分享] 使用eviews做线性回归分析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。