下载文档原格式
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。
第一部分EViews基本操作第一章预备知识一、什么是EViewsEViews (Econometric Views)软件是QMS（Quantitative Micro Software）公司开发的、基于Windows平台下的应用软件，其前身是DOS操作系统下的TSP软件。
EViews具有现代Windows软件可视化操作的优良性。
可以使用鼠标对标准的Windows菜单和对话框进行操作。
操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。
EViews还拥有强大的命令功能和批处理语言功能。
在EViews的命令行中输入、编辑和执行命令。
在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程序。
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，是专门从事数据分析、回归分析和预测的工具，在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛。
应用领域■ 应用经济计量学■ 总体经济的研究和预测■ 销售预测■ 财务分析■ 成本分析和预测■ 蒙特卡罗模拟■ 经济模型的估计和仿真■ 利率与外汇预测EViews引入了流行的对象概念，操作灵活简便，可采用多种操作方式进行各种计量分析和统计分析，数据管理简单方便。
其主要功能有：（1）采用统一的方式管理数据，通过对象、视图和过程实现对数据的各种操作；（2）输入、扩展和修改时间序列数据或截面数据，依据已有序列按任意复杂的公式生成新的序列；（3）计算描述统计量：相关系数、协方差、自相关系数、互相关系数和直方图；（4）进行T 检验、方差分析、协整检验、Granger 因果检验；（5）执行普通最小二乘法、带有自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH 模型估计法等；（6）对选择模型进行Probit、Logit 和Gompit 估计；（7）对联立方程进行线性和非线性的估计；（8）估计和分析向量自回归系统；（9）多项式分布滞后模型的估计；（10）回归方程的预测；（11）模型的求解和模拟；（12）数据库管理；（13）与外部软件进行数据交换EViews可用于回归分析与预测(regression and forecasting)、时间序列(Time Series)以及横截面数据(cross-sectional data )分析。
操作步骤1.建立工作文件(1)建立数据的exel电子表格（2）将电子表格数据导入eviewsFile-open-foreign data as workfile，得到数据的Eviews工作文件和数据序列表。
2.计算变量间的相关系数在窗口中输入命令：cor coilfuture dow shindex nagas opec ueurope urmb，点击回车键，得到各序列之间的相关系数。
结果表明Coilfuture数列与其他数列存在较好的相关关系。
3.时间序列的平稳性检验（1）观察coilfuture序列趋势图在eviews中得到时间序列趋势图，在quick菜单中单击graph，在series list对话框中输入序列名称coilfuture，其他选择默认操作。
图形表明序列随时间变化存在上升趋势。
（2）对原序列进行ADF平稳性检验quick-series statistics-unit root test，在弹出的series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择level，得到原数据序列的ADF检验结果，其他保持默认设置。
得到序列的ADF平稳性检验结果，检测值0.97大于所有临界值，则表明序列不平稳。
以此方法，对各时间序列依次进行ADF检验，将检验值与临界值比较，发现所有序列的检验值均大于临界值，表明各原序列都是非平稳的。
（3）时间序列数据的一阶差分的ADF检验quick-series statistics-unit root test，在series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择1nd difference，对其一阶差分进行平稳性检验，其他保持默认设置。
得到序列的ADF平稳性检验结果，检测值-7.8远小于所有临界值，则表明序列一阶差分平稳。
以此方法，对各时间序列的一阶差分依次进行ADF检验，将检验值与临界值比较，发现所有序列的检验值均小于临界值，表明各序列一阶差分都是平稳的。
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 。
Eviews回归步骤一、ols回归二、观察回归结果。
R2，t检验伴随概率（P值），F检验伴随概率（P值），D.W值。
三、根据结果，按顺序估计是否存在下列现象，如存在，则进行检验并解决该现象，如不存在，则进入下一步骤：1、是否存在多重共线性：①、估计依据：R2很高，F检验通过，但某些自变量的t检验没有通过②、检验方法：对自变量两两之间计算相关系数，并与估计依据中的t检验互相印证，确定是有哪些变量间存在多重共线性。
③、解决方法：剔除多重共线性较严重的自变量。
关键：剔除的原则和标准，因为相关往往是两个变量之间的事，那究竟剔除哪一个呢？一般是剔除没有通过t检验那个，比如例题中的pop。
如果存在几组自变量间都有多重共线性的话，则需要一步步按照逐步添加或逐步减少自变量的方法来做。
而且当确定了新的模型之后，最好再用3.3节中的逐步回归方法再对所有变量做一次来检验自己剔除的结果。
2、是否存在异方差：①、估计依据：在2中的观察结果里是无法直接观察到是否存在异方差的，因此，当我们解决了共线性的问题后，需对新的方程进行异方差检验②、检验方法：怀特（White）检验、哈维（Harvey）检验。
③、解决方法：使用加权的最小二乘法关键：如何确定权数。
一般通过观察残差图（即残差与某一自变量的关系图）确定残差的扩大趋势与哪个自变量相关，然后选取该自变量的某次幂来作为权数。
3、是否存在序列自相关①、估计依据：D.W值远小于2，则怀疑是否存在残差序列自相关。
②、检验方法：LM检验③、解决方法：差分方法，重新设立模型。
至此，得出的方程就不存在以上三个问题，且各个检验通过，可以确认成立。
eviews做回归分析报告回归分析是一种常用的统计分析方法，通过建立一个数学模型来描述自变量和因变量之间的关系。
EViews是一种专业的统计软件，可以使用它来进行回归分析并生成相应的分析报告。
下面是使用EViews进行回归分析报告的详细步骤：1. 导入数据：使用EViews打开数据文件，确保数据文件包含自变量和因变量的数据。
2. 创建回归方程：选择菜单栏中的“Quick/Estimate Equation”或者在工具栏中点击“Estimate Equation”按钮来创建一个回归方程。
在弹出的对话框中选择自变量和因变量，可以选择更多的选项来调整回归模型的设定。
3. 进行回归分析：点击对话框中的“OK”按钮，EViews将会进行回归分析并显示回归模型的估计结果。
在结果窗口中，你可以查看模型的拟合统计量、系数估计值、标准误差等信息。
4. 诊断检验：在结果窗口中，EViews会给出一些诊断检验的结果，如残差的正态性检验、异方差性检验等。
你可以根据这些检验结果来进一步判断回归模型的合理性。
5. 绘制图表：EViews提供了丰富的绘图功能，你可以在结果窗口中选择需要的图表类型，如散点图、回归方程图等。
6. 生成报告：最后，你可以将回归分析的结果和图表导出为报告文件。
在EViews中，你可以选择“File/Export/Report…”选项来将分析结果导出为报告文件。
你可以选择不同的格式，如Word、Excel等。
以上是使用EViews进行回归分析报告的基本步骤。
当然，在具体的应用中，你可能需要根据具体的研究问题进行更加详细和复杂的分析。
EViews提供了丰富的功能和命令，可以帮助你进行更深入的回归分析。
Eviews做回归分析报告引言回归分析是一种广泛应用于统计学和经济学中的数据分析方法。
它用于研究变量之间的关系，并预测一个变量如何受其他变量的影响。
Eviews是一种专业的统计软件，具有强大的回归分析功能。
本文将介绍如何使用Eviews进行回归分析，并提供详细的步骤说明。
步骤步骤一：准备数据首先，我们需要准备用于回归分析的数据。
数据应该以适当的格式存储，例如Excel表格或CSV文件。
确保数据文件中的变量以列的形式排列，并且每个观测值占据一行。
步骤二：导入数据打开Eviews软件，并使用菜单栏中的“File”选项导入数据文件。
选择正确的文件格式，并确保正确地指定数据的位置和格式。
导入后，您将在Eviews中看到您的数据。
步骤三：选择回归变量在Eviews中，选择要用作解释变量和被解释变量的列。
您可以通过单击变量名称在变量列表中选择变量。
如果您想选择多个变量，可以按住Ctrl键并单击每个变量。
步骤四：运行回归分析选择菜单栏中的“Quick”选项，然后选择“Estimate Equation”。
在打开的窗口中，选择“OLS”选项作为回归方法，并确保选择了正确的解释变量和被解释变量。
点击“OK”按钮以运行回归分析。
步骤五：分析结果回归分析完成后，您将在Eviews中看到一个结果窗口，其中包含了回归方程的统计信息和系数估计。
检查回归方程的显著性水平和系数的符号，以评估变量之间的关系。
此外，您还可以查看回归方程的拟合优度和残差分布，以评估模型的质量。
结论本文介绍了使用Eviews进行回归分析的步骤。
首先，我们需要准备数据并导入到Eviews中。
然后，选择回归变量并运行回归分析。
最后，我们分析了回归结果，并根据统计信息和系数估计评估了变量之间的关系。
Eviews是一种功能强大的统计软件，可以用于各种回归分析任务。
[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。
