Eviews处理多元回归分析操作步骤

运用EVIEWS 建立多元线性回归并进行相关检验姓名：jelly一、输入数据某社区家庭对某种消费品的消费需要调查二、根据数据画出散点图从上面两散点图可以看出此社区家庭对某商品的消费支出与家庭月收入、商品的价格大致呈线性关系且随着家庭收入和户主受教育年数的逐渐增大对此商品的消费支出也呈逐渐增大的趋势。

三、样本相关阵从样本相关阵可以看出，某商品的消费支出与家庭月收入、商品的价格的相关系数高达0.965046和0.752695 ，说明某商品的消费支出与家庭月收入、商品的价格有显著的线性关序号 商品 价格X1 家庭月 收入X2 对某商品的消费支出Y 1 23.56 7620 591.9 2 24.44 9120 654.5 3 32.07 10670 623.6 4 32.46 11160 647 5 31.15 11900 674 6 34.14 12920 644.4 7 35.3 14340 680 8 38.7 15960 724 9 39.63 18000 757.1 10 46.68 19300 706.8系，可以考虑建立二元线性回归模型。

四、对数据进行普通最小二乘估计，OLS 表如下五、写出估计方程12626.50939.7905700.28618i Y X X ∧=-+（40.13010） （3.197843） （0.05838）t=(15.611195) (-3.061617) (4.902030)20.902218R = 2R =0.874281 六、随机干扰项2'1e e n k σ∧=--'''''ˆˆˆˆˆ()()()()e e Y YY Y Y X Y X Y Y Y X βββ=--=--=-=2116.85 所以22116.85ˆ302.411021σ==-- 由OLS 表得20.902218R = 2R =0.874281 七、由OLS 可得 F=32.29 0.05(2,7) 4.74F =因为32.29>4.74,所以方程的总体线性性显著成立由OLS 表可得 C 的t 值为15.61 X1的t 值为-3.06 X2的值为4.90 0.025(7) 2.365t =所以常输项，X1和X2的总体参数都显著的异于零将数据分别代入以下三个式子：0ˆ00.025ˆt S ββ±⨯ 1ˆ10.025ˆt S ββ±⨯ 2ˆ20.025ˆt S ββ±⨯ 可得参数95%的置信区间分别为（531.62，724.40） -17.35，-2.22） （0.014，0.042）八、X1=35 X2=20000将X1，X2代人方程可得Y 为856.20Y 的均值0ˆY S =37.05 0.025(7) 2.365t = 所以Y 的均值在95%的置信区间为（768.58，943.82）Y 的个值0ˆY S =40.93 0.025(7) 2.365t =所以Y 的个值在95%的置信区间为（759.41，952.99）第二个实验输入数据，对其进行回归分析输出OLS 表由表可得方程为ˆln 101540.609ln 0.361ln Y K L =++ （1.59）（3.45） （1.79）2R =0.8099 2R =0.7963 F=59.660.05(2,28)F =3.34 0.025(28)t =2.048 0.01(28)t =1.701所以lnK 与lnL 联合起来对lnY 有显著的线性影响在5%的显著性水平下，lnK 的参数通过了检验但lnL 的参数未通过t 检验，如果设定显著性水平为10%，lnL 与lnK 都通过检验。

[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‎。

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。

Eviews多元逻辑回归案例分析
简介
本文档旨在使用Eviews软件进行多元逻辑回归分析的案例研究。

逻辑回归是一种常见的统计方法，被广泛应用于解答分类问题。

通过利用Eviews软件的功能，我们将对一个特定案例进行多元逻
辑回归分析并得出结论。

数据收集与准备
在进行多元逻辑回归分析之前，我们首先需要收集并准备相关
的数据。

这些数据应包括自变量和因变量，以及其他可能影响结果
的变量。

采集的数据应保证准确性和完整性。

Eviews多元逻辑回归分析步骤
1. 导入数据：使用Eviews软件将准备好的数据导入到程序中。

2. 数据清洗：对导入的数据进行清洗，包括缺失值处理、异常
值处理等。

3. 模型建立：根据研究的目的和问题，选择合适的自变量进行
建模。

4. 模型估计：使用Eviews软件对建立的模型进行估计，得出
模型的系数和显著性水平。

5. 模型评估与解释：对估计结果进行评估和解释，包括模型的
拟合程度和自变量的影响程度。

6. 结论与讨论：根据模型的结果，得出结论并进行相应的讨论。

结论
通过本次多元逻辑回归分析，在Eviews软件的辅助下，我们
对指定案例进行了深入的研究和分析。

通过清洗数据、建立模型、
估计和解释结果，我们得出了相关结论并进行了进一步的讨论。

这
些结果将为进一步研究和决策提供有价值的参考和指导。

参考文献
[1] Eviews软件官方文档. (访问日期：XXXX年XX月XX日)。

多元线性回归eviews操作一.模型设定本例中我们假设拟建立如下多元回归模型：01122Y X X u βββ=+++二.估计参数1.建立工作文件首先，进入Eviews 主页，在菜单中依次点击File\New\Workfile ，出现对话框Work Create 。

截面数据Unstructured/undated 只需输入样本数就可以。

时间序列数据Dated-regular frequency 在Date specification 中选择数据频率： Annual （年度） Weekly （周数据） Quarterly (季度) Daily （5 day week ）每周5天日数据 Daily （7 day week ）每周7天日数据Monthly （月度）integer date （未注明日期或者不规则的） Semi Annual （半年度）其次，点击OK ，出现未命名文件的Workfile UNTITLED 工作框。

其中c 为截距项，resid 为残差项。

若要将文件存盘，点击save ，在save as 对话框中选择存盘路径，并输入文件名。

如多元线性回归案例2.输入数据方法一：Quick\Empty Group 等方法二：data Y X1 X2,得到如下表;3.估计参数方法一：Quick\Estimate Equation 方法二: LS Y C X1 X2三、解释表里参数标准差1β∧S =0.075308，回归标准差=被解释变量标准差=回归模型标准差：σ∧残差平方和：2i e ∑=4170093被解释变量的标准差：2=2388.459 AIC 和SC 准则：这两个准则要求仅当所增加的解释变量能减少AIC 值或SC 值时才在原模型中增加该解释变量。

与调整的可决系数相似。

多元小于一元，可以将前期人均居民消费作为解释变量包括在模型中。

四、模型检验1.经济意义检验估计的参数值都为正数，经济意义合理。

⑩陕&科技丈嗲实验报告成绩一、实验预习：1.多元回归模型。

2.多元回归模型参数的检验。

3.多元回归模型整体的检验。

二、实验的目的和要求：通过案例分析掌握多元回归模型的建立方法和检验的标准；并掌握分析解决实际金融问题的能力。

三、实验过程：（实验步骤、原理和实验数据记录等）软件：Eviews3.1数据：给定美国机动车汽油消费量研究数据。

1.实验步骤1）在Eviews7.0中，新建文件，并将给定的数据输入新建的文件中；2）分析变量间的相关关系；3）进行时间序列的平稳性检验，根据序列趋势图，对原序列进行ADF平稳性检验，再对时间序列数据的一阶差分进行ADF检验，并对结果进行分析讨论。

2.实验原理对于只有一个解释变量的模型，其参数估计方法是最简单的，一般形式如下:y t= A）+ +其中&称为被解释变量，人称为解释变量，％称为随机误差项。

模型可分为两部分：1）回归方程部分，2）随机误差部分，义㈣归分析就是根据样本观察值寻求从和成的估计值。

图一0 Series: S Torkfile: ADF::Adf\| VeA- J Proc: Object Properties ^nnt Name {Freeze J Default-n x| Options | Sample [Gerr j图二2）建立回归模型如卜:四、实验总结：（实验数据处理和实验结果讨论等）1.实验数据处理1）数据的预处理：通过绘制动态曲线、绘制散点图、计算变量之间的相关 关系为正式建模做准备。

可以画出美国汽车各项研究数据的趋势图如下：QMG = c(l) + c(2) * MOB + c(3) * PMG + c(4) * POP + c(5) * GNP 回归结果如下：Dependent Variable: QMG Method: LeastSquares Date: 06/10/14 Time: 16:19 Sample:1950 1987 Included observations: 38QMG=C(1)+C(2)*MOB+C(3)*PMG+C(4)*POP+C(5)*GNP由表中数据带入公式可写出线性回归表达式为：QMG = 24553723 + 1.418520 * MOB- 27995762 * PMG- 59.8748 * POP- 30540.88 * GNP3)进行模型检验从表Prob列的数据中发现c(0)与c(4)的值T检验未通过，可以考虑删除相应的自变量。

[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。