eviews分布滞后与虚拟变量模型

⒊随机解释变量的非平稳问题
由于时间序列经常出现非平稳现象，很容易 产生伪回归问题。
本节是在平稳的假设下来学习的，为了消除 时序固有的趋势性等非平稳特征，我们建议在模 型中都要引入时间变量。
有关非平稳时序的更复杂的情况，将在以后 的章节中介绍。
⒋ 时间变量作为解释变量
将被解释变量自身发展变化趋势，看作是时间 作用的结果时，即时间作为解释变量就叫做时间变 量，或叫趋势变量。一般以t为自然数来表示，也可 以让∑t=0，用正负整数两表示。
而图中的PAC和第二列的图示，是对偏自相关 函数的估计和描绘。因AR过程和ARMA过程中的 AR部分分量的偏相关系数具有p阶结尾的特征， 所以该图也是判断阶数p的依据。
自相关图中的检验信息 第一，估计的自相关函数的方差近似为T-1。所 以在观察相关图时，若估计的ACk的绝对值超过2个标 准差(2 T-1/2)，就被认为是显著地不为零。如图中的虚 线就是两倍的标准差的位置，只要图中的横柱不超 出虚线，就可以认为不显著。 第二，可以正态近似，因当T充分大时，近似有： (ACk -0) / T-1/2 =ACk T1/2 ～ N (0, 1) 第三，Q统计量及其概率是在不相关的原假设下 计算的，即所列概率反映着“不相关”的可能性。
⒉ 变量的多重共线性问题 多重共线性是指模型中的部分解释变量之间， 存在着高度的线性相关性问题。如果是完全的线性 相关则无法求解模型的参数，即使是一定程度的线 性相关，又没有必要将其同时全部纳入模型之中。
⒊ 变量的协整均衡问题 回归分析要求各变量之间的平稳的序列，如果 参与回归的各元素有非平稳现象存在，则很可能产 生伪回归问题，除非它有长期的均衡规律存在。
互相 关图是在 序列组对 象的View 下选择： Cross corr -elogram 得到的。

、一元线性回归1、建立eviews 文件 方法：file----new---workfile（1）年度时间序列文件 默认的就是时间序列 annual,以tax_gdp为例建立文件; File---new--workfileann ual--1985-1998（2）季度时间序列文件 选择quarterly,例1989年1季度到2008年4季度，就输入1989q01--2008qo4;（3）月度时间序列文件 选择 monthly,例1989年1月到 2008年12月，输入 1989m01---2008m12; 2、数据的导入 方法：(1) 直接导入。

File---open---foreign data as workfile;(文件名是英文名)；（2）建立变量。

① 多个变量 用 Quick---empty group （edit series ）;直接输入变量名称，例 year,tax,gdp ，每输入一个会出现一个对 话框，很据需要选择类型。

建立好变量之后，将 excel 表中的数据导入，复制即可。

② 在上方输入命令。

例 series year;或者 genr year;③ 在 workfile 对话框中建立，object--new--object--可以选 series 或者 equation;3、 数据的导出，直接复制或保存即可。

4、 建立变量之间的关系。

（1 ）用命令：ls tax c gdp(2) 将 tax,gdp 同时打开 as group;在对话框中， proc--make equation; ① Depe ndentVariable--被解释变量； ② Least Squares--最 小二乘法；Series create(3)选中tax,gdp ，右击，直接选择 as equation;[=]Equation: UNTITLED Workfile: UN TITLED: Entitled'._ □ X5、数据的预测。

'
'
②代入公式 S
E (Y0 )

' 2 X 0 (X ' X )X 0 求出 Y 均值的标准差


③把结果代入均值的置信区间公式 Y 0 t a / 2 S
E (Y0 )

即可得到置信区间
三：多元线性回归模型
1．参数估计的普通最小二乘估计
（1）在命令窗口中输入 data x1 x2 y，录入数据
RSS 2 RSS1
（8）给定一个显著性水平 a，F 的临界值为 Fa ( 观察值个数） （9）若 F> Fa (
nc nc k 1， k 1 )（c 为去除的 2 2
nc nc k 1， k 1 )，则拒绝无异方差性假设，模型存在异方差性。 2 2
（三）White 检验 （1）用 OLS 方法求得原模型的估计结果
Y 的个别值的预测置信区间为 Y 0 t a / 2 S ,其中 S 为 Y 的个别值预测的标准差为
Y0 Y0 ' S 2 [1 X 0 ( X ' X ) X 0 ] Y0


①在 Equation 框中，点击“Forecast”，弹出 Forecast 话框，S.E.一栏为预测值的标准 差，命名为 yczbzc，点击 OK，即可在 Workfile 界面看到一个名为 yczbzc 的序列。
（2）被解释变量 Y 均值区间预测公式
（3）进行计算时， Y f 可以在前面点预测序列 yf2 中找到； t a / 2 可以查 t 分布表得到；样本 数 n 为已知； X ew/Descriptive Statistics/Common Sample，得描述统计结果，其中：Mean 为均值，Std.Dev 为标准差） ；由 总体方差的无偏估计式 方法二：

有限滞后模型（若滞后期有限）和无限滞后模型（若滞后期无限）。
4、滞后变量模型的特点
⑴滞后变量模型可以更加全面、客观地描述经济现象。 ⑵使计量经济模型成为动态模型。
⑶定量地描述了经济变量的滞后效应，用以分析经济系统的变化和 调整过程。
但估计模型时也存在以下问题： （1）经济变量的各期值之间经常是高度相关的 ； （2）滞后变量个数的增加将会降低样本的自由度 ； （3）难以客观地确定滞后期的长度。
1 本科 D1 0 其他
而将年薪模型取成（假设以加法方式引入）： Yi=a+bxi+ α1D1i+ α2D2i +εi
1 研究生 D2 0 其他
其等价于：
Yi=a+bxi+ εi Yi=(a+α1)+ bxi+εi Yi=(a+α2)+ bxi+εi
年薪
大专以下(D1=D2=0) 本科(D1=1，D2=0) 研究生(D1=0，D2=1)
SMPL 1 8 GENR D1＝0 SMPL 9 16 GENR D1＝1 SMPL 1 16 GENR XD＝X*D1 LS Y C X D1 XD 估计结果为： 操作演示
样本期调为1998年 输入虚拟变量的值 样本期调为1999年 输入虚拟变量的值 样本期调至1998~1999年 生成XD的值 利用混合样本估计模型
4、混合回归 获得时序数据和横截面数据。在合并样本之前，需 在比较使用不同样本估计的模型之间是否有显著差异。 只要模型参数不随时间而改变，并且在各个横截面之间 没有差异，就可以使用混合样本估计模型。 例8．我国城镇居民1998年、1999年全年人均消费支出和 可支配收入的统计资料。试使用混合样本数据估计我国 城镇居民消费函数。 设1998年、1999年我国城镇居民消费函数分别为： 1998年：Yi=a1+b1xi +εi 1999年： Yi=a2+b2xi +εi