Eviews 实验操作手册(部分)

Eviews实验操作记录（慢慢整理）

相关系数检验：

W AGE ED SEX

W 1.000000 0.210152 0.495856 -0.260906

AGE 0.210152 1.000000 -0.038637 0.144689

ED 0.495856 -0.038637 1.000000 -0.084487

SEX -0.260906 0.144689 -0.084487 1.000000

①可以在命令窗口键入命令：cor x y z……，就会输出相关系数矩阵。

②假设你的样本数据序列：x1 x2

从主菜单选择 Quick/Group Statistics/Correlations 之后会弹出个对话框，在对话框选择你的目标序列

x1 x2

说明：

序列相关好像只有正相关、负相关、完全相关、完全不相关、强相关、弱相关等概念。相关系数为1是完全正相关，－1是完全负相关，0是完全不相关。

个人感觉0.5左右的相关关系（趋势）就比较弱了。eviews提供的相关计算是指序列之间的线性相关关系。如果序列之间不存在线性相关，也有可能存在其他类型的相关关系，如对数相关、指数相关等等。通常显著性是和建设检验关联的。统计假设检验也称为显著性检验，即指样本统计量和假设的总体参数之间的显著性差异。显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。显著性差异就是实际样本统计量的取值和假设的总体参数的差异超过了通常的偶然因素的作用范围，说明还有系统性的因素发生作用，因而就可以否定某种条件不起作用的假设。假设检验时提出的假设称为原假设或无效假设，就是假定样本统计量与总体参数的差异都是由随机因素引起，不存在条件变动因素。

假设检验运用了小概率原理，事先确定的作为判断的界限，即允许的小概率的标准，称为显著性水平。如果根据命题的原假设所计算出来的概率小于这个标准，就拒绝原假设；大于这个标准则接受原假设。这样显著性水平把概率分布分为两个区间：拒绝区间，接受区间。 显著性水平不是一个固定不变的数字，其越大，则原假设被拒绝的可能性愈大，原假设为真而被否定的风险也愈大。显著性水平应根据所研究的的性质和我们对结论准确性所持的要求而定

Eviews残差图的做法

①拟合后在eviews点击proc 点击make residual series，出现resid的值，再做图。View，graph，点击确定。 ②模型估计完成后点击resid

RESID011612840-4-8-12255075100125150175200

用eviews进行残差正态性检验

在回归估计模型左上角的view-residual tests-histogram normal test,得到残差的分布直方图，左侧是残差的描述统计量，还有jarque-bera统计量，即得到残差的正太性检验。

65Series: ResidualsSample 1978 2006Observations 29Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-BeraProbability-0.04-0.020.000.020.040.060.08432 5.18e-16-0.006174 0.073865-0.055842 0.029645 0.502177 3.003060 1.218889 0.54365310-0.06

这个最终的结果要看JB统计量，原假设是模型服从正态分布 在1%显著性水平下，P大于0.01，不能拒绝原假设 在5%显著性水平下，P小于0.05，拒绝原假设

对残差序列进行LM检验

在回归估计模型左上角的view-residual tests- Serial Correlation LM Test,得到残差的LM检验结果

Breusch-Godfrey Serial Correlation LM Test: F-statistic

12.44271 Prob. F(2,25)

0.0002 0.0007

Obs*R-squared

14.46669 Prob. Chi-Square(2)

Test Equation:

Dependent Variable: RESID Method: Least Squares Date: 12/26/15 Time: 00:11 Sample: 1978 2006 Included observations: 29

Prob. 0.9034 0.9030 0.0012 0.8682 5.18E-16 0.029645 -4.649131 -4.460539 -4.590066 1.990525

Presample missing value lagged residuals set to zero.

Variable C LOG(YDP) RESID(-1) RESID(-2)

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient -0.006564 0.000756 0.729874 -0.033677

Std. Error 0.053556 0.006143 0.200130 0.200812

t-Statistic -0.122571 0.123123 3.647008 -0.167706

0.498851 Mean dependent var 0.438714 S.D. dependent var 0.022210 Akaike info criterion 0.012332 Schwarz criterion 71.41240 Hannan-Quinn criter. 8.295138 Durbin-Watson stat 0.000534

检验结果P值小于5%，拒绝原假设，即回归方程的残差序列存在序列相关性。 ③ 残差序列的Q统计量和序列相关图

残差序列的Q统计量和序列相关图表明，残差序列是一个随机扰动项。

检验异方差：

经典线性回归模型的一个重要假定是：总体回归函数中的随机误差项满足同方差。如果不满足，最小二乘估计虽然是无偏、一致的，但不是有效的，这时采用t检验和f检验则有可能导致错误的结论。

异方差产生可能的原因有：模型中缺少某些变量、测量误差、模型设置不正确、异常值出现。

异方差的形式有几种：残差随着变量增大而增大；残差随着变量增大而减少；与变量的变化呈复杂形式。

1. 异方差的检验 （1）相关图分析

方差为随机变量的离散程度，通过观察y和x的相关图，可以观察的离散程度和解释变量之间的相关关系。若随x的增加，y的离散程度呈逐渐增加或减少的趋势则表明模型存在着递增或者递减的异方差性。黄色字体为自己填写部分。 ——————————————模板———————————— Ls 被解释变量 C 解释变量 Scat resid 解释变量1

——————————————模板———————————— Ls语句首先建立回归方程。

Scat语句是制作残差与解释变量的相关图。

（2）戈德菲尔德—匡特检验（G-Q检验）

此检验的原理是：将样本按解释变量排序后分成两部分，再利用样本1和样本2分别建立回归模型，并求出各自的残差平方和RSS1和RSS2，如果误差项的离散程度相同，则RSS1与RSS2的值应该大致相同，若两者之间存在显著差异，则表明存在异方差性。为了“夸大”残差的差异性，一般取两端部分样本比较，去掉中间C个数据（通常取C=n/4），再利用F统计量判断差异的显著性。

——————————————模板———————————— Sort 解释变量 Smpl 1 n1

Ls 被解释变量 C 解释变量 Smpl n2 n

Ls 被解释变量 C 解释变量

——————————————模板———————————— Sort语句首先将样本按照解释变量排序。

第一个Smpl语句取第一部分样本，1—n1，一般取n1=n*3/8，n为样本个数。 第一个Ls语句建立回归方程，得到残差平方和RSS1

第二个smpl语句取第二部分样本，从n1+1到n2-1，是去掉的样本部分，大约有n/4个数据，因此一般通常取n2=n*5/8+1。

第二个ls语句建立回归方程，得到残差平方和RSS2。

得到F=RSS2/RSS1，查表得到F(n/2-c/2-k-1)。若F> F(n/2-c/2-k-1)，说明显著，存在异方差。

注：n是样本个数，c是去掉的样本个数，一般为n/4，k为解释变量个数

（3）怀特检验

建立方程后，在菜单中点击view/residual test/white heteroskedasticity

（4）帕克检验

帕克检验是通过残差序列对解释变量的辅助回归模型，判断随机误差项的方差与解释变量之间是否存在着较强的相关关系。这种方法的好处是，不仅能检验异方差性，而且可以探测异方差的具体形式。 帕克检验的基本形式为： 或

——————————————模板———————————— Ls 被解释变量 C 解释变量 Genr lne2=log(resid^2)

Genr ln解释变量=log(解释变量) Ls lne2 c ln解释变量

——————————————模板———————————— 第一个Genr语句是产生新变量lne2= log(resid^2)

第二个Genr语句是产生新变量ln解释变量=log(解释变量)

最后一个ls语句是建立辅助回归模型，看是否显著，如果显著，则不但能说明存在异方差性，而且还能知道异方差的形式。

2． 异方差的校正—加权最小二乘法

——————————————模板———————————— Ls (w=权数变量) 被解释变量 c 解释变量

——————————————模板————————————

比如，如果方程ls y c x1 x2中，发现残差的平方与x2之间存在递增的异方差，则可以用x2作为解析权重进行加权最小二乘估计： Ls (w=1/x2) y c x1 x2

http://bbs.pinggu.org/thread-3178339-1-1.html

对异方差性的BP检验的结果如下：

（小于等于0.05就是存在异方差）

Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic

2.760100 Prob. F(2,24)

0.0834 0.0801 0.0459

Obs*R-squared Scaled explained SS

5.048929 Prob. Chi-Square(2) 6.162312 Prob. Chi-Square(2)

F统计量的P值大于5%但小于10%，故在10%的显著性水平下，可以拒绝无异方差性的原假设，BP检验识别模型存在异方差性。

对异方差性的White检验的结果如下：

本文来源：https://www.bwwdw.com/article/52g3.html