eviews示例

实验1、2 data1

10,0009,0008,0007,0006,000Y5,0004,0003,0002,0001,000020,00040,000X60,00080,000SHIY

Y=c(1)+c(2)x

Y=987.6560+0.094626x（线性方程的估计） Dependent Variable: Y Method: Least Squares Date: 10/13/14 Time: 16:30 Sample: 1985 1998 Included observations: 14

C X

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

Coefficient 987.6560 0.094626

Std. Error 155.0535 0.003625

t-Statistic 6.369774 26.10669

xy相关性图形

Prob. 0.0000 0.0000 4308.929 2422.474 14.57764 14.66894 14.56919 0.796338

0.982698 Mean dependent var 0.981256 S.D. dependent var 331.6568 Akaike info criterion 1319955. Schwarz criterion -100.0435 Hannan-Quinn criter. 681.5594 Durbin-Watson stat 0.000000

由相关图可知，变量之间非线性。

双对数函数模型ls log(y) c log(x)

Dependent Variable: LOG(Y) Method: Least Squares Date: 10/13/14 Time: 16:39 Sample: 1985 1998 Included observations: 14

C LOG(X)

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

Dependent Variable: Y Method: Least Squares Date: 10/13/14 Time: 16:40 Sample: 1985 1998 Included observations: 14

C LOG(X)

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

Coefficient -26161.95 2985.782

Std. Error 3149.050 307.7693

t-Statistic -8.307885 9.701363

Prob. 0.0000 0.0000 4308.929 2422.474 16.45494 16.54624 16.44649 0.318874

Coefficient 1.270592 0.682282

Std. Error 0.331606 0.032409

t-Statistic 3.831633 21.05212

Prob. 0.0024 0.0000 8.233497 0.528333 -1.862387 -1.771093 -1.870838 0.476391

0.973637 Mean dependent var 0.971441 S.D. dependent var 0.089286 Akaike info criterion 0.095663 Schwarz criterion 15.03671 Hannan-Quinn criter. 443.1918 Durbin-Watson stat 0.000000

对数函数模型 LS Y C LOG(X)

0.886917 Mean dependent var 0.877493 S.D. dependent var 847.8899 Akaike info criterion 8627007. Schwarz criterion -113.1846 Hannan-Quinn criter. 94.11645 Durbin-Watson stat 0.000000

指数函数模型 LS LOG(Y) C X

Dependent Variable: LOG(Y) Method: Least Squares Date: 10/13/14 Time: 16:42 Sample: 1985 1998 Included observations: 14

C X

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

Dependent Variable: Y Method: Least Squares Date: 10/13/14 Time: 16:43 Sample: 1985 1998 Included observations: 14

C X X^2

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

实验3 data2 LS Y C T L K

Coefficient 1645.456 0.046796 5.58E-07

Std. Error 219.5314 0.013987 1.60E-07

t-Statistic 7.495312 3.345712 3.480791

Prob. 0.0000 0.0065 0.0051 4308.929 2422.474 13.97787 14.11481 13.96520 1.205820

Coefficient 7.508617 2.07E-05

Std. Error 0.032401 7.57E-07

t-Statistic 231.7403 27.26696

Prob. 0.0000 0.0000 8.233497 0.528333 -2.369031 -2.277737 -2.377482 0.600081

0.984116 Mean dependent var 0.982793 S.D. dependent var 0.069305 Akaike info criterion 0.057638 Schwarz criterion 18.58322 Hannan-Quinn criter. 743.4870 Durbin-Watson stat 0.000000

二次函数模型LS Y C X X^2

0.991767 Mean dependent var 0.990270 S.D. dependent var 238.9594 Akaike info criterion 628117.6 Schwarz criterion -94.84512 Hannan-Quinn criter. 662.5106 Durbin-Watson stat 0.000000

Dependent Variable: Y Method: Least Squares Date: 10/13/14 Time: 20:05 Sample: 1978 1994 Included observations: 17

C T L K

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

Coefficient -675.3208 77.67893 0.666665 0.776417

Std. Error 2682.060 115.6731 0.853626 0.104459

t-Statistic -0.251792 0.671538 0.780980 7.432745

Prob. 0.8051 0.5136 0.4488 0.0000 6407.249 2486.742 13.42125 13.61730 13.44074 1.510903

0.995764 Mean dependent var 0.994786 S.D. dependent var 179.5630 Akaike info criterion 419157.5 Schwarz criterion -110.0807 Hannan-Quinn criter. 1018.551 Durbin-Watson stat 0.000000

异方差（heteroscedasticity ）是为了保证回归参数估计量具有良好的统计性质。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性，即它们都有相同的方差。如果这一假定不满足，则称线性回归模型存在异方差性。 若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显著性检验。 对存在异方差性的模型可以采用加权最小二乘法进行估计。 异方差性容易出现在截面数据中，这是因为在截面数据中通常涉及某一确定时点上的总体单位。比如个别的消费者及其家庭、不同行业或者农村、城镇等区域的划分，这些单位各自有不同的规模或水平，一般情况下用截面数据作样本时出现异方差性的可能性较大。 异方差检验主要有三种方法 1 Park-Gleiser检验 2 Goldfeld-Quandt 检验（缺点，只能处理单升和单降型的异方差） 3 White 检验 最著名最常用的是第三种怀特检验。核心原理是判断ui由xi解释程度的高低，越高越有异方差。 残差是指观测值与预测值（拟合值）之间的差，即是实际观察值与回归估计值的差

在回归分析中，测定值与按回归方程预测的值之差，以δ表示。残差δ遵从正态分布N(0，σ2)。（δ-残差的均值）/残差的标准差，称为标准化残差，以δ*表示。δ*遵从标准正态分布N(0，1)。实验点的标准化残差落在(-2，2)区间以外的概率≤0.05。若某一实验点的标准化残差落在(-2，2)区间以外，可在95%置信度将其判为异常实验点，不参与回归直线拟合。

显然，有多少对数据，就有多少个残差。残差分析就是通过残差所提供的信息，分析出数据的可靠性、周期性或其它干扰。

所谓残差，应该是在回归时，实际y值与回归曲线得到的理论y值之间的差值。

标准残差，就是各残差的标准方差。

在Excel中并不能直接绘制残差图，但可以通过Excel计算出残差值，再用残差值绘制散点图或折线图，从而得到残差图。

如果残差图中各点的值差别比较大，说明回归曲线方程与实际值之间差别也比较大。也可以说，残差图的波动幅度，反映了回归方程与实际值之间的差别程度。 在Excel操作中，常常通过添加误差线，来反映残差值大小。

线性拟合图，在Excel中，应该为线性趋势线。

假如原数据区域的x值在A1:A10区域，y值在B1:B10区域，选中A1:B10区域，插入→图表→散点图

选中图表中的数据系列，右击，添加趋势线，类型选项卡中选中线性，选项选项卡中，选择显示公式，确定，就可得到线性趋势线和线性回归方程（方程为y=bx+a的形式）。 在C1单元格输入

=A1*b+a（注意，公式中的a、b要换成回归方程中的相应数值） 向下复制公式就可以得到线性回归的理论值

如果随机误差项的各期望值之间存在着相关关系，这时，称随机误差项之间存在自相关性（autocorrelation）或序列相关。

随机误差项的自相关性可以有多种形式，其中最常见的类型是随机误差项之间存在一阶自相关性或一阶自回归形式，即随机误差项只与它的前一期值相关：cov(ut,u t-1) =E（ut,u t-1) =/= 0,或者u t=f(u t-1),则称这种关系为一阶自相关。

常用函数：

http://wenku.http://m.wodefanwen.com//link?url=GCSIIsxrUnl-3SM6V08ZlWexHyZkF1nD2SGPOCB-77C3ip6-I7HcT9kEYETzdXBCQn7v4073P_vHVmethEDNG-kt3fe0gOkm-tKNWhHsSHW 常用命令：http://wenku.http://m.wodefanwen.com//view/90095a21647d27284b73518e.html

本文来源：https://www.bwwdw.com/article/zg7t.html