使用eviews做线性回归分析

《使用eviews做线性回归分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、Glossary:ls(leastsquares)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AdjustR-seqaured()S.Eofregression回归标准误差Loglikelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watsonstat：DW统计量，0-4之间Meandependentvar因变量的均值S.D.dependentvar因变量的标准差Akaikeinfocrit

2、erion赤池信息量(AIC)（越小说明模型越精确）Schwarzctiterion: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:lsycx1x2x3...x1x2x3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

3、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

4、t

5、大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为n-p-1,n为样本数，p为系数位置3）DW检验：检验残差序列的自

6、相关性，检验基本假设2（随机误差相互独立）残差：模型计算值与资料实测值之差为残差0<=dw<=dl残差序列正相关，du

7、ed=1-(n-1)/(n-k)(1-R2)2）对数似然值(LogLikelihood,简记为L)残差越小，L越大3）AIC准则AIC=-2L/n+2k/n,其中L为loglikelihood,n为样本总量，k为参数个数。AIC可认为是反向修正的L，AIC越小说明模型越精确。4）SC准则SC=-2L/n+k*ln(n)/n用法同AIC非常接近预测forecastrootmeansequarederror(RMSE)均方根误差MeanAbsoluteError(MAE)平均绝对误差这两个变量取决于因变量的绝对值，MAPE(MeanAbs

8、.PercentError)平均绝对百分误差，一般的认为MAPE<10则认为预测精度较高TheilInequalityCoefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。偏差率(biasProportion)，bp，反映预测值和真实值均值间的差异方差率(varianceProportion)，vp，反映预测值和真实值标准差的差异协变率(covarianceProportion)，cp，反映了剩余的误差以上三项相加等于1。预测比较理想是bp,vp比较小，值集中在cp上。eviews不能直接计算出预测值的置信

9、区间，需要通过置信区间的上下限公式来计算。如何操作？其他1)Chow检验chow'sbreakpoint检验零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变demo中ChowBreakpointTest:1977Q1F-statistic2.95511837136742Prob.F(3,174)0.0339915698953355Loglikelihoodratio8.94507926849178Prob.Chi-Square(3)0.0300300700620291p值<0.05，可拒绝0假设，即认为各个因素

10、的影响强弱发生了改变。问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow'sbreakpoint检验的两个p值都接近0.2，