《Eviews60线性回归》PPT课件

《《Eviews60线性回归》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第一讲Eviews基础与线性回归主要内容架构一、数据的导入与基本统计量二、线性回归（一元和多元）三、回归检验一、数据的导入与基本统计量EViews提供序列的各种统计图、统计方法及过程。当用前述的方法向工作文件中读入数据后，就可以对这些数据进行统计分析和图表分析。EViews可以计算一个序列的各种统计量并可用表、图等形式将其表现出来。视图包括最简单的曲线图，一直到核密度估计。打开工作文件，双击一个序列名，即进入序列的对话框。单击“view”可看到菜单分为四个区，第一部分为序列显示形式，第二和第三部分提供数据

2、统计方法，第四部分是转换选项和标签。描述统计量以直方图显示序列的频率分布。直方图将序列的长度按等间距划分，显示观测值落入每一个区间的个数。同直方图一起显示的还有一些标准的描述统计量。这些统计量都是由样本中的观测值计算出来的。均值(mean)即序列的平均值,用序列数据的总和除以数据的个数。中位数(median)即从小到大排列的序列的中间值。是对序列分布中心的一个粗略估计。最大最小值(maxandmin)序列中的最大最小值。标准差(StandardDeviation)标准差衡量序列的离散程度。计算公式如下N是

3、样本中观测值的个数，是样本均值。偏度（Skewness）衡量序列分布围绕其均值的非对称性。计算公式如下是变量方差的有偏估计。如果序列的分布是对称的，S值为0；正的S值意味着序列分布有长的右拖尾，负的S值意味着序列分布有长的左拖尾。峰度（Kurtosis）度量序列分布的凸起或平坦程度，计算公式如下分布的凸起程度大于正态分布；如果K值小于3，序列分布相对于正态分布是平坦的。意义同S中，正态分布的K值为3。如果K值大于3，Jarque-Bera检验检验序列是否服从正态分布。统计量计算公式如下S为偏度，K为峰度，

4、k是序列估计式中参数的个数。在正态分布的原假设下，J-B统计量是自由度为2的2分布。J-B统计量下显示的概率值（P值）是J-B统计量超出原假设下的观测值的概率。如果该值很小，则拒绝原假设。当然，在不同的显著性水平下的拒绝域是不一样的。二、基本回归模型单方程回归是最丰富多彩和广泛使用的统计技术之一。本章介绍EViews中基本回归技术的使用，说明并估计一个回归模型，进行简单的特征分析并在深入的分析中使用估计结果。随后的章节讨论了检验和预测，以及更高级，专业的技术，如加权最小二乘法、二阶段最小二乘法(TSLS

5、)、非线性最小二乘法、ARIMA/ARIMAX模型、GMM（广义矩估计）、GARCH模型和定性的有限因变量模型。这些技术和模型都建立在本章介绍的基本思想的基础之上。（一）创建方程对象EViews中的单方程回归估计是用方程对象来完成的。为了创建一个方程对象:从主菜单选择Object/NewObject/Equation或Quick/EstimationEquation…，或者在命令窗口中输入关键词equation。在随后出现的方程说明对话框中说明要建立的方程，并选择估计方法。（二）在EViews中对方程进行

6、说明当创建一个方程对象时，会出现如下对话框：在这个对话框中需要说明三件事：方程说明，估计方法，估计使用的样本。在最上面的编辑框中，可以说明方程：因变量（左边）和自变量（右边）以及函数形式。有两种说明方程的基本方法：列表法和公式法。列表法简单但是只能用于不严格的线性说明；公式法更为一般，可用于说明非线性模型或带有参数约束的模型。（三）在EViews中估计方程1估计方法说明方程后,现在需要选择估计方法。单击Method：进入对话框，会看到下拉菜单中的估计方法列表：标准的单方程回归用最小二乘估计。其他的方法在以

7、后的章节中介绍。采用OLS，TSLS，GMM，和ARCH方法估计的方程可以用一个公式说明。非线性方程不允许使用binary，ordered，censored，count模型，或带有ARMA项的方程。2估计样本可以说明估计中要使用的样本。EViews会用当前工作文档样本来填充对话框。如果估计中使用的任何一个序列的数据丢失了，EViews会临时调整观测值的估计样本以排除掉这些观测值。EViews通过在样本结果中报告实际样本来通知样本已经被调整了。在方程结果的顶部,EViews报告样本已经得到了调整。从1978

8、年2002年期间的25个观测值中,EViews使用了24个观测值。3估计选项EViews提供很多估计选项。这些选项允许进行以下操作：对估计方程加权，计算异方差性，控制估计算法的各种特征。（四）方程输出在方程说明对话框中单击OK钮后，EViews显示估计结果：根据矩阵的概念,标准的回归可以写为：其中:y是因变量观测值的T维向量，X是解释变量观测值的Tk维矩阵，T是观测值个数，k是解释变量个数，是k维系数向量，u是T维扰动项