第10章 时间序列_截面数据模型ppt课件

1、第十章 时间序列/截面数据模型 在进展经济分析时经常会遇到时间序列和横截面两者相结合的数据。例如，在企业投资需求分析中，我们会遇到多个企业的假设干目的的月度或季度时间序列；在城镇居民消费分析中，我们会遇到不同省市地域的反映居民消费和居民收入的年度时间序列。本章将前述的企业或地域等统称为个体，这种具有三维个体、时间、目的信息的数据构造称为时间序列/截面数据，有的书中也称为平行数据或面板数据panel data。我们称这些数据为结合利用时间序列/截面数据Pooled time series，cross section。 经典线性计量经济学模型在分析时只利用了时间序列/截面数据中的某些二维数据信息，

2、例如运用假设干经济目的的时间序列建模或利用横截面数据建模。然而，在实践经济分析中，这种仅利用二维信息的模型在很多时候往往不能满足人们分析问题的需求。例如，在消费函数分析中，仅利用横截面数据只能对规模经济进展分析，仅利用混有规模经济和技术革新信息的时间序列数据只需在假设规模收益不变的条件下才干实现技术革新的分析，而利用时间序列/截面数据可以同时分析企业的规模经济选择同一时期的不同规模的企业数据作为样本观测值和技术革新选择同一企业的不同时期的数据作为样本观测值，可以实现规模经济和技术革新的综合分析。 时间序列/截面数据含有横截面、时间和目的三维信息，利用时间序列/截面数据模型可以构造和检验比以往单

3、独运用横截面数据或时间序列数据更为真实的行为方程，可以进展更加深化的分析。正是基于实践经济分析的需求，作为非经典计量经济学问题，同时利用横截面和时间序列数据的模型曾经成为近年来计量经济学实际方法的重要开展之一。 10.1 Pool对象 Pool对象的中心是建立用来表示截面成员的称号表。为明显起见，称号要相对较短。例如，国家作为截面成员时，可以运用USA代表美国，CAN代表加拿大，UK代表英国。 定义了Pool的截面成员称号就等于通知了EViews，模型的数据构造。在上面的例子中，EViews会自动把这个Pool了解成对每个国家运用单独的时间序列。 必需留意，Pool对象本身不包含序列或数据。一

4、个Pool对象只是对根本数据构造的一种描画。因此，删除一个Pool并不会同时删除它所运用的序列，但修正Pool运用的原序列会同时改动Pool中的数据。 一、创建Pool对象 在本章中，运用的是一个研讨投资需求的例子，包括了五家企业和三个变量的20个年度观测值的时间序列： 5家企业： 3个变量： GM：通用汽车公司 I ：总投资 CH：克莱斯勒公司 F ：前一年企业的市场价值 GE：通用电器公司 S ：前一年末工厂存货和设备的价值 WE：西屋公司 US：美国钢铁公司 要创建Pool对象，选择Objects/New Object/Pool并在编辑窗口中输入截面成员的识别称号： 对截面成员的识别称号

5、没有特别要求，但必需能运用这些识别称号建立合法的EViews序列称号。此处引荐在每个识别名中运用“_字符，它不是必需的，但把它作为序列名的一部分，可以很容易找到识别称号。 二、察看或编辑Pool定义 要显示Pool中的截面成员识别称号，单击工具条的Define按钮，或选择View/Cross-Section Identifiers。假设需求，也可以对识别称号列进展编辑。 三、运用Pool和序列 Pool中运用的数据都存在普通EViews序列中。这些序列可以按通常方式运用：可以列表显示，图形显示，产生新序列，或用于估计。也可以运用Pool对象来处置各单独序列。 四、序列命名 在Pool中运用序列

6、的关键是序列命名：运用根本名和截面识别称号组合命名。截面识别称号可以放在序列名中的恣意位置，只需坚持一致即可。 例如，现有一个Pool对象含有识别名 JPN， USA，UK，想建立每个截面成员的GDP的时间序列，我们就运用“GDP作为序列的根本名。 可以把识别称号放在根本名的后面，此时序列名为GDPJPN，GDPUSA，GDPUK；或者把识别称号放在根本名的前面，此时序列名为JPNGDP，USAGDP，UKGDP。 把识别称号放在序列名的前面，中间或后面并没什么关系，只需易于识别就行了。但是必需留意要坚持一致，不能这样命名序列：JPNGDP，GDPUSA，UKGDP1，由于EViews无法在P

7、ool对象中识别这些序列。 五、Pool序列 一旦选定的序列名和Pool中的截面成员识别称号相对应，就可以利用这些序列运用Pool了。其中关键是要了解Pool序列的概念。 一个Pool序列实践就是一组序列, 序列名是由根本名和一切截面识别名构成的。Pool序列名运用根本名和“？占位符，其中“？代表截面识别名。假设序列名为GDPJPN，GDPUSA，GDPUK，相应的Pool序列为GDP?。假设序列名为JPNGDP，USAGDP，UKGDP，相应的Pool序列为 ?GDP。 当运用一个Pool序列名时，EViews以为将预备运用Pool序列中的一切序列。EViews会自动循环查找一切截面识别称号

8、并用识别称号替代“？。然后会按指令运用这些替代后的称号了。Pool序列必需经过Pool对象来定义，由于假设没有截面识别称号，占位符“？就没有意义。10.2 输入Pool数据 有很多种输入数据的方法，在引见各种方法之前，首先要了解时间序列/截面数据的构造，区别堆积数据和非堆积数据方式。 时间序列/截面数据的数据信息用三维表示：时期，截面成员，变量。例如：1950年，通用汽车公司，投资数据。 运用三维数据比较困难，普通要转化成二维数据。有几种常用的方法。 一、非堆积数据 存在任务文件的数据都是这种非堆积数据，在这种方式中，给定截面成员、给定变量的观测值放在一同，但和其他变量、其他截面成员的数据分开

9、。例如，假定我们的数据文件为下面的方式： 其中根本名I代表企业总投资、F代表前一年企业的市场价值、S代表前一年末工厂存货和设备的价值。每个企业都有单独的I、F、S数据。 EViews会自动按第四章引见的规范输入程序读取非堆积数据。并把每个截面变量看作一个单独序列。留意要按照上述的Pool命名规那么命名。 确认后EViews会翻开新建序列的堆积式数据表。我们看到的是按截面成员堆积的序列，Pool序列名在每列表头，截面成员/年代识别符标识每行： 二、堆积数据 选择View/Spreadsheetstacked data，EViews会要求输入序列名列表 Pool数据陈列成堆积方式，一个变量的一切数

10、据放在一同，和其他变量的数据分开。大多数情况下，不同截面成员的数据从上到下依次堆积，每一列代表一个变量： 我们称上表数据是以截面成员堆积的，单击Order+/-实现堆积方式转换，也可以按日期堆积数据： 每一列代表一个变量，每一列内数据都是按年陈列的。假设数据按年陈列，要确保各年内截面成员的陈列顺序要一致。 三、手工输入/剪切和粘贴 可以经过手工输入数据，也可以运用剪切和粘贴工具输入： 1. 经过确定任务文件样本来指定堆积数据表中要包含哪些时间序列观测值。 2. 翻开Pool，选择View/Spreadsheetstacked data，EViews会要求输入序列名列表，可以输入普通序列名或Po

11、ol序列名。假设是已有序列，EViews会显示序列数据；假设这个序列不存在，EViews会运用已阐明的Pool序列的截面成员识别称号建立新序列或序列组。 3. 翻开Pool序列的堆积式数据表。需求的话还可以单击Order +/-按钮进展按截面成员堆积和按日期堆积之间的转换。 4. 单击Edit+/-按钮翻开数据编辑方式输入数据。 假设有一个Pool包含识别名_CM，_CH，_GE，_WE，_US，经过输入：I? F? S?，指示Eviews来创建如下序列：I_CM，I_CH，I_GE，I_WE，I_US；F_CM，F_CH，F_GE，F_WE，F_US；S_CM，S_CH，S_GE，S_WE，

12、S_US： 四、文件输入 可以运用Pool对象从文件输入堆积数据到各单独序列。当文件数据按截面成员或时期堆积成时，EViews要求： 1. 堆积数据是平衡的 2. 截面成员在文件中和在Pool中的陈列顺序一样。 平衡的意思是，假设按截面成员堆积数据，每个截面成员应包括正好一样的时期；假设按日期堆积数据，每个日期应包含一样数量的截面成员观测值，并按一样顺序陈列。 特别要指出的是，根底数据并不一定是平衡的，只需在输入文件中有表示即可。假设观测值中有缺失数据，一定要保证文件中给这些缺失值留有位置。 要运用Pool对象从文件读取数据，先翻开Pool，然后选择Procs/Import Pool Data

13、(ASCII,.XLS,.WK?)，要运用与Pool对象对应的输入程序。 经过第四章的学习，大家对这个对话框应该比较熟习，填写阐明如下： 注明Pool序列是按行还是按列陈列，数据是按截面成员堆积还是按日期堆积。 在编辑框输入序列的称号。这些序列名应该是普通序列名或者是Pool名。 填入样本信息，起始格位置和表单名可选项。 假设输入序列用Pool序列名，EViews会用截面成员识别名创建和命名序列。假设用普通序列名，EViews会创建单个序列。 EViews会运用样本信息读入文件到阐明变量中。假设输入的是普通序列名，EViews会把多个数据值输入到序列中，直到从文件中读入的最后一组数据。 从AS

14、CII文件中输入数据根本类似，但相应的对话框包括许多附加选项处置ASCII文件的复杂问题。概略请见第四章附录。 10.3 输出Pool数据 按照和上面数据输入相反的程序可进展数据输出。由于EViews可以输入输出非堆积数据，按截面成员堆积和按日期堆积数据，因此可以利用EViews按照需求调整数据构造。 10.4 运用Pool数据 每个截面成员的根底序列都是普通序列，因此EViews中对各单个截面成员序列适用的工具都可运用。另外，EViews还有专门适用于Pool数据的公用工具。可以运用EViews对与一特定变量对应的一切序列进展类似操作。 一、检查数据 用数据表方式查看堆积数据。选择View/

15、Spreadsheet (stacked data)，然后列出要显示的序列。序列名包括普通序列名和Pool序列名。点击Order+/-按钮进展数据堆积方式的转换。 二、描画数据 可以运用Pool对象计算序列的描画统计量。在Pool工具栏选择View/ Descriptive Statistics，EViews会翻开如下对话框： 在编辑框内输入计算描画统计量的序列。EViews可以计算序列的平均值，中位数，最小值，最大值，规范差，偏度，峰度，和Jarque-Bera统计量。 下一步选择样本选项： 1Individual单独的: 利用一切的有效观测值。即使某一变量的观测值是针对某一截面成员的，也计

16、算在内。 2Common截面共同的: 运用的有效观测值必需是某一截面成员的数据，在同一期对一切变量都有数值。而不论同期其他截面成员的变量能否有值。 3Balanced平衡的: 运用的有效观测值必需是对一切截面成员，一切变量在同一期都有数值。 最后还必需选择与计算方法相对应的数据构造： 1堆积数据Stacked data: 计算表中每一变量一切截面成员，一切时期的统计量。假设忽略数据的pool性质，得到的就是变量的描画统计量。 2堆积数据Stacked-means removed: 计算除去截面平均值之后的描画统计量值。 3截面成员变量Cross-section specific: 计算每个截面

17、变量一切时期的描画统计量。是经过对各单独序列计算统计量而得到的。 4时期变量Time period specific: 计算时期特性描画统计量。对每一时期，运用pool中一切截面成员的变量数据计算的统计量。 留意，后面两种方法能够产生很多输出结果。截面成员描画计算会对每一变量/截面成员组合产生一系列结果。假设有三个Pool变量，20个截面成员，EViews就会计算60个序列的描画统计量。 可以把时期特性统计量存储为序列对象。从Pool窗口选择Procs/Make Period Stat Series出现以下对话框，在编辑窗口输入想计算的时期统计量的序列名。然后选择计算统计量和样本选择。 三、生

18、成数据 1. 可以运用PoolGenr(panelgenr)程序生成或者修正Pool序列。点击Pool工具栏的Poolgenr并输入要生成的方程式，运用正确的Pool称号。例如上面的例子，输入：r?=I?/I_US, 相当于输入下面五个命令： r_CM = I_CM/I_US r_CH = I_CH/I_US r_GE = I_GE/I_US r_WE = I_WE/I_US r_US = I_US/I_US PoolGenr按照输入的方程在各截面成员间进展循环计算，生成新的序列或修正已有序列。 2. 可结合运用PoolGenr和Genr生成新的变量。 例如，要生成一个虚拟变量，在美国钢铁US

19、时取1，其他企业时取0，先选择PoolGenr,然后输入：dum?=0，从而初始化一切虚拟变量序列为0。然后，把US值设置为1，在主菜单项选择择Genr，然后输入：dum_US=1。 3. 运用Pool修正序列，选择PoolGenr然后输入新Pool序列表达式： dum?=dum?*(I?S?) 4. 还可以利用数据的内在循环特性进展给定时期的截面成员间的计算。例如，建立一普通序列IS，在主菜单项选择择Genr，然后输入：IS=0 ，即初始值设为0，然后选PoolGenr并输入： IS=IS+I? 相当于对普通序列从Genr输入以下计算： IS=I_GM+I_CH+I_GE+I_WE+I_US

20、 这个例子用来阐明内在循环这个概念。 四、生成Pool组 假设希望运用EViews的组对象工具处置一系列Pool序列，选择Procs/ Make Group输入普通序列和Pool序列称号，EViews就会生成一个包含这些序列的未命名组对象。 五、删除和存取数据 Pool可用来删除和存取序列。只需选择Procs/Delete pool series，Procs/Store pool series(DB)，Procs/Fetch pool series(DB)，输入普通序列和Pool序列称号即可。10.5 时间序列/截面数据模型估计方法 运用时间序列/截面数据模型数据构造信息，有很多种方法进展方程

21、估计。可以估计固定截距模型，随机截距模型，或者模型变量对各截面成员的系数不同，以及估计单独的AR(1)系数。也可以为各个截面成员分别估计一个方程。 EViews的Pool对象估计模型运用的方法有：最小二乘法，估计截面权重的加权最小二乘法或似乎不相关回归。这些方法的运用都不改动原数据的排序。 下面将引见怎样运用Pool和系统估计更普通和复杂的模型，包括二阶段最小二乘估计和非线性模型，以及有复杂截面系数限制的模型。 10.5.1 Pool对象估计的模型方式 Pool对象估计的方程模型方式为：(10.1) 其中yit 是因变量，xit 和i 分别是对应于 i =1 , 2 , , N 的截面成员的解

22、释变量 k 维向量和 k 维参数。每个截面成员的观测期为 t =1 , 2 , T。 我们可以把这些数据看作一系列截面阐明回归量，因此有N个截面方程：(10.2) 模型(21.2)常用的有如下三种情形： 情形1： 情形2： 情形3： 对于情形1，在横截面上无个体影响、无构造变化，那么普通最小二乘法估计给出了 和 的一致有效估计。相当于将多个时期的截面数据放在一同作为样本数据。 对于情形2，称为变截距模型，在横截面上个体影响不同，个体影响表现为模型中被忽略的反映个体差别的变量的影响，又分为固定影响和随机影响两种情况。 对于情形3，称为变系数模型，除了存在个体影响外，在横截面上还存在变化的经济构造

23、，因此构造参数在不同横截面上是不同的。10.5.2 如何估计Pool方程 单击Pool工具栏的Estimate选项翻开如下对话框： 1. 因变量 在因变量对话框中输入Pool变量或Pool变量表达式。 2. 样本 在右上角的编辑窗口中输入样本阐明。样本的缺省值是各截面成员中的最大样本值。假设得不到某时期截面成员的解释变量或因变量的值，那么此观测值会被排除掉。 复选框Balanced Sample阐明在各截面成员间进展数据排除。只需某一时期数据对任何一个截面成员无效，此时期就被排除。这种排除保证得到的样本区间对一切截面成员都是有效的。 假设某截面成员的一切观测值都没有，那么Pool在进展估计时就

24、排除这个截面成员。同时EViews会在输出中通知漏掉的截面成员。 3. 解释变量 在两个编辑框中输入解释变量。 (1) Common coefficients:此栏中输入的变量对一切截面成员有一样的系数，并用普通称号或Pool称号输出结果。 (2) Cross-section specific coefficients:此栏中输入的变量对Pool中每个截面成员的系数不同。EViews会对每个截面成员估计不同的系数，并运用截面成员识别名后跟普通序列名，中间用“衔接进展标签。 例如，假设在共同系数编辑框中输入普通变量F?和S?，会输出F?和S?的估计系数。假设在特定系数编辑框中输入这两个变量，会输

25、出如下方式的系数：_GM-F_GM，_CH-F_CH，_GE-F_GE，_WE-F_WE，_US-F_US和_GM-S_GM，_CH-S_CH，_GE-S_GE，_WE-S_WE，_US-S_US，等等。 留意，运用截面成员特定系数法估计模型会生成很多系数等于Pool中截面成员数和所列变量数的乘积。 10.5.3 Pool模型的计算方法 下面讨论Pool模型的计算方法。设有T个观测值相互堆积。为讨论方便，把堆积方程表示为：(10.3) 其中Y = +X + 和 X 分别包含了截面成员间对参数的一切限制。用分块矩阵方式表示如下： (10.4) 并且方程的残差协方差矩阵为： (10.5) 根本阐明

26、把Pool阐明作为联立方程系统并运用系统最小二乘法估计模型。 一、一切截面截距一样 当残差同期不相关，并且时期和截面同方差时， (10.6) 对堆积数据模型运用普通最小二乘法估计系数和协方差。相当于情形1：i = j，i = j ，在横截面上无个体影响、无构造变化，那么普通最小二乘法估计给出了 和 的一致有效估计。相当于将多个时期的截面数据放在一同作为样本数据。 一切的截面的系数相等，和将5个公司的数据接到一同，用OLS的估计结果一样。 二、变截距模型 1. 固定影响 (Fixed Effects) (情形2： i j，i = j ) 固定影响估计量经过为每个截面成员估计不同常数项使i不同。E

27、Views将每个变量减去平均值，并用转换后的数据，经过最小二乘估计来计算固定影响：(10.7)其中 设 ， ， 代表了X 减均值的差额的矩阵，bFE是运用普通最小二乘估计的系数。经过运用均值差模型的普通最小二乘协方差公式估计系数协方差矩阵：(10.8) (10.9)其中 ， 是固定影响模型的SSR。假设Pool中有缺失值，NT 就用除去缺失值后的总观测数替代。 固定影响本身不是直接估计的，计算公式为(10.10) 固定影响系数中不报告规范差。假设想得到规范差，应该选择截距阐明中的Common选项，来重新估计模型。 值得留意的是估计有太多截面成员的截面常数回归模型能够很费时。 2. 随机影响 (

28、Random Effects) 随机影响模型假设it 项是共同系数 和不随时间改动的截面阐明随机变量ui 的和，ui 和残差 i 是不相关的。EViews按以下步骤估计随机影响模型： (1) 运用固定影响模型的残差 eFE 估计it 的方差，并运用上述的 。 (2) 估计组间截面平均模型并计算：(10.11) 其中 i = 1 , 2 , , N 是组间回归的SSR。假设 的估计值是负值，EViews将前往错误信息。 有缺失观测值时Ti 在各截面成员间是不同的，EViews在进展方差估计时运用最大Ti 的值。只需缺失观测值的数目可渐进忽略，估计程序就是一致的。 (3) 对转换后变量运用OLS

29、(X 包括常数项和回归量x )(10.12)其中 。 EViews在输出中给出了由(3)得到的 的参数估计。运用协方差矩阵的规范估计量计算规范差。 EViews给出了随机影响的估计值。计算公式为：(10.13) 得到的是 ui 的最优线性无偏预测值。 最后，EViews给出了加权和不加权的概括统计量。加权统计量来自(3)中的GLS估计方程。未加权统计量来自普通模型的残差，普通模型中包括(3)中的参数和估计随机影响： (10.14) 三、截面加权 利用OLS参数估计,我们得到5个公司的方程残差的方差i2 ，具有截面异方差性。残差的方差通用汽车公司（GM）9410.91克莱斯勒公司（CH） 755

30、.85通用电器公司（GE）34288.89西屋公司（WE） 633.42美国钢铁公司（US）33455.51 当残差具有截面异方差性和同步不相关时最好进展截面加权回归：(10.15) EViews进展可行广义最小二乘FGLS。 首先从一阶段Pool最小二乘回归估计方差i2 ，计算公式为：(10.16) 其中 是OLS的拟合值。 其次系数值 由规范GLS估计量估计，是有效估计量。 四、SUR加权 当残差具有截面异方差性和同步相关性时，SUR加权最小二乘是可行的GLS估计量：(10.17) 其中是同步相关的对称阵： (10.18)普通项 ，在一切的 t 时为常数。 EViews估计SUR模型时运用

31、的 是由一阶段Pool最小二乘回归得到： (21.19) 分母中的最大值函数是为理处理向下加权协方差项产生的不平衡数据情况。假设缺失值的数目可渐进忽略，这种方法生成可逆的的一致估计量。 模型的参数估计和参数协方差矩阵计算运用规范的GLS公式。 五、怀特White协方差估计 在Pool估计中可计算怀特的异方差性一致协方差估计除了SUR和随机影响估计。EViews运用堆积模型计算怀特协方差矩阵： (21.20)其中K是估计参数总数。这种方差估计量足以解释各截面成员产生的异方差性，但不能解释截面成员间同步相关的能够。 1. 截距 在Intercept：标示区对截距进展选择阐明： 不能用截面成员特定系

32、数，AR项或者加权进展随机影响模型估计。 10.5.4 估计Pool方程的其他选项 None没有截距； = 0 Common对所有Pool成员截距相同； it = Fixed effects对每个Pool成员截距不同； it = i Random effects把截距看作随机变量：it = + ui , E(ui ,it)=0 2. 权重 在Pool方程估计中，缺省值为没有加权，但是可以选择加权项。有三种权重选择： 假设选择Cross section weights，EViews会假设出现截面异方差性进展广义最小二乘估计。假设选择SUR，EViews会进展广义最小二乘估计修正截面异方差性和同期

33、相关性。 No weighting 所有观测值赋予相同的权重 Cross section weightsGLS使用估计的截面残差的方差 SUR类似似乎不相关回归GLS使用估计的截面成员残差协方差矩阵 EViews不能估计这样的模型：很少的时期或者庞大的截面成员。所用的时期数平均应至少不小于截面成员数。即使有足够的观测值，估计的残差相关矩阵还必需是非奇特的。假设有一条不满足EViews的要求，EViews会显示错误信息：“Near Singular Matrix。 复选框Iterate to convergence控制可行GLS程序。假设选择，EViews就不断迭代权重和系数直到收敛。假设模型中

34、包括AR项，这个选择就没有意义，由于在AR估计中，EViews会不断迭代直至收敛。 3. 选项 (Options) (1) Iteration and Convergence Options迭代和收敛选择 假设选择加权估计和迭代至收敛，可以经过规定收敛准那么和最大迭代次数控制迭代过程。点击方程对话框的Options按钮并输入要求值即可。 (2) White Heteroskedasticity CovarianceWhite 异方差协方差 EViews能估计那些广义异方差性的强的协方差。这种方式的异方差性比上面引见的截面异方差性更普遍，由于一个截面成员内的方差可以随时间不同。要得到怀特规范差和

35、协方差,点Options按钮，选择White heteroskedasticity Consistent Covariance。留意此选项不适用于SUR和随机影响估计。 以我国各省市城镇居民人均消费和可支配收入作为例子：相应的Pool识别称号为BJ_，TJ_，HB_，SX_，NMG_，LN_， 。估计城镇居民人均消费?CS的回归模型，解释变量是前一年的人均消费?CS(-1) 、城镇居民人均可支配收入?YD。10.5 Pool方程实例 从城镇居民人均可支配收入?YD的系数看，各省市的边沿消费倾向是不同的，最高是北京，0.665，最低是江西， 0.555。求解得到一组方程： BJ_CS = 445

36、.1 + 0.*BJ_CS(-1) + 0.665*BJ_YD TJ_CS = 445.1 + 0.*TJ_CS(-1) + 0.62*TJ_YD HB_CS = 445.1 + 0.*HB_CS(-1) + 0.59*HB_YD SX_CS = 445.1 + 0.*SX_CS(-1) + 0.59*SX_YD NMG_CS = 445.1 + 0.*NMG_CS(-1) + 0.588*NMG_YD LN_CS = 445.1 + 0.*LN_CS(-1) + 0.64*LN_YD JL_CS = 445.1 + 0.*JL_CS(-1) + 0.619*JL_YD HLJ_CS = 445.1 + 0.*HLJ_CS(-1) + 0.588*HLJ_YD SH_CS = 445.1 + 0.*SH_CS(-1) + 0.631*SH_YD JS_CS = 445.1 + 0.*JS_CS(-1) + 0.602*JS_YD ZJ_CS = 445.1 + 0.*ZJ_CS(-1) + 0.627*ZJ_YD .21.6 Pool方程视图和过程 估计出Pool方程后，可以按下述方法检验输出结果： 1. 表达式 选择View/Representations检查输出。EViews把Pool估计成一个方程的系统，每个截面成