使用eviews做线性回归分析

1、使用eviews做线性回归分析关键字：linear regressionGlossary:ls（least squares）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 Adjust R-seqaured（）S.E of regression回归标准误差Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watson stat： DW 统计量，0-4 之间Mean dependent var因变量的均值S.D. dependent var因

2、变量的标准差Akaike info criterion赤池信息量（AIC）（越小说明模型越精确）Schwarz ctiterion: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：自变量之间不相关随机误差相互独立，且服从期望为0，标准差为。的正态分布样本个数多于参数个数建模方法：ls y c x1 x2 x3 .x1 x2 x3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，复杂的是模型的

3、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a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|t|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DW检验：检验残差序列的自相关性，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

4、实测值之差为残差0=dw=dl残差序列正相关，dudw4-du无自相关，4-dldw=4负相关，若不在以上3个区间则检验失败，无法判断demo 中的 dw=0.141430，dl=1.73369,du=1.7786，所以存在正相关模型评价目的：不同模型中择优样本决定系数R-squared及修正的R-squaredR-squared二SSR/SST表示总离差平方和中由回归方程可以解释部分的比例，比例 越大说明回归方程可以解释的部分越多。Adjust R-seqaured=1-(n-1)/(n-k)(1-R2)对数似然值(Log Likelihood，简记为L)残差越小，L越大AIC准则AIC=

5、-2L/n+2k/n,其中L为log likelihood,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。SC准则SC= -2L/n + k*ln(n)/n用法同AIC非常接近预测 forecastroot mean sequared error(RMSE)均方根误差Mean Absolute Error(MAE) 平 均绝对误差这两个变量取决于因变量的绝对值，MAPE(Mean Abs. Percent Error) 平均绝对百分误差，一般的认为MAPE10(R2j0.9)则存在多重共线性。还可以使用VIFj的平均数作为判断标准，如果avg(VIFj)远大

6、于10则认为存在 多重共线性。eviews里如何使用VIF法？-建立方程，然后手工建立scalar vif。demo中GDP 和PR的vif为66,存在多重共线性？只有一个自变量的方程是否会失效?此时 dw值只有0.01远小于dl，说明GDP远远不是PR能决定的。结合testdrop将 PR去除，两个p值为0，说明不能把PR去除。在eviews中当自变量存在严重的多重共线性时将不能给出参数估计值，而会报 错：nearly singular matrix多重共线性的处理：剔除自变量，选择通过testdrop实验，并且vif值最大的那个差分法，在建立方程时填入 lsm1-m1(-1) cgdp-g

7、dp(T) pr-pr(-1)。m1(-1) 表示上一个m1差分法常常会丢失一些信息，使用时应谨慎。demo中得到的模型，c的p 值0.11, pr-pr(-1)的p值为0.60，说明参数无效。2)异方差性(Herteroskedasticity)即随机误差项不满足基本假设的同方差性，异方差性说明随机误差中有些项对因 变量的影响是不同于其他项的。一般地，截面数据做样本时出现异方差性的可能较大，或者说都存在异方差性 若存在异方差性，用OLS估计出来的参数，可能导致估计值虽然是无偏的，但不 是有效的。(截面数据就是同一时间点上各个主体的数据，比如2007年各省的GDP数据放 在一起就是一组截面数据

8、与之相对的是时间序列数据 如河北省从00年到07年的数据就是一组时间序列 数据两者综合叫面板数据)00年到07年各省的数据综合在一起就叫面板数据诊断方法：图示法，以因变量作为横坐标，以残差项为纵坐标，根据散点图判断是否存在 相关性。(选择两个序列作为group打开，先选中的序列将作为group的纵坐标)戈里瑟(Glejser)检验：?怀特(White)检验：用e2作为因变量，原先的自变量及自变量的平方(还可以加上各自变量之间的相 互乘积)作为自变量 建立模型。怀特检验的统计量为：m=n*R2(n是样本容量，R2是新模型的拟合优度)，m Z2(k) k为新模型除常数项之外的自变量个数零假设：模型

9、不存在异方差性操作：在估计出来的方程中，view-residual tests-WhiteHerteroskedasticity(no cross/cross)分别为是否含自变量交叉项demo中的两个p值为0，所以拒绝零假设，认为存在严重的异方差性。异方差性的处理：加权最小二乘法(WLS weighted least sequare) o最常用的方法，一般用于异方差形式可知的情况。基本思路是赋予残差的每个观 测值不同的权数，从而使模型的随机误差项具有相同的方差。自相关相容协方差(Heteroskedasticity and antocorrelation consistentconvarian

10、ces HAC)用于异方差性形式未知时。在建模时在options中选择Heteroskedasticity consistent convariances 再从 white,newey-west 中选择一种。HAC不改变参数的点估计，改变的知识估计标准差。如何改变标准差？自相关性残差项不满足相互独立的假设。一般的，经济时间序列中自相关现象较为常见，这主要是经济变量的滞后性带来的。自相关性将导致参数估计值虽然是无偏的，但不是有效的。诊断方法：绘制残差序列图。如果序列图成锯齿形或循环状的变化，可以判定存在自相关回归检验法：以残差e(t)为被解释变量，以各种可能的相关变量，如e(t-1) e(t-2

11、)作为自变量，选择显著的最优拟合模型作为自相关的形式。demo 中以 ls residm1 c residm1(-1) residm1(-2)后 发现 c 的 p 值为 0.54，做testdrop实验，两个p值都0.5可以将c剔除。剔除c后：Dependent Variable: RESIDM1Method: Least SquaresDate: 12/29/07 Time: 11:26Sample (adjusted): 1952Q3 1996Q4Included observations: 178 afteradjustmentsVariableCoefficientStd.Errort

12、-StatisticProb.R-squared0.868569Mean dependentRESIDM1(-1)1.2153610.07701115.781730.0000RESIDM1(-2)-0.2716640.078272-3.4707630.0007varAdjusted R-squared0.867823S.D. dependentvarS.E. of regression criterionSum squared resid criterionLog likelihood stat26.911389.7839617.41053816847.767.446289-657.53792.057531Akaike infoSchwarzDurbin-Watson0.011855模型的r-sequared稍小，参数很显著，dw显示为无自相关。但是常数c能剔除吗？剔除后模型没有f-statistic和对