 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
第三章二元回归最小二乘法
下载积分：4000
内容提示：第三章二元回归最小二乘法
文档格式：PPT|
浏览次数：168|
上传日期： 04:37:48|
文档星级：
全文阅读已结束，如果下载本文需要使用
 4000 积分
下载此文档
该用户还上传了这些文档
第三章二元回归最小二乘法
官方公共微信工具类服务
编辑部专用服务
作者专用服务
多变量滑动平均模型参数估计两段最小二乘法
提出了多变量滑动平均(MA)模型参数估计的两段最小二乘法.第一段将多变量MA模型用高阶多变量自回归(AR)模型近似代替,用多变量递推最小二乘法(MRLS)估计高阶AR模型参数.第二段用最小二乘法解不相容矩阵代数方程组得MA参数估值.同多变量递推增广最小二乘法相比,可提高精度,仿真例子说明了其有效性.
作者单位：
黑龙江大学,电子工程学院,黑龙江,哈尔滨
年，卷(期)：
机标分类号：
在线出版日期：
基金项目：
黑龙江省自然科学基金
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社计量经济学
适用课程:&计量经济学(21G065003),计量经济学(21H093002),计量经济学(22G045001)【访问量：720】
《计量经济学》
上海政法学院经济管理学院
实验室教学项目表
课程名称：&&& 计量经济学&&&&&&&&&&&& 实验类别：专业
内& 容& 提& 要
第二章 EViews的基本操作 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&10
第一章 预备知识
一、什么是EViews
EViews (Econometric Views)软件是QMS（Quantitative Micro Software）公司开发的、基于Windows平台下的应用软件，其前身是DOS操作系统下的TSP软件。EViews具有现代Windows软件可视化操作的优良性。可以使用鼠标对标准的Windows菜单和对话框进行操作。操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。EViews还拥有强大的命令功能和批处理语言功能。在EViews的命令行中输入、编辑和执行命令。在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程序。
EViews是Econometrics Views的缩写，直译为计量经济学观察，通常称为计量经济学软件包，是专门从事数据分析、回归分析和预测的工具，在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛。
■ 应用经济计量学& && && &&&&■ 总体经济的研究和预测　　■ 销售预测& && && && &&&&&& &&&&■ 财务分析　　&&&
■ 成本分析和预测& && && &&&&■ 蒙特卡罗模拟
■ 经济模型的估计和仿真 &&&■ 利率与外汇预测
EViews引入了流行的对象概念，操作灵活简便，可采用多种操作方式进行各种计量分析和统计分析，数据管理简单方便。其主要功能有：
（1）采用统一的方式管理数据，通过对象、视图和过程实现对数据的各种操作；
（2）输入、扩展和修改时间序列数据或截面数据，依据已有序列按任意复杂的公式生成新的序列；
（3）计算描述统计量：相关系数、协方差、自相关系数、互相关系数和直方图；
（4）进行T 检验、方差分析、协整检验、Granger 因果检验；
（5）执行普通最小二乘法、带有自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH 模型估计法等；
（6）对选择模型进行Probit、Logit 和Gompit 估计；
（7）对联立方程进行线性和非线性的估计；
（8）估计和分析向量自回归系统；
（9）多项式分布滞后模型的估计；
（10）回归方程的预测；
（11）模型的求解和模拟；
（12）数据库管理；
（13）与外部软件进行数据交换
EViews可用于回归分析与预测(regression and forecasting)、时间序列(Time Series)以及横截面数据(cross-sectional data )分析。与其他统计软件（如EXCEL、SAS、SPSS）相比，EViews功能优势是回归分析与预测，其功能框架见表1.1.1。
本手册以EViews5.1版本为蓝本介绍该软件的使用。
表1.1.1& EViews功能框架
Descriptive statistics
Histogram and Statistics View of a Single Series Multiple Series
一个变量或多个变量的统计与图形
主要有：图形包括线型图、条形图、多种散点图等；指标有均值、方差、偏度（Skewness）、峰度(Kurtosis)、Jarque-Bera Statistic（雅克-贝拉统计量）
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Correlogram View（相关分析）
主要有：Autocorrelations（自相关）、Partial Autocorrelations（偏自相关）、Cross Correlation（交叉相关）、Q-Statistics（Q统计量）等
Regression
Serial Correlation
Specification and Diagnostic Tests
模型设定与诊断检验
二、EViews安装
打开EViews5.1文件所在文件夹，点击Setup安装，安装过程与其他软件安装类似。安装完毕后，电脑桌面和文件安装位置都有EViews5图标。双击EViews5图标即可启动该软件，如下图（图1.1.1）。
三、EViews工作特点
（一） EViews软件的具体操作是在Workfile中进行。如果想用EViews进行某项具体
的操作，必须先新建一个Workfile或打开一个已经存在硬盘（或软盘）上的Workfile，然后才能够定义变量、输入数据、建造模型等操作；
（二） EViews处理的对象及运行结果都称之为Object（对象），如序列（Series）、方程(Equation)、如表格（Spreadsheet）、图（Graph）、描述统计（Descriptive Statistics）、模型（Models）、系数（Coefficients）等Object，可以用不同形式查看（View）Object，比如表格（Spreadsheet）、图（Graph）、描述统计（Descriptive Statistics）等，但这些查看（View）结果不是独立的Object，他们随原变量序列的改变而改变。如果想将某个查看（View）结果转换成一个独立的Object，可使用Freeze命令将该结果“冻结”，从而形成一个独立的Object，然后可对其进行编辑或存储。
（三）EViews中建立的Object的命名不区分大小写，其中c、resid为参数向量和残差序列两Object的专用名称，不能用来对其他对象命名。
四、一个示例
在这里，我们通过一个简单的回归分析例子来显示一个EViews过程，不对EViews的详细功能展开讨论，目的是使读者先对EViews有个概括了解。该例子是四川省人均可支配收入与人均年消费支出的数量关系分析（数据见下表1.1.2），共分九步。
人均年消费支出Y
人均可支配收入X
设定模型为&&
STEP1& 启动程序。
双击桌面上EViews快捷图标，打开EViews（参见在图1.1.1）。
STEP2& 建立Workfile。
点击EViews主窗口顶部命令菜单file\new\Workfile (如图1.1.2)，弹出Workfile Create对话框（图1.1.3）。在右边frequency下拉菜单中可选数据类型，Annual为默认的数据类型。因为这次数据是年度时间序列数据（1978年～1998年的年度数据），故不需做调整（若是别的数据类型则需另选相应选项）。在Start 和End 的文本框中分别输入1978和1998，在右下角文本框中输入新建的这个Workfile的名字，例如shili。点击OK，出现图1.1.4画面，Workfile建立完毕。
此时可以看到Workfile中有两个默认的对象，名称分别为c 、resid，分别为参数估计值向量和残差序列。在没做回归估计之前，向量c的每个元素的值都为0，残差序列的每个值为NA，表示还没有赋值。以后每做一次回归估计，c和resid就会被重新赋值（被分别赋予最新回归估计的参数估计值向量和残差序列）。
&&&&&&&&&&&&&&& 图1.1.2&& &&&&&&&&&&&&&&&&&&&&&&&&&&&图1.1.3
STEP3& 新建Object，用以录入数据。
方法一：新建Group对象（如g1）。
点击EViews主窗口顶部菜单命令Object\new Object或者Workfile上面的菜单命令Object ，弹出New Object对话框（图1.1.5），在Type of Object中选择Group类型，然后在右边文本框中为新建的group对象（Object）命名，比如为g1，然后点击OK，弹出一个表格形式的Group对话框（图1.1.6），同时在Workfile中出现了新建的这个group对象g1。在g1对话框的obs栏可输入多个序列对象名并在表格中录入这些序列的数据。
方法二：新建序列对象（如Y、X）
建立序列对象方法同方法一，不同之处仅在于选择对象类型时，不是选group，而是选Series。序列对象建立后，可以直接在序列对象中录入数据。
图1.1.5&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.1.6
STEP4& 录入数据。
对应上step3中方法一：在group对象（g1）表格中录入数据
（1）将图1.1.6表格右端的滑块拖到顶端，这时看到表格左侧出现两个obs。
（2）建立序列对象Y：点击g1表格中第一列顶部的灰色条（第一个obs右侧），该列全部变蓝（图1.1.7），输入变量名Y，回车，出现图1.1.8所示的对话框，点OK即可。如此便建立了序列Y（这时可在Workfile中发现多了一个序列Y），不过此时还没有给序列对象Y赋值（即录入数据），序列Y中每个年度的值现在都为NA（图1.1.9）。
&&&&&&&&&&&&&&& 图1.1.7&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.1.8
&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&图1.1.9
（3）录入数据：在g1数据表格中Y所在列录入序列Y的各年观测值。
仿上可在g1第二列建立序列X（人均可支配收入），并录入各年人均可支配收入X。
这样便在g1中定义了两个序列对象（Y、X）并录入了数据，结果如图1.1.10。
对应上step3中方法二：直接生成序列对象（Y、X）并直接在其中录入数据。
双击Workfile中序列对象Y，点击序列对象Y的数据表上菜单命令edit +\-，将编辑状态切换为“可编辑”，然后在其单元格中录入数据。同样办法，录入序列X的数据。
注意，无论是在g1中，还是在Y、X中录入数据，在录入之后，最好再次点击数据表上菜单命令edit +\-，把编辑状态切换回“不可编辑”。
STEP5& 查看对象（View）。
使用g1对话框命令菜单view可以用多种形式查看数据和对数据做一些统计、检验等。下面举例用线性图查看X和Y的数据：双击打开g1表格形式，点击g1表格上菜单命令 View\Graph，出现一个下拉菜单，选择line（图1.1.11）。点击，line即可看见序列X、Y的线性图（图1.1.12）。
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&图1.1.11
STEP6& 保存对象查看的结果。
前面提到，这些查看结果不是独立的对象，只是原对象的另外一种展现形式而已。若需保存这个展现形式，可以用freeze命令把它“冻结”起来。点击图1.1.12中菜单命令Freeze，弹出X和Y的图形对象，如图1.1.13所示。点图形对象UNTILED顶部菜单命令Name，会弹出一个命名的对话框，在框中给该图形命名（默认为Graph01，也可取别的名字），点OK，就将新对象命名且保存在Workfile中（在Workfile中可以看到新出现了一个图形对象graph01）。图1.1.13与图1.1.12不同在于，图1.1.13是一个Graph类型的Object，该线性图不随Y、X数据变化而变化，是独立的，可以对其进行编辑；而图1.1.12是Group类型的Object，仅仅是Y、X数据的一种图形查看形式，它随着Y、X数据变化而变化。
&& 图1.1.13
STEP7：最小二乘回归分析。
点击EViews主窗口上菜单命令的Quick\Estimate Equation，弹出Equation Specification
对话框（图1.1.14），在Equation specification 下的空框中输入Y &C &X（注意被解释变量要放到第一个位置，变量用空格隔开。除c外，其他变量须为序列对象，变量均不带下标），点击“确定”，得到Y对X回归模型估计结果（图1.1.15）。该模型说明人均可支配收入X对人均消费支出Y具有较强的解释能力。
&图1.1.14&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&图1.1.15
&&& 若需要保留回归结果，可直接点击图1.1.15顶部菜单命令Name，在弹出的对话框中键入保存名称（为此Equation对象命名），点OK即可。
STEP8：从图形的角度来查看一下模型的拟合情况。点击上Equation对话框中顶部菜单命令View\Actual Fitted Residual\Actual Fitted Residua Graph ，Equation对话框变成如图1.1.16形式，图形显示模型的拟合效果很好。
STEP9 保存。点击EViews主窗口菜单命令：File\save（保存）或者File\save as（另存），在弹出的对话框中设定保存路径和文件名后，点save即可。（最好用英文文件名，以免出错）
的基本操作
一、Workfile（工作文件）
Workfile就象你的一个桌面，上面放有许多Object，在使用EViews时首先应该打开该桌面，如果想永久保留Workfile及其中的内容，关机时必须将该Workfile存盘，否则会丢失。
（一）创建一个新的Workfile
打开EViews后，点击File\New\Workfile，弹出一个Workfile Create对话框（图1.2.1）。该对话框是定义Workfile的频率等内容。该频率是用于界定样本数据的类型，其中包括时序数据、截面数据、Panel Data等。选择与所用样本数据相适应的频率。例如，样本数据是年度数据，则选择年度（Annual），相应的Object也是年度数据，且Object数据范围小于等于Workfile的范围。当我们的样本数据为1978年至1998年的年度数据，则选择的频率为年度数据（Annual），接着再在起始时间（Start date）和终止时间（End date）两项选择项中分别键入1970、1998，然后点击OK，就建立了一个时间频率为年度数据的Workfile（图1.2.2）。
图1.2.1 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&图1.2. 2
其他不同频率的时间序列样本数据的选择方法类似于年度数据的选择方法，对于截面数据，则是在Workfile Create对话框左侧Workfile structure type栏中选择Unstructure/Undated选项，在右侧Date Range中填入样本个数。
在Workfile窗口顶部，有一些主要的菜单命令，使用这些菜单命令可以查看Object、改变样本范围（Range）、存取Object、生成新的Object等操作，这些命令和EViews主窗口上的菜单命令功能相同。稍后我们会详细介绍其功能。
在新建的Workfile中已经默认存在两个Object，即c和resid。c是系数向量、resid是残差序列，当估计完一个模型后，该模型的系数、残差就分别保存在c和resid中。
Workfile窗口中主要菜单命令介绍
下面我们以第一章已经建好的包含X（人均可支配收入）与Y（人均可支配支出）为例
来说明Workfile窗口中主要命令的功能（图1.2.3）。
View（查看）
该命令与EViews主窗口顶部的View功能是一样的，功能是显示所选的Object。例如选定图1.2.3中的X，然后点击View\Open Selected\One Window ，则弹出显示X值的窗口。View的这一功能与双击X效果是一样的。
Procs（处理）
Procs命令包含设置sample（样本）范围和筛选条件来选择样本、change Workfile Range（改变工作簿范围）、import（导入数据）、export（导出数据）等功能。在Workfile窗口菜单命令最右端有单独列出sample命令。
Sample（样本）的功能
可用于改变样本的范围，但不能超过工作簿范围（Workfile Range）。如果样本范围需要超过工作簿范围，先修改工作簿范围，然后再改变样本范围。
点击proc\sample\OK，弹出一个对话框（图1.2.4），默认为@all（全部样本）。若只需要选择1980～1990的样本，可在上面空白处键入新的样本范围1980至1990，注意中间要空格，点击OK，这样样本范围改变了。
Structure\Resize Current Page（改变工作簿范围）功能是改变当前Workfile的范围，其操作与样本范围的改变相似。一般是在模型建好后，外推预测时需要改变样本或工作簿范围。
Genr功能是在现有序列对象（变量）的基础上，生成新的序列对象（变量）。点击Workfile窗口顶部的Genr，弹出一个对话框（图1.2.5），键入要生成的变量公式，例如，点击OK，一个新的变量（序列对象）Z出现在Workfile中。
图1.2.4&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.2.5
Object（对象）
该菜单命令主要是对Object进行操作，包括新建对象、新建序列、存取、删除、重新命名、复制等。
点击Workfile窗口上菜单命令Object，出现下拉菜单，菜单中包含很多功能，其中一些功能以命令形式出现在Workfile窗口顶部，如fetch（取出）、store（存储）、delete（删除）。
①新建一个Object和生成序列（等同前面Genr），参看前面内容。
②fetch：取出一个已经存在硬盘或软盘上的Object。点击Object\fetch from DB\OK或直接点击Workfile窗口顶部的fetch命令，然后按其要求给出路径及Object名字。
③store：将Workfile中的Object单独存放于硬盘或软盘。
④delete：删除Workfile中的Object。操作：点击要删除的Object，再点击delete。
⑤copy：复制一个或多个Object。
Object命令菜单部分功能可利用鼠标右键来完成。例如选中X，然后点击右键，出现一命令菜单来完成对对象的多种操作。例如右键中的COPY命令可以将该Workfile中的Object粘贴到其他Workfile或word文档中。右键功能很方便，建议多使用。
Save（保存）
功能是将当前Workfile保存在硬盘或软盘。如果是新建的Workfile，会弹出一个对话框，需要指明存放的位置及文件名。如果是原有的Workfile，不会出现对话框，点击Save，作用是随时保存该Workfile。
建议在使用EViews时，应经常点击Save命令，避免电脑出现故障，而丢失未能保存的内容。这里需要提醒的是，Save与Store是有区别的。Save命令保存的是整个Workfile，而Store存储的是个别Object。
Lable（标签）
显示Workfile中所有Object的完成时间。
Show：显示所选的Object。
Fetch、Store、Delete功能已经包含在Object菜单命令中，Genr、Sample功能包含在Proc菜单命令中，前面已经介绍。
（二）打开已经存在的Workfile
双击EViews图标，进入EViews主窗口。点击File\Open\EViews Workfile，弹出对话框，给出要打开的Workfile所在路径及文件名，点击OK，则所需的Workfile就被打开。
（三）Workfile频率的设定
当新建一个Workfile时，首先会弹出一个Workfile Create对话框（图1.2.1）。该对话框可定义Workfile的频率，Workfile的频率也就是其中的所有Object的频率。各种频率的输入方法如下：
1.Annual：直接输入年份如1998，若是20世纪内，则可只输入年份的后两个字，如98表示1998年。Semi-Annual：格式与Annual一样。
2.Quarterly：年份全称或后两个字接冒号，再接季度，如1992：1，表示1992年第一季度。注意冒号后面只能跟1、2、3、4，分别表示1、2、3、4季度。
3.Monthly：年份全称或后两个字接冒号，再接月度序号，如1990：1，99：10。
4.Daily：格式为“月：日：年”，如9：2：2002表示2002年9月2日。
5.Weekly：格式与Daily相似，也是“月度序号：日期：年份”，但这里的日期是某个星期的某一天，当给定起始日时，系统会自动推算终止日期。
二、Object（对象）
EViews为Object提供了新建、查看（View）、重命名等功能。
（一）创建Object
在Workfile已经打开的前提下，点击EViews主窗口顶部的命令Object\New(或Workfile
窗口中的Object\New)弹出一个New Object对话框（图1.2.6）。该对话框显示了14个不同的Object，从中选择所需类型，并左边文本框给其一个名字，点击OK，一个新Object创建并就显示在Workfile中（参考前面第3页的示例）。
&&&&&& 图1.2.6&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.2.7
我们以Series和Graph两种Object为例来说明一般Object窗口常用命令的功能。其他
形式的Object窗口顶部命令操作类似。
（1）Series窗口
双击变量X，打开其表格形式查看形式（图1.2.7）。下面我们自左至右介绍其菜单命令。
View：我们发现在EViews主窗口顶部、Workfile窗口、Object窗口中都有该命令，他们的功能类似，都是提供查看功能，但包含具体内容又有差别。EViews主窗口顶部的View 命令和Series窗口中的View 命令功能一样。&&&&&&&&&&&
点击序列X表格上的View，出现一个下拉菜单，该菜单命令可对Object有不止一个查看形式：Spreadsheet（表格）、Graph（线性图）、 Describe Statistics View（描述统计）、Unit Root Test View（单位根检验）等。
例如：点击View\ Descriptive statistics\Histogram and Stats，这样序列X的表格形式就转换成了描述统计的形式（图2.8）。然后再点击View\spreadsheet\，直方图又变回表格形式（图1.2.7）。
图1.2.8&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.2.9
再点击View\ Graph\ Line，序列X又转换成线性图的形式（图1.2.9）。因此可以用不同方式浏览序列X，但读者注意不论是表格形式、还是直方图形式、线性图形式，每个图的最顶部仍然是标明“Series：X& Workfile：SHILI\...”，意思是三种形式仍然是Series类型的Object，而不是一个独立的Object，他们会随着X值变化而变化。如何将直方图、线性图等转换成独立的Object，以单独编辑、存取，见下面Freeze命令功能介绍。
对于View命令中其他功能的操作类似上述操作。
Procs：该命令中内含生成变量（generation by equation）、季节调整（seasonal adjustment）、指数平滑（Exponential smoothing）、普雷斯科特过滤（Hodrick-prescott）四种对变量序列X调整的方法。生成变量（generation by equation）与Workfile中的generate功能类似，是在现有变量基础上生成新的变量。建议读者使用Workfile中的generate功能来生成新变量。季节调整（seasonal adjustment）功能适用于季节数据与月度数据。
Object：该命令的功能与Workfile、EViews主窗口中的Object命令功能相似，这里不在详细介绍。
Prin：打印X序列内容。
Name：给当前Object命名或修改名字。这里需要提醒的是，如果想要将当前Object保存到Workfile中，就可使用Name命令。一个Object命名之后，其名字就出现在Workfile中，随Workfile的存取而永久保留。
Freeze：该命令将序列X当前的某种查看形式转换成为独立的Object，前面已有介绍。
Edit+\-：该命令功能是切换表格的输入状态，点击Edit+\-，表格处于可编辑状态，此时可输入数据、删除数据等操作，再次点击Edit+\-，则表格处于非编辑状态。
Smpl+\-：该命令与Wide+\-是配对使用。点击Smpl+\-，数据以列的形式排列；再点击Wide+\-，数据以行的形式排列。
Lable+\-：功能是控制表格顶部是否显示标签及标签是否可编辑。&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
InsDel：在数据中插入或删除数据命令，例如点击InsDel，弹出对话框，选择插入或删除即可。
Sample：该命令与Workfile中Sample命令功能一样，是改变样本范围。
Genr：该命令与Workfile中Genr命令功能一样，用于生成新的序列。
（2）Graph窗口
前面我们谈到如何将序列转换成图形，这里详细介绍有关作图内容，并以线性图为例，
其他图形操作类似。
① 画图：为了将某个序列画成图，双击Workfile中该序列的名字，打开序列表格形式的窗口。使用View\ Line\ Graph，将序列转换成线性图，或View\ Graph\ Bar转换成条形图。此外，EViews还可画散点图、饼图、直方图等。
EViews可以同时画两个或多个序列图。按住Ctrl键选中多个序列，然后点右键\Open\Group打开表格查看形式的一个窗口，该窗口了显示多个序列。点击View\Graph\Line将多个序列转换成线性图形式（图1.2.10），不同序列以不同的彩色表示。
也可以将多个序列单独画图同时出现在一个窗口，点击View\Multiple Graphs\Line，&&&&&&&&&&&&&&&&&&&&
这样画出每一个序列各自的线性图（图1.2.11）。&&&&&&
图1.2.10&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.2.11
② 冻结图形（Freeze）
注意，将序列转换成图形后，该图型仍然是Series或group类型的Object，图形随原序列的改变而改变。点击Freeze命令，可形成一个独立的Graph类型的Object，点击其顶部的Name命令，保存在Workfile中（详见前面有关叙述）。建议读者使用Freeze命令，形成独立的Graph类型的Object后再对图形进行编辑。&&&&&&&
③ 图形修饰：EViews允许多种方式修饰图形。双击图形中任何部位就弹出图形参数对话框（图1.2.12），利用这些参数可将图形修改成符合需要的图形。
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图1.2.12
4 组合图形: EViews可以将多个图组合到一起。首先需将这些图都放入同一个Workfile中，然后按下CTRL键选中这些图形，双击选中的这些图形，就打开含有多个图形的窗口，他们可一起被保存、粘贴到Word文档中或打印出来。例如，先生成序列y和x的线图liney、linex，选中linex、liney并双击，就在同一个窗口中打开两个图形（图1.2.13）。
5将图形插入文献中: EViews可以将图形插入到Word文档中。首先将图形打开，然后点击EViews主窗口顶部菜单命令Edit\Copy弹出对话框，点击OK，然后在Word文档中指定位置粘贴即可。
（二） 打开已经存在的Object
打开一个Workfile，点击Workfile顶部的Fetch命令，弹出对话框，按要求给出要打开的Object路径及名字，然后点击OK，Object就出现在Workfile中。
实验一 &简单线性回归
一、实验目的：掌握一元线性回归模型的估计与应用，熟悉EViews的基本操作。
二、实验要求：应用教材第54页案例做一元回归并做预测。
三、实验原理：普通最小二乘法
四、预备知识：最小二乘法估计的原理、t检验、拟合优度检验、点预测和区间预测
五、实验步骤
1．建立工作文件并录入数据
（1）双击桌面EViews快速启动图标，启动EViews5.1程序。
（2）点击主界面菜单File\New\Worekfile，弹出Workfile Create对话框。在Workfile Create对话框左侧Workfile structure type栏中选择Unstructured/Undated选项，在右侧Date Range中填入样本个数31。在右下可输入Workfile的名称，如P54。如图2.1.1所示。
点击左下的“OK”就建立了一个名称为P54的Workfile。如图2.1.2所示：
建立Workfile 后，应当进行数据录入工作。数据录入方法有多种。这里仅介绍常用的两种录入方法。
方法 1：点击主界面（或Workfile界面）的菜单栏Object，再点击New Object…选项，弹出一对话框，选择Group选项，在左侧框中命名，如为yx。如图2.1.3所示。点击OK之后，出现数据录入界面（以表格形式出现），如图2.1.4所示。在图2.1.4中，先将右侧滑块拉上顶端，单击obs右侧灰色小框（空白数据列上端灰框），键入y（对样本数据列进行命名），回车（这时Workfile中会出现序列Y这个对象），选择Numeric Series选项，点击OK后，再从“1”开始逐个录入相应的数据。这样我们就建立了一个序列Y并录入了数据，然后同样办法建立序列X并录入数据。
&&&&&&&&&&&&& & 图2.1.3&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图2.1.4
方法2 ：直接在主界面命令栏键入data y x，回车，则出现图2.1.5画面。在Group表格相应的位置逐个录入y和x的数据。（不过此时Group没有命名，为Untiled，可点击Group表格上菜单命令Name，在弹出的对话框中命名为yx）
.两种录入方法完成后，最终得到如图2.1.6所示结果。
为了保存数据，可点击主界面的File，选择Save as 选项，将文件永久存盘保留。
2．数据的描述统计和图形统计
以上建立的序列y和x之后，可对其做描述统计和图形统计以把握该数据的一些统计属性。
（1）描述统计
双击打开组对象yx的表格形式，点View/Descriptive Statistics/Common Sample，得描述统计结果，如图2.1.7所示，其中：Mean为均值，Std.Dev为标准差
（2）图形统计
双击序列y，打开y的表格形式，点击表格左边View/Graph，可得下图2.1.8：
可以看到，Graph的下级菜单上列有多种图形形式，如线图、面积图（区域图）、条形图、季节化堆叠式线图等。这里较常用的是线图，点菜单栏View/Graph/Line，可得到下图（图2.1.9）
同样可以查看序列x的线性图。
很多时候需要把两个序列放到一个图形中来查看两者的相互关系，用线图或者散点图都可以。例如以下用散点图来查看y和x的关系。
在命令栏键入：scat x y ，回车便得到如下结果（图2.1.10）
3．设定模型，用普通最小二乘法估计参数
设定模型为& 。以下介绍三种EViews软件估计的操作方法。
方法一：在主界面命令框栏中输入 ls y x c ，然后回车，既可以得到最小二乘法估计的结果，如图2.1.12所示。其中，“ls”是做最小二乘法估计的命令，y 为被解释变量，x为解释变量， c为截距项。需要注意的是，|ls、y、x、c之间要有空格，被解释变量紧接在命令ls 之后。
方法二：按住Ctrl键，同时选中序列y和序列x，点右键，在所出现的右键菜单中，选择Open\as Equation…后弹出一对话框（如图2.1.11），点击其上的“确定”，即可得到回归结果（图2.1.12）。
方法三：点击主界面菜单Quick\Estimate Equation，弹出方法二中出现的对话框。不过框中没有设定回归模型，可以自己输入y x c，点确定即可得到回归结果（图2.1.12）。（注意被解释变量y一定要放在最前面，变量间留空格）
回归结果界面解释如下表2.1.1
常用计算公式
常用相互关系和判断准则
Coefficient
一般是绝对值越小越好
t-statistic
T检验统计量
绝对值大于2时可粗略判断系数通过t检验
T统计量的P值
P值小于给定显著水平时系数通过t检验
R－squared
Ajusted R－squared
S.E. of regression
扰动项标准差
Sum squared resid
残差平方和
Log likelihood
似然函数对数值
Durbin-Watson stat
Mean dependent var
应变量样本均值
S.D. dependent var
应变量样本标准差
Akaike info criterion
一般是越小越好
Schwarz criterion
一般是越小越好
F-statistic
Prob(F-statistic)
F统计量的P值
P值小于给定显著水平时模型通过F检验
3．模型检验
（1）经济意义检验。为居民边际消费，落在0～1之间，符合经济意义。
&&&&&& （2）t检验和拟合优度检验。易判断，的t检验通过。整个模型拟合优度达到0.935，拟合良好。在回归结果界面（图2.1.12所示）点击菜单命令View\Actual Fitted Residual\ Actual Fitted Residual Graph可得到图2.1.13，可以直观看到实际观测值和拟合值非常接近。
4．Equation窗口功能介绍
Equation窗口菜单的功能与前面第一部分第二章讲过的Series类型 Object窗口、Graph类型object窗口顶部按钮的功能与操作类似，这里只介绍Equation窗口中独有的按钮功能。
（1） Views
该按钮作用很重要，他可对回归估计进行检验、观察实际值、拟合值、残差等。点击Views出现一个下拉菜单（图2.1.14），菜单中包含很多次级操作，自上而下功能如下：
①Representation：给出回归估计的方程表达式。
②Estimation Output：给出回归估计输出结果。
③Actual fitted Residual：给出回归估计的实际值、拟合值、残差的图形、表格等形式。
④Covariance Matrix ：计算变量协方差矩阵。
⑤Coefficient Test：对回归系数进行检验。包括检验回归系数约束的沃尔德（Wald）检验，检验遗漏变量或冗余变量的似然比检验。在第十章设定偏误一章有用到。
⑥Residual Tests：对残差检验，包括相关图Q统计量检验、正态性检验、序列相关的LM检验、ARCH检验、不带交叉项的White检验、带交叉项的White检验等。在第六章异方差一章有用到。
⑦Stability Test：稳定性检验，包括很多次级检验。
注意：如果想将某个视图单独保存起来，点击Equation窗口顶部Freeze按钮，形成一个独立的object，然后对其编辑操作。
（2）Procs
该按钮中包含很多次级功能，有些已经显示在Equation口顶部。
（3）Forecast 预测
可以直接在EViews上做内插点预测和外推点预测，详见下第5点。
5．应用：回归预测
（1）被解释变量Y的个别值和平均值的点预测
由课本第二章第四节知道，个别值和平均值点预测的预测公式均为
在Equation框（图2.1.7）中，点击“Forecast "，进入图2.1.15所示的画面，在Forecast name 框中可以为所预测的预测值序列命名，计算机默认为YF，点击OK，则得样本期内被解释变量的预测值序列YF（也称拟合值序列）的图形形式（图2.1.16）。同时在Workfile中出现一新序列对象YF。
例如原资料为，外推预测1999 、2000年的四川省人均消费Y。
① 录入1999、2000年的可支配收入X 的数据。
双击Workfile菜单下的Range所在行，出现Workfile Structure对话框，将右侧“End”旁的文本框中的数值改为33，然后一直点OK即可将Workfile的Range以及Sample的Range改为33；
双击打开序列x表格形式，将编辑状态切换为“可编辑”，在x序列中补充输入。
②进行预测
在Equation结果界面（图2.1.7）的菜单上点击Forecast，弹出一对话框，在其中为预测的序列命名，如yf2。点OK即可得到预测结果的图形形式，点Workfile中新出现的序列yf2，可以看到预测值（注意，因为没有对默认预测区间1～33做改变，这时候得到的是所有内插预测与外推预测的得值，若将区间改为32 33，则只会得到外推预测结果）。
③结果查看
按住Ctrl键，同时选中Y、YF、Resid，点击右键，在右键菜单中选Group可打开实际值、预测值、残差序列。
（2）区间预测。
被解释变量Y的个别值区间预测公式为，
被解释变量Y均值区间预测公式。
计算思路：区间预测不能直接由EViews得到。可以从EViews中得到公式中部分项的值，再用手工或者别的方式将其计算出来。
具体地，可以在前面点预测序列yf2中找到；可以查t分布表得到；样本数n为已知；&中的为已知，可以在序列x的描述统计中找到（图2.1.7）；由总体方差的无偏估计式可以计算出（可在序列x的描述统计中找到，见图2.1.7）。找到该预测公式中各项后，即可用计算器或者Excel计算得到预测区间端点。
找到上面公式中各项后，若在Excel中计算预测区间，可以采用以下表达式计算（以预测1998年Y个别值预测区间为例，计算区间的上端点，课本第61页第二行）：
打开Excel后在任意一个空格中，输入
=.045*413.1593*SQRT(1+1/31+/) ，回车即可。
实验二& 多元线性回归模型和多重共线性
一、实验目的：掌握多元线性回归模型的估计方法、掌握多重共线性模型的识别和修正。
二、实验要求：应用教材第119页案例做多元线性回归模型，并识别和修正多重共线性。
三、实验原理：普通最小二乘法、简单相关系数检验法、综合判断法、逐步回归法。
四、预备知识：最小二乘法估计的原理、t检验、F检验、值。
五、实验步骤
1、设定并估计多元线性回归模型
&&&& （2.1）
1.1建立工作文件并录入数据（参照实验一），得到图2.2.1
1.2对（2.1）采用OLS估计参数
方法一：在主界面命令框栏中输入 ls y c x2 x3 x4 x5 x6，然后回车，即可得到参数的估计结果，如图2.2.2所示。
方法二：按住ctrl键，同时选中序列y和x2 x3 x4 x5 x6，点右键，在所出现的右键菜单中，选择open\as Equation…后弹出一对话框，点击“确定”，即可得回归结果。
方法三：点击主界面菜单Quick\Estimate Equation，弹出方法二中出现的对话框。不过框中没有设定回归模型，可以自己输入y c x2 x3 x4 x5 x6，点确定即可得到回归结果。（注意被解释变量y一定要放在最前面，变量间留空格）。
根据图2.2.2中的数据，得到模型（2.1）的估计结果为
&&& 从上回归结果可以看出，拟合优度很高，整体效果的F检验通过。但有重要变量X2、X6的t检验不显著，可能存在严重的多重共线性。
2．多重共线性模型的识别
2.1& 综合判断法
由模型（2.1）的估计结果可以看出，，可决系数很高，说明模型对样本的拟合很好；检验值很大，相应的，说明回归方程显著，即各自变量联合起来确实对因变量“全国旅游收入” 有显著影响；给定显著性水平，但变量X2、X6系数的统计量分别为1.031172、-1.752685，相应的值分别为0.3607、0.1545，说明X2、X6对因变量影响不显著，而且X6系数符号与经济意义不符。综合上述分析，表明模型（2.1）很可能存在严重的多重共线性。
2.2简单相关系数检验法
计算解释变量x2、 x3、 x4、 x5、 x6的简单相关系数矩阵。
方法1：将解释变量x2、 x3、 x4、 x5、 x6选中，双击选择Open Group（或点击右键，选择Open/as Group），然后再点击View/Correlation/Common Sample，即可得出相关系数矩阵（图2.2.3）。再点击顶部的Freeze按钮，可得到一个Table类型独立的object（图2.2.4）。
相关系数矩阵
方法2：点击Eviews主画面的顶部的Quick/Group Statistics/Correlatios弹出对话框（图2.2.5）。在对话框中输入解释变量x2、 x3、 x4、 x5、 x6，点击OK，即可得出相关系数矩阵（同图2.2.3）。
由图2.2.3相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，特别是x2和x3之间高度相关，证实解释变量之间存在多重共线性。
根据综合判别法与简单相关系数检验法分析的结果可以知道，本案例的回归变量间确实存在多重共线性。注意，多重共线性是一个程度问题而不是存在与否的问题。下面我们将采用逐步回归法来减少共线性的严重程度而不是彻底地消除它。
3．多重共线性模型的修正
关于多重共线性的修正方法一般有变量变换法、先验信息法、逐步回归法等，这里我们仅介绍向前逐步回归的具体做法，来减少共线性的严重程度。而其他的修正方法本文没逐一介绍，感兴趣的读者可参阅相关计量经济书籍。
& &第一步：运用OLS方法分别求Y对各解释变量x2、 x3、 x4、 x5、 x6进行一元回归。五个方程的回归结果详见图2.2.6-----图2.2.10，再结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。
通过一元回归结果图2.2.6-----图2.2.10进行对比分析，依据调整后可决系数最大原则，选取x3作为进入回归模型的第一个解释变量，形成一元回归模型。
第二步：逐步回归。将剩余解释变量分别加入模型，得到分别如图2.2.11、2.2.12、2.2.13、2.2.14所示的二元回归结果。
通过观察比较图2.2.11—2.2.14所示结果，并根据逐步回归的思想，我们可以看到，新加入变量x5的二元回归方程最大，并且各参数的t检验显著，参数的符号也符合经济意义，因此，保留变量x5。
第三步：在保留变量x3、x5基础上，继续进行逐步回归，分别得到如图2.2.15、2.2.16、2.2.17、所示的回归结果。
观察图2.2.16我们可以看到，在x3、x5基础上加入x4后的方程明显增大，统计量也很大，说明模型对样本的拟合很好且回归方程显著；同时各解释变量的系数所对应的t值较大，相应的，说明各解释变量对因变量的影响显著，并且参数的符号也符合经济意义。因此，根据逐步回归的思想，模型应保留自变量x3、x5、x4。
但通过图2.2.15可以看到，在x3、x5基础上加入x2后不仅降低，而且x2、x5变量系数的t值很小，相应的值都大于显著性水平0.05，说明自变量x2、x5对因变量的影响不显著；同样，由图2.2.17可知，加入x6后不仅降低，而且x6参数的t值很小，相应的值0.4515远大于显著性水平0.05，说明x6对因变量的影响不显著，甚至x6系数的符号为负，显然不符合经济意义。因此，根据逐步回归的思想，说明x2、x6的出现引起严重多重共线性。
第四步：在保留变量x3、x5、x4基础上，继续进行逐步回归，分别得到如图2.2.18、图2.2.19所示的回归结果。
类似第三步的结果分析，由图2.2.18、2.2.19我们可以看到，在x3、x5、x4基础上加入x2后没有改进，而且x2参数t检验不显著；加入x6后虽然略有改进，但x6参数的t检验变得不显著，并且参数为负不符合经济意义。这说明x2 、x6引起多重共线性，应予以剔除。因此，本案例最后应保留的变量是x3、x4、x5，相应的回归结果为：
由综合判断法知，上述回归结果基本上消除了多重共线性。并且，在其他因素不变的情况下，当城镇居民人均旅游支出x3和农村居民人均旅游支出分别增长1元，公路里程x5每增加1万km时，国内旅游收入Y将分别增长4.21亿元、3.22亿元和13.63亿元。
此案例存在的问题是样本容量过小，其可靠性受到影响，如果增大样本容量，效果将会好一些。
实验三& 异方差性和自相关
一、实验目的& 掌握异方差和自相关模型的检验方法与处理方法.
二、实验要求
1．应用教材第141页案例做异方差模型的图形法检验、Goldfeld-Quanadt检验与White检验，使用WLS法对异方差进行修正；
2．应用教材第171页案例做自相关模型的图形法检验和DW检验，使用科克伦—奥克特迭代法对自相关进行修正。
三、实验原理
异方差性检验：图形法检验、Goldfeld-Quanadt检验、White检验与加权最小二乘法；
自相关性检验：图形法检验、DW检验和科克伦—奥克特迭代法。
四、预备知识
Goldfeld-Quanadt检验、White检验、加权最小二乘法、DW检验和科克伦—奥克特迭代法。
五、实验步骤
【案例1】& 异方差性
在现实经济活动中，最小二乘法的基本假定并非都能满足，本案例将讨论随机误差违背基本假定的一个方面——异方差性。本案例将介绍：异方差模型的图形法检验、Goldfeld-
Quanadt检验与White检验；异方差模型的WLS法修正。
1、建立Workfile和对象，录入变量人口数X和医疗机构数Y（P141）如图2.3.1。
2、 参数估计
& 按住ctrl键，同时选中序列和序列，点右键，在所出现的右键菜单中，选择open\as Group弹出一对话框，点击其上的“确定”，可生成并打开一个群对象（图2.3.1）。在群对象窗口工具栏中点击view\Graph\Scatter\Simple Scatter, 可得与的简单散点图(图2.3.2)，可以看出与是带有截距的近似线性关系。
点击主界面菜单Quick\Estimate Equation，在弹出的对话框中输入y c x，点确定即可得到回归结果(图2.3.3)。
估计结果为:
&&&&& &&&&&&&&&&&&&&&&&&&&&&(2.3.1)
3、检验模型的异方差
&& 本例用的是四川省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进行检验。
由路径：Quick/Estimate Equation，进入Equation Specification窗口，键入“y& c& x”，确认并“ok”，得样本回归估计结果，见图2.3.2。
生成残差平方序列。在得到图2.3.2估计结果后，直接在工作文件窗口中按Genr,在弹出的窗口中, 在主窗口键入命令如下 (用来表示残差平方序列),得到残差平方序列(如图2.3.4)
绘制对的散点图。按住Ctrl键,同时选择变量与（注意选择变量的顺序，先选的变量将在图形中表示横轴，后选的变量表示纵轴）以组对象方式打开，进入数据列表，再按路径view\Graph\Scatter\Simple Scatter，可得散点图，见图2.3.5。
判断。由图2.3.5可以看出，残差平方对解释变量的散点图主要分布在图形中的下三角部分，大致看出残差平方随的变动呈增大的趋势，因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。
（2）Goldfeld-Quanadt检验
对变量取值排序（按递增或递减）。直接在工作文件窗口中按Proc\Sort Current Page…,在弹出的对话框中输入即可(默认项是Ascending（升序）)。本例选升序排序，这时变量与将以按升序排序(如图2.3.6)。
构造子样本区间，建立回归模型。在本例中，样本容量，删除中间1/4的观测值，即大约5个观测值，余下部分平分得两个样本区间：1—8和14—21，它们的样本个数均是8个，即。
在工作文件窗口中按在Sample菜单，在弹出的对话框中输入1 8，将样本期改为1～8
然后用OLS方法求得如下结果
在Sample菜单里,将区间定义为14～21，再用OLS方法求得如下结果
下面求F统计量值。基于图2.3.8和图2.3.9中残差平方和的数据，即Sum squared resid的值。由图2.3.8计算得到的残差平方和为，由图2.3.9计算得到的残差平方和为，根据Goldfeld-Quanadt检验，F统计量为
&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&(2.3.2)
判断。在下，在式 2.3.1中分子、分母的自由度均为6，查分布表得临界值为，因为，所以拒绝原假设，表明模型确实存在异方差。
（3）White检验
由图2.3.3估计结果，按路径view/Residual tests/white heteroskedasticity（no cross terms or cross terms），进入White检验。根据White检验中辅助函数的构造，最后一项为变量的交叉乘积项，因为本例为一元函数，故无交叉乘积项，因此应选no cross terms，则辅助函数为
&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&（ 2.3.3）
经估计出现White检验结果，见图2.3.10。
从图2.3.10可以看出，，由White检验知，在下，查分布表,得临界值（在式 2.3.3式中只有两项含有解释变量，故自由度为2），比较计算的统计量与临界值，因为，所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。
&4、异方差性的修正&&&&&&&&&
在运用WLS法估计过程中，我们分别选用了权数。权数的生成过程如下，由图2.3.4，在对话框中的Enter equation处，按如下格式分别键入：；；，经估计检验发现用权数的效果最好。下面仅给出用权数的结果。
&&&& 在工作文件窗口中点Quick\Estimate Equation,在弹出的对话框中输入y c x
然后在图2.3.11中点Options选项，选中Weighted LS/TLS复选框，在Weight框中输入w2,即可得到加权最小二乘法的结果。
&&&&&&&&&&& 图2.3.12
图2.3.13的估计结果如下
& &&&&&&&&&&&&&&&&&&&&&&(2.3.4)
&&&&&&&& &&&&&&&&&&&&&
括号中数据为统计量值。
可以看出运用加权小二乘法消除了异方差性后，参数的检验均显著，可决系数大幅提高，检验也显著，并说明人口数量每增加1万人，平均说来将增加2.953个卫生医疗机构，而不是引子中得出的增加5.3735个医疗机构。虽然这个模型可能还存在某些其他需要进一步解决的问题，但这一估计结果或许比引子中的结论更为接近真实情况。
【案例2】自相关
在经济系统中，经济变量前后期之间很可能有关联，使得随机误差项不能满足无自相关的假定。本案例将探讨随机误差项不满足无自相关的古典假定时的参数估计问题。着重讨论自相关模型的图形法检验、DW检验，与科克伦—奥克特迭代法对自相关修正。
1、建立Workfile和对象，录入变量1985年可比价格计的人均纯收入和人均消费支出人口数Y如图2.3.14。
2、参数估计、检验模型的自相关
&& 使用普通最小二乘法估计消费模型得
根据图2.3.15，知估计结果如下
&&& &&&&&&&&&&&&&&&&&&&&（2.3.5）
该回归方程可决系数较高，回归系数均显著。对样本量为19、一个解释变量的模型、5%显著水平，查DW统计表可知，dL=1.18，dU= 1.40，模型中DW&dL，显然消费模型中有自相关。这一点残差图中也可从看出，点击EViews方程输出窗口的按钮Resids可得到残差图2.3.16 (此图还包括拟合值、实际值，如果只要残差图，可点击view\Actual,Fitted,Residual
\Residual Graph)
图2.3.16 残差图
&图2.3.16残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶正自相关，模型中t统计量和F统计量的结论不可信，需采取补救措施。
3、自相关问题的修正
为解决自相关问题，选用科克伦—奥克特迭代法。由式 2.3.5可得残差序列et，在EViews中，每次回归的残差存放在resid序列中，为了对残差进行回归分析，需生成命名为e的残差序列。点击工作文件窗口工具栏中的Genr，在弹出的对话框中输入，点击OK得到残差序列et。
使用et进行滞后一期的自回归，在EViews命今栏中输入 ls e e (-1)
可得回归方程 &&&&&&&&&& et= 0.496086et-1&&&& &&&&&&&&&&&&&&& &&&&&& （2.3.6）
由式 2.3.6可知=0.496086，对原模型进行广义差分，得到广义差分方程
&&&& &( 2.3.7)
对式 2.3.7的广义差分方程进行回归，在EViews命令栏中输入(注意中间空格)
ls Y-0.496086*Y (-1)& c& X-0.496086*X (-1)，
回车后可得方程输出结果图2.3.18。
由图2.3.18可得回归方程为
&&&&&&&&&& &&&&&&&&&&&&&&&&&&&(2.3.8)
式中，，。
&&&&&& 由于使用了广义差分数据，样本容量减少了1个，为18个。查5%显著水平的DW统计表可知dL = 1.16，dU = 1.39，模型中DW = 1.3979& dU，说明广义差分模型中已无自相关，不必再进行迭代。同时可见，可决系数R2、t、F统计量也均达到理想水平。
对比式2.3.5和式 2.3.8，很明显普通最小二乘法低估了回归系数的标准误差。[原模型中，广义差分模型中为]。
经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯—温斯腾变换补充第一个观测值，方法是和。在本例中即为和。由于要补充因差分而损失的第一个观测值，所以在EViews中就不能采用前述方法直接在命令栏输入Y和X的广义差分函数表达式，而是要生成和的差分序列与(这里,我们以代替书上的,代替)。点击工作文件窗口工具栏中的Genr，在弹出的对话框中输入，点击OK得到广义差分序列，同样的方法得到广义差分序列。此时的和都缺少第一个观测值，需计算后补充进去，计算得，，双击工作文件窗口的打开序列显示窗口，点击Edit+/-按钮，将补充到1985年对应的栏目中，得到的19个观测值的序列。同样的方法可得到的19个观测值序列。
在命令栏中输入ls& yn& c& xn得到普莱斯—温斯腾变换的广义差分模型为&&&& &&&&&&&&&&&&&&&&&&&&&&&&(2.3.10)
对比式 2.3.9和式 2.3.10可发现，两者的参数估计值和各检验统计量的差别很微小，说明在本例中使用普莱斯—温斯腾变换与直接使用科克伦—奥克特两步法的估计结果无显著差异，这是因为本例中的样本还不算太小。如果实际应用中样本较小，则两者的差异会较大。通常对于小样本，应采用普莱斯—温斯腾变换补充第一个观测值。
由式 2.3.7有
&&&& &&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&& (2.3.11)
由此，我们得到最终的中国农村居民消费模型为
&&&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&（2.3.12）
由式 2.3.12的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.58889，即中国农民每增加收入1元，将增加消费支出0.58889元。
实验四& 分布滞后模型与自回归模型
一、实验目的：掌握分布滞后模型与自回归模型的估计与应用，熟悉EViews的基本操作。
二、实验要求
应用教材第199页案例利用阿尔蒙法做有限分布滞后模型的估计；应用教材第201页案例做分布滞后模型与自回归模型的估计。
三、实验原理：普通最小二乘法、阿尔蒙法、h检验
四、预备知识：最小二乘法估计的原理、t检验、拟合优度检验、阿尔蒙法、多项式近似、德宾h检验
五、实验步骤
【案例1】& 分布滞后模型与自回归模型
货币主义学派认为，产生通货膨胀的必要条件是货币的超量供应。物价变动与货币供应量的变化有着较为密切的联系，但是二者之间的关系不是瞬时的，货币供应量的变化对物价的影响存在一定时滞。有研究表明，西方国家的通货膨胀时滞大约为2—3个季度。
1．建立工作文件并录入数据
在中国，大家普遍认同货币供给的变化对物价具有滞后影响，但滞后期究竟有多长，还存在不同的认识。下面采集1996－2005年全国广义货币供应量和物价指数的月度数据（见教材202页表7.4）对这一问题进行研究。
（1）双击桌面EViews快速启动图标，启动EViews5.1程序。
（2）点击主界面菜单File\New\Worekfile，弹出Workfile Create对话框，在该对话框右侧下拉菜单中选择本案例所需的数据频度Dated-regular frequency data，monthly（本案例为时间序列数据）；在数据起始、终止两栏中填入1996:1和2005:5，表示数据从1996年1月其到2005年5月结束；在右下可输入Workfile的名称，如P201。如图4.1.1所示。
点击左下的“OK”就建立了一个名称为P201的Workfile。如图4.1.2所示：
建立Workfile 后，录入数据（方法可参考第一部分的示例）。得到下图4.1.3所示结果。
2．模型设定，估计与检验
为了考察货币供应量的变化对物价的影响，我们用广义货币M2的月增长量M2Z作为解释变量，以居民消费价格月度同比指数TBZS为被解释变量进行研究。首先估计如下回归模型
得如图4.1.6的回归结果：
从图4.1.6的回归结果来看，M2Z的t统计量值不显著，表明当期货币供应量的变化对当期物价水平的影响在统计意义上不明显。为了分析货币供应量变化影响物价的滞后性，我们做滞后6个月的分布滞后模型的估计，在Eviews工作文档的方程设定窗口中，输入
TBZS &C& M2Z& M2Z(-1)& M2Z(-2)& M2Z(-3)& M2Z(-4)& M2Z(-5)& M2Z(-6)
结果如下图4.1.7：
从图4.1.7的回归结果来看，M2Z各滞后期的系数逐步增加，表明当期货币供应量的变化对物价水平的影响要经过一段时间才能逐步显现。但各滞后期的系数的t统计量值不显著，因此还不能据此判断滞后期究竟有多长。为此，我们做滞后12个月的分布滞后模型的估计，结果如下图4.1.8：
图4.1.8的结果显示，从M2Z到M2Z(-11)，回归系数都不显著异于零，而M2Z（-12）的回归系数t统计量值为3.016798，在5％显著性水平下拒绝系数为零的原假设。这一结果表明，当期货币供应量变化对物价水平的影响在经过12个月（即一年）后明显地显现出来。为了考察货币供应量变化对物价水平影响的持续期，我们做滞后18个月的分布滞后模型的估计，结果如下图4.1.9：
图4.1.9的结果表明，从滞后12个月开始t统计量值显著，一直到滞后16个月为止，从滞后第17个月开始t值变得不显著；再从回归系数来看，从滞后11个月开始，货币供应量变化对物价水平的影响明显增加，再滞后14个月时达到最大，然后逐步下降。
通过上述一系列分析，我们可以做出这样的判断：在我国，货币供应量变化对物价水平的影响具有明显的滞后性，滞后期大约为一年，而且滞后影响具有持续性，持续的长度大约为半年，其影响力度先递增然后递减，滞后结构为型。
当然，从上述回归结果也可以看出，回归方程的不高，DW值也偏低，表明除了货币供应量外，还有其他因素影响物价变化；同时，过多的滞后变量也可能引起多重共线性问题。如果我们分析的重点是货币供应量变化对物价影响的滞后性，上述结果已能说明问题。如果要提高模型的预测精度，则可以考虑对模型进行改进。根据前面的分析可知，分布滞后模型可以用自回归模型来代替，因此我们估计如下子自回归模型：
在Eviews工作文档的方程设定窗口中，输入
TBZS &C& TBZS(-1)
估计结果如下图4.1.10：
因此，我们得到回归方程：
【案例2】 分布滞后模型与阿尔蒙法
为了研究1955—1974年期间美国制造业库存量Y和销售额X的关系，我们在教材例7.3中采用了经验加权法估计分布滞后模型。尽管经验加权法具有一些优点，但是设置权数的主观随意性较大，要求分析者对实际问题的特征有比较透彻的了解。下面用阿尔蒙法估计如下有限分布滞后模型：
在实际应用中，Eviews提供了多项式分布滞后指令“PDL”用于估计分布滞后模型。下面结合本例给出操作过程：
1．建立工作文件并录入数据
同前操作在Eviews中输入X和Y的数据，如图4.2.1所示：
2．模型估计与检验
进入Equation Specification 对话栏，键入方程形式
Y& C& PDL(X, 3, 2)
其中，“PDL指令”表示进行多项式分布滞后（Polynomial Distributed Lags）模型的估计，括号中的3表示X的分布滞后长度，2表示多项式的阶数。在Estimation Settings栏中选择Least Squares(最小二乘法)，点击OK，屏幕将显示回归分析结果如下图4.2.2：
对图4.2.2的结果，有如下的具体说明
1．回归系数PDL01、PDL02等是多项式分布滞后系数，其计算公式为
&&& 需要说明的是，这部分回归结果的计算公式与阿尔蒙法的计算公式是有区别的。阿尔蒙法的计算公式为：。请同学们自行己自行比较分析两者之间的差异。
2．回归结果的第二部分是“Lag Distribution of X”以下的部分。这部分主要是说明原始方程的回归结果。在本例中，我们有：
上述回归系数左侧的图形就是变量X回归系数的坐标图，横轴是以滞后阶次“i”为坐标（垂直向下），纵轴是以为坐标（从左向右）。
3．为了比较分析阿尔蒙法的基本原理，我们可采用多项式近似的方法分步再次完成教材例7.3。首先将系数(i=0,1,2,3)用二次多项式近似，即
则原模型可变为
在Eviews工作文件中输入X和Y的数据，在工作文件窗口中点击“Genr”工具栏，出现对话框，输入生成变量Z0t的公式，点击“OK”；类似，可生成Z1t、Z2t变量的数据。进入Equation Specification 对话栏，键入回归方程形式
Y& C& Z0&& Z1& Z2
点击“OK”，显示回归结果如图4.2.3：
图4.2.3中Z0、 Z1、Z2对应的系数分别为&的估计值。将它们代入分布滞后系数的阿尔蒙多项式中，可计算出的估计值为：
从而，分布滞后模型的最终估计式为：
值得注意的是，用“PDL”估计分布滞后模型时，Eviews所采用的滞后系数多项式变换不是形如教材（7.4）式的阿尔蒙多项式，而是阿尔蒙多项式的派生形式。因此，输出结果中PDL01、PDL02、PDL03对应的估计系数不是阿尔蒙多项式系数的估计。但同分步计算的结果相比，最终的分布滞后估计系数式是相同的。
实验五& 虚拟解释变量回归
一、实验目的：掌握虚拟回归模型的估计与应用，熟悉EViews的基本操作。
二、实验要求：应用教材第234页案例做解释变量回归与分析。
三、实验原理：普通最小二乘法、虚拟变量设置原则、分段线性回归
四、预备知识：最小二乘法估计的原理、t检验、拟合优度检验、虚拟变量设置陷阱
五、实验步骤
【案例】 虚拟解释变量回归
改革开放以来，随着经济的发展中国城乡居民的收入快速增长，同时城乡居民的储蓄存款也迅速增长。经济学界的一种观点认为，20世纪90年代以后由于经济体制、住房、医疗、养老等社会保障体制的变化，使居民的储蓄行为发生了明显改变。为了考察改革开放以来中国居民的储蓄存款与收入的关系是否已发生变化，以城乡居民人民币储蓄存款年底余额代表居民储蓄（Y），以国民总收入GNI代表城乡居民收入，分析居民收入对储蓄存款影响的数量关系。
1．建立工作文件并录入数据
2．模型设定
为了研究1978—2003年期间城乡居民储蓄存款随收入的变化规律是否有变化,考证城乡居民储蓄存款、国民总收入随时间的变化情况，如下图5.1.2所示：
从图5.1.2中，尚无法得到居民的储蓄行为发生明显改变的详尽信息。若取居民储蓄的增量（YY），并作时序图（见图5.1.3）
&&&&&&&&&&&&&& 图5.1.3&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 图5.1.4
从居民储蓄增量图可以看出，城乡居民的储蓄行为表现出了明显的阶段特征：在1996年和2000年有两个明显的转折点。再从城乡居民储蓄存款增量与国民总收入之间关系的散布图看（见图5.1.4），也呈现出了相同的阶段性特征。&&&&&
&&& 为了分析居民储蓄行为在1996年前后和2000年前后三个阶段的数量关系，引入虚拟变量D1和D2。D1和D2的选择，是以1996、2000年两个转折点作为依据，1996年的GNI为66850.50亿元,2000年的GNI为国为民8254.00亿元,并设定了如下以加法和乘法两种方式同时引入虚拟变量的模型：
3．估计与检验
& 此时虚拟变量的数据如下图5.1.5：
对上式进行回归后，有：
&&&&& （172.1626） （0.0057）&& （0.0272）&&&&&&&&&&&&&& （0.0401）
& (-4.8234）& （25.1700）&&& (-10.7192)&&&&&&&&&&&&&&& (13.9581)
由于各个系数的t检验均大于2，表明各解释变量的系数显著地不等于0，居民人民币储蓄存款年增加额的回归模型分别为：
4．结果分析
以上结果表明三个时期居民储蓄增加额的回归方程在统计意义上确实是不相同的。1996年以前收入每增加1亿元，居民储蓄存款的增加额为0.1445亿元；在2000年以后，则为0.4133亿元，已发生了很大变化。上述模型与城乡居民储蓄存款与国民总收入之间的散布图是吻合的，与当时中国的实际经济运行状况也是相符的。
需要指出的是，在上述建模过程中，主要是从教学的目的出发运用虚拟变量法则，没有考虑通货膨胀因素。而在实证分析中，储蓄函数还应当考虑通货膨胀因素。
实验六 & 时间序列平稳性检验和协整检验
一、实验目的：掌握时间序列的平稳性检验和两变量协整检验
二、实验要求：应用教材第227页案例做平稳性检验和协整检验并建立误差调整模型
三、实验原理：ADF单位根检验、EG两步法协整检验
四、预备知识：平稳性检验和协整检验，间接最小二乘和两阶段最小二乘
五、实验步骤
1．建立Workfile和对象，录入人均可支配收入sr和生活费zc支出数据（P278）如图2.6.1。
2．双击打开sr序列表格形式，点击表格左端View\Gragh\Line，可以看出sr是有一定时间趋势的，而且有明显的季节波动，如图2.6.2。
&&&&&&&&&&&&& 可见序列sr具有明显的趋势和季节波动，宜采用模型3或模型2检验。
3．点击序列sr表格上菜单命令：View\Unit Root Test，出现对话框（图2.6.3）
可从图中看到，默认的检验方法为ADF，默认检验水平数据（原始数据，后两者1st、2nd为1阶差分和二阶差分数据），默认的检验模式为模型2。而右边在滞后阶数的选取上，默认采用SIC最小。
4．将检验模型改为模型3，其余采用默认设定，点OK，出来结果如图2.6.4：
从结果可以判断序列sr有单位根。大家可以选择其他模式和滞后期来检验，以形成最终的判断。按同样办法，可以判断zc序列有单位根。
检验序列sr一阶差分序列的平稳性：在图2.6.3所示对话框中选1st diferent，检验模型为模型2，点OK，得下图2.6.5
从结果中可见序列sr为一阶差分平稳的，故序列sr为一阶单整的。同样可以检验得到序列zc亦为一阶单整的。
5．协整检验
作zc对sr的回归：ls zc c sr。得到残差序列resid。
用Genr命令生成新的序列e：Genr e=resid。（以上命令输入命令栏来执行）
&&&&&& 对新序列e作单位根检验：双击序列e，打开其表格形式，点View\Unit Root Test。在弹出的对话框中选择模型1（None）做检验，结果如图2.6.6。
可见序列e无单位根，序列sr与zc协整。
6．建立误差校正模型
用Genr命令生成序列sr和zc的一阶差分序列数据。在命令栏中输入一下命令并回车：
Genr& DSR=SR-SR(-1)
Genr& DZC=ZC-ZC(-1)
&&&&&& 得到序列sr和zc的一阶差分序列数据。
&&&&&& 设定模型为&
&&&&&& 在命令栏输入命令& ls DZC c DSR e(-1) &&
回车，得到误差校正模型回归结果（图2.6.7）
实验七 && 联立方程组的估计
一、实验目的：掌握用TSLS估计联立方程组
二、实验要求：用第331页案例做联立方程组的估计
三、实验原理：普通最小二乘、两阶段最小二乘
四、预备知识：间接最小二乘和两阶段最小二乘
五、实验步骤
1．过度识别方程的TSLS估计
设定简单宏观经济模型为：
可以判断投资方程和消费方程均为过度识别方程，可使用TSLS方法估计。
对消费函数的估计：主界面菜单Quick\Estimate equation，弹出对话框specification，在估计方法栏选择TSLS，则得到如下界面（图2.7.1）：
在第一个文本框中，输入回归方程（同OLS）：COM& c& GDP& COM(-1)，在第二个文本框中输入前定变量（含c）：c& COM(-1)& INV(-1)& GOV，点“确定”，得到回归结果（图2.7.2）：
对于投资方程可以同样估计。（1）对投资函数的估计：主界面菜单Quick\Estimate equation，弹出对话框specification，在估计方法栏选择TSLS，则得到上面图2.7.1所示界面。（2）在第一个文本框中，输入回归方程：INV& c& GDP& INV(-1)，在第二个文本框中同样输入前定变量（含c）：c& COM(-1)& INV(-1)& GOV，点“确定”，得到回归结果（图2.7.3）
&&& 2．用OLS直接对投资方程作估计，比较TSLS和OLS的结果。
直接对投资方程做OLS，结果为（图2.7.4）
&&&&& 对比发现，两方法的结果差异不大。（为什么？）&&&