章基本回归模型.docVIP

第十一章 基本回归模型 本章介绍EViews中基本回归技术的使用。 §11.1 方程对象 为了创建一个方程对象: 从主菜单选择Object/New Object/Equation或 Quick/Estimation Equation…，或者在命令窗口中输入关键词equation。 §11.2 在EViews中对方程进行说明 一、列表法 即列出你在方程中要使用的变量列表（因变量，表达式和自变量）。EViews在回归中不会自动包括一个常数，因此你必须明确列出作为回归变量的常数。EViews创建说明列表。先选定因变量和自变量，然后双击，选首先Open/Equation，带有变量名的说明对话框将会出现。 二、公式法 EVIEWS中的公式是一个包括回归变量和系数的数学表达式。EViews会在方程中添加一个随机附加扰动项并用最小二乘法估计模型中的参数。要创建新的系数向量，选择Object/New Object… 并从主菜单中选择Matrix-Vector-Coef , 为系数向量输入一个名字。在New Matrix对话框中，选择Coefficient Vector 并说明向量中应有多少行。 §11.3 在EViews中估计方程 一、估计方法 单击Method：进入对话框，你会看到下拉菜单中的估计方法列表。 二、估计样本 EViews会用当前工作文档样本来填充对话框，你可以通过在编辑框改变样本。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。 三、估计选项 EViews提供很多估计选项。这些选项允许你进行以下操作：对估计方程加权，计算异方差性等，控制估计算法的各种特征。 §11.4 方程输出 根据矩阵的概念, 标准的回归可以写为： 系数结果 1、回归系数 最小二乘估计的系数b是由以下的公式计算得到的 2、标准差 标准差项列出了系数估计的标准差。估计系数的协方差矩阵是由以下公式计算得到的： , , 可以通过选择View/Covariance Matrix项来察看整个协方差矩阵。 3、t-统计量 t统计量是由系数估计值和标准差之间的比率来计算，它是用来检验系数为零的假设的。 4、概率 结果的最后一项是在误差项为正态分布或系数估计值为渐近正态分布的假设下, 指出t统计量与实际观测值一致的概率。这个概率称为边际显著性水平或p值。 二、统计量总结 1、统计量 统计量衡量在样本内预测因变量值的回归是否成功。Eviews计算的公式为： =1- ， 2、调整 使用作为衡量工具存在的一个问题，即在你增加新的自变量时不会减少。调整后的通常解释为,消除中对模型没有解释力的新增变量。计算方法如下： 3、回归标准差 回归标准差是在残差的方差的估计值基础之上的一个总结。计算方法如下： 4、残差平方和 残差平方和可以用于很多统计计算中： 5、对数似然函数值 对数似然计算如下： 6、Durbin-Watson 统计量 D-W 统计量衡量残差的序列相关性，计算方法如下： 作为一个规则，如果 DW值小于2,证明存在正序列相关。 7、因变量均值和标准差 y的均值和标准差由下面标准公式算出： 8、AIC准则 计算公式如下： 9、Schwarz准则 Schwarz 准则是AIC准则的替代方法,它引入了对增加系数的更大的惩罚: 10、F统计量和边际显著性水平 F统计量检验回归中所有的系数是否为零(除了常数或截距)。对于普通最小二乘模型，F统计量由下式计算： F统计量下的P值，即Prob(F-statistic), 是F检验的边际显著性水平。 三、回归统计 估计结果中的回归统计存储在方程中通过特殊的“@ 函数”可以得到。你可以使用函数的各种表达形式得到任何统计量以深入分析。@ 函数有两种：返回标量和返回矩阵或向量。 §11.5 方程操作 一、方程视图 方程对象窗口中的视图菜单中的选项分别是方程显示（有三种形式）：显示方程结果、因变量的实际值和拟合值及残差、描述目标函数的梯度和回归函数的导数计算的信息、显示系数估计值。 二、方程过程 过程菜单中的选项分别是修改说明、用估计方程预测、创建一个与被估计方程有关的未命名模型、把方程系数的估计值放在系数向量中、创建一个包含方程中使用的所有变量的未命名组、在工作文档中以序列形式保存回归中的残差。 三、缺省方程 我们可以包方程的结果储存起来以便在以后的大量计算中使用。未命名方程不能储存在工