教案eviews基本回归模型.pptVIP

* * 我们应提供如下信息： 1. 序列名 预测后的序列名 将所要预测的因变量名填入编辑框中。EViews默认了一个名字，但可以将它变为任意别的有效序列名。这个名字应不同于因变量名，因为预测过程会覆盖已给定的序列值。 S.E.（Optional） 如果需要，可以为该序列的预测标准差提供一个名字。如果省略该项，预测标准误差将不被保存。 GARCH（Optional） 对用ARCH估计的模型，还可以保存条件方差的预测值（GARCH项）。 * * 2. 预测方法 动态(Dynamic)— 从预测样本的第一期开始计算多步预测。 静态(Static) — 利用滞后因变量的实际值计算一步向前 (one-step-ahead)预测的结果。 结构(Structural)—预测时EViews将忽略方程中的任何ARMA项。若不选此项，在方程中有ARMA项时，动态与静态方法都会对残差进行预测。但如果选择了Structural，所有预测都会忽略残差项而只对模型的结构部分进行预测。 样本区间(Sample range)— 必须指定用来做预测的样本。如果缺选，EViews将该样本置为工作文件样本。如果指定的样本超出估计方程所使用的样本区间(估计样本)，那么会使EViews产生样本外预测。 注意：需要提供样本外预测期间的解释变量值。对静态预测，还必须提供滞后因变量的数值。 * * 3. 输出 可以选择以图表或数值，或者二者同时的形式来观察预测值。注意：预测值被保存在GDPF序列中。因为GDPF序列是一个标准的EViews序列，所以可以利用序列对象的所有标准工具来检验预测结果。 * * 我们可以比较GDP的实际值和动态预测拟合值GDPFD、静态预测拟合值GDPFS，可以看出一步向前静态预测比动态预测要更为准确，因为对每个时期，在形成GDP的预测值时使用的 是GDP(-1)的实际值。 * * 对于没有包含在预测样本中的数值，会有两种选择。作为缺省，EViews将用其因变量的实际值填充；另一种是不选择Insert actuals for out-of-sample，预测样本外的数值都将赋予“NA”，于是，这样设置的结果是被预测序列中的所有数据在预测过程中将被覆盖，被预测序列的已存值将会丢失。 * * 6.9.2 预测误差和预测效果评估 假设真实的模型由下式给定： 这里 ut 是独立同分布，均值为零的随机扰动项，? 是未知参数向量。下面我们放松 ut 是独立的限制。 生成 y 的真实模型我们尚不知道，但我们得到了未知参数 ?的估计值b。设误差项均值为零，可以得到 y 的预测方程： 该预测的误差为实际值与预测值之差 * * 假设我们利用1947:02～1993:04的样本数据估计得出GDP方程，然后分别进行1947:02～1995:01和1994:01～1995:01关于GDP的动态预测。如果选中Forecast evaluation (预测效果评估)， EViews将显示预测效果评估的统计结果表： * * 注意：如果预测样本中没有因变量的实际值数据，EViews不能进行预测效果评估。 假设预测样本为 t =T+1, T+2, …,T+h，T 为实际值样本长度，用 和 yt 分别表示 t 期的预测值与实际值。计算出的预测误差评价指标如下所示： Root Mean Squared Error 均方根误差 Mean Absolute Error 平均绝对误差 Mean Absolute Percent Error 平均相对误差 Theil Inequality Coefficient 泰尔不等系数 * * 前两个预测误差统计量由因变量绝对数值大小决定。它们作为评价指标应该用来比较同样的序列在不同模型中的预测效果，误差越小，该模型的预测能力越强。 后两个统计值是相对量。泰尔(Theil)不等系数总是处于0和1之间，数值越小，预测精度越高，值为0时表示与真实值完全拟合。 预测均方误差MSE可以分解为： 式中 分别为 和 y 的平均值和标准差，r为 和 y 的相关系数。据此有以下定义： * *