读懂回归结果.docVIP

读懂回归结果 Dependent Variable: Y Method: Least Squares Date: 03/07/12 Time: 14:53 Sample: 1990 2001 Included observations: 12 Variable Coefficient Std. Error t-Statistic Prob. C -3.611151 4.161790 -0.867692 0.4059 X 0.134582 0.003867 34.80013 0.0000 R-squared 0.991810 Mean dependent var 119.8793 Adjusted R-squared 0.990991 S.D. dependent var 79.36124 S.E. of regression 7.532484 Akaike info criterion 7.027338 Sum squared resid 567.3831 Schwarz criterion 7.108156 Log likelihood -40.16403 F-statistic 1211.049 Durbin-Watson stat 2.051640 Prob(F-statistic) 0.000000 上面五行的意思一眼就能看懂，第一行告诉我们Y 是因变量；第二行说明使用的是最小二乘法；第三行说的是这次结果产生的时间是2012 年3 月7 日14点53分；第四行说样本数据是从1990 年到2001 年的；第五行是说被观察的样本个数为11。 中间的参数估计：“variable”下面“X”和“C”分别是自变量和常数项，因为Eviews 是不区分大小写的，所以我们原来输的可能是小写x，但输出结果都是大写；“Coefficient”下面的两上数分别是“X”和“C”的估计值；“Std. Error”下面的两个数是它俩的标准差；“t-Statistic”是它俩估计值对应的t 统计量；“Prob.”是各个t 统计量对应的P 值。 最下面的输出结果要好好说明一下，我们按照先左列后右列，自上而下的顺序来看： “R-squared”：样本的可决系数，反映的是模型的拟合优度，在0到1之间。这个当然越大越好，我们这里的“R-squared”有0.991810，这个指标比较理想，但不能仅仅根据这个统计量来判定这个回归就是“好”的了，因为我们可能遇到“谬误回归”的情况——这个后面我们会提到。所以还要结合其他指标来分析输出结果。 “Adjusted R-squared” 是根据样本数量和自由度调整后的样本可决系数，详细说明请见古扎拉蒂书7.8 的说明。同样的，它的值越高，则模型的拟合效果越好。调整后的R2 一般比调整之前的要小些。 “S.E. of regression” 为回归标准误，也就是随机扰动项的标准差估计值，其计算方法为 这个值是越小越好的。古扎拉地的书上(3.3.8)式就是上面公式的双变量情况（K=2）。 “Sum squared resid” 是残差平方和，其公式为 这个值也是越小越好。 “Log likelihood” 为对数似然比检验的值，其公式为： 这个值越大，说明模型越精确。但是我们这个阶段一般用不着这个，因为 Davidson 和MacKinnon（1993）他们说了：“对于线性回归模型，不管它的误差是或不是正态分布的，都不需要过问LM，W和LR。因为我们不能从这些统计量得到任何不为F检验所含有的信息”。LR就是对数似然比，F检验在第三章就会提到。 “Durbin-Watson stat” 为DW 统计量，这个值反映的是序列自相关问题，它的值位于区间[0，4]之间，一般情况下。越接近于2，越能说明不存在自相关问题，结果就越是理想。而我们做的结果是2.051640，初步判定不存在明显序列相关性。碰到这种情况怎么处理以后再具体讲吧。 “Mean dependent var” 和“S.D. Dependent var”分别是因变量Y 的均值、标准差。这两个就不用再说了吧：？是吧？ Mean dependent var:, S.D. Dependent var 则有，R-squared “Akaike info criterion”是赤池信息准则(AIC)，这个值也是越小越好。具体是用于模型的选择。 “Schwarz criterion”为施瓦茨准则，和赤池信息量一样，也是用于模型的选择，值也是越小越好。对了，Schwarz 准则是按照提出者名字命名的，还有一种叫法“Ba