EVIEWS回归结果的理解.pdfVIP

回归成果的懂得 参数解释： 1.回归系数（coefficient） 留意回归系数的正负要相符理论和现实.截距项的回归系数无论是否经由过程T磨练都没有现实的经济意 义. 2.回归系数的尺度误差（Std.Error） 尺度误差越大,回归系数的估量值越不成靠,这可以经由过程T值的盘算公式可知 3.T磨练值（t-Statistic） T值磨练回归系数是否等于某一特定值,在回归方程中这一特定值为0,是以T值 回归系数/回归系数的尺度 误差,是以T值的正负应当与回归系数的正负一致,回归系数的尺度误差越大,T值越小,回归系数的估量值越 不成靠,越接近于0.别的,回归系数的绝对值越大,T值的绝对值越大. 4.P值（Prob） P值为理论T值超出样本T值的概率,应当接洽明显性程度α比拟,α暗示原假设成立的前提下,理论T值超出样 本T值的概率,当P值α值,解释这种成果现实消失的概率的概率比在原假设成立的前提下这种成果消失的 可能性还小但它偏偏消失了,是以谢绝接收原假设. 5.可决系数（R-squared） 都知道可决系数暗示解释变量对被解释变量的解释进献,其本质就是看（y尖-y均）与（y=y均）的一致程 度.y尖为y的估量值,y均为y的总体均值. 6.调剂后的可决系数（Adjusted R-squared) 即经自由度修改后的可决系数,从盘算公式可知调剂后的可决系数小于可决系数,并且可决系数可能为负, 此时解释模子极不成靠. 7.回归残差的尺度误差（S.E.of regression） 残差的经自由度修改后的尺度差,OLS的本质其实就是使得均方差最小化,而均方差与此的差别就是没有经 由自由度修改. 8.残差平方和（Sum Squared Resid） 见上7 9.对数似然估量函数值（Log likelihood） 起首,懂得极大似然估量法.极大似然估量法固然没有OLS应用普遍,但它是一个具有更强理论性质的点估 量办法.极大似然估量的动身点是已知被不雅测现象的散布,但不知道其参数.极大似然法用得到不雅测值 （样本）最高概率（离散散布以概率集合函数暗示,持续散布以概率密度函数暗示.因为要使得样本中所 有样本点都消失,假定抽样是随机的则各个样本点的是自力同散布的,所以最后总的概率表示为概率集合 函数或者概率密度函数的连乘情势,称之为似然函数.要取最精确率,即将似然函数对未知参数求导令导数 等于0即可获得极大似然函数.一般为简化函数的处理进程都邑对似然函数进行对数化处理,如许最后得到 的极大似然函数就称之为对数极大似然函数）的那些参数的值来估量该散布的参数,从而供给一种用于估 量描绘一个散布的一组参数的办法. 其次,懂得对数似然估量函数值.对数似然估量函数值一般取负值,现实值（不是绝对值）越大越好.第一,根 本推理.对于似然函数,假如是离散散布,最后得到的数值直接就是概率,取值区间为0-1,对数化之后的值就 是负数了;假如是持续变量,因为概率密度函数的取值区间其实不局限于0-1,所以最后得到的似然函数值不 是概率而只是概率密度函数值,如许对数化之后的正负就不肯定了.第二,Eviews的盘算公式解释.公式值的 大小症结取之于残差平方和（以及样本容量）,只有当残差平方和与样本容量的比之很小时,括号内的值 才可能为负,从而公式值为正,这时解释参数拟合效度很高;反之公式值为负,但其绝对值越小暗示残差平方 和越小,因而参数拟合效度越高. 10.DW磨练值 DW统计量用于磨练序列的自相干,公式就是测度残差序列与残差的滞后一期序列之间的差别大小,经由推 导可以得出DW值与两者相干系数的等式关系,因而很轻易断定.DW值的取值区间为0-4,当DW值很小时 （大致1）标明序列可能消失正自相干;当DW值很大时（大致3）标明序列可能消失负自相干;当DW值 在2邻近时（大致在1.5到2.5之间）标明序列无自相干;其余的取值区间标明无法肯定序列是否消失自相 干.当然,DW具体的临界值还须要依据样本容量息争释变量的个数经由过程查表来肯定. DW值其实不是一个很实用的磨练手腕,因为它消失刻薄的假设前提：解释变量为非随机的;随机扰动项为 一阶自回归情势;解释变量不克不及包含滞后的被解释变量;必须有截距项;数据无缺掉值.当然,可以经由过 程DW-h磨练来磨练包含滞后被解释变量作为解释变量的序列是否消失自相干.h统计量与滞后被解释变量 的回归系数的方差呈正相干关系,可以清除其影响. 11.被解释变量的样本均值（Mean Dependent Var） 12.被解释变量的样本尺度误差（S.D.Dependent Var） 上面两个望文即可生义. 13.赤池信息准则（AIC） AI