eviews操作基本命令.docx

1、eviews操作基本命令Eviews常用命令 （对于命令和变量名，不区分大小写）1创建时间序列的工作文件 a annual： create a 1952 2000s semi-annual：create s 1952 1960q quarterly： create q 1951：1 1952：3m monthly： create m 1952：01 1954：11w weekly: create w 2/15/94 3/31/94，自动认为第一天为周一，和正常的周不同。d daily (5 day week): create d 3/15/2008 3/31/2008，和日历上周末一致，自动跳

2、过周末。7 daily (7 day week): create 7 3/03/2008 3/31/2008。u undated: create u 1 33。创建工作文件时可直接命名文件，即在create 后面直接键入“文件名”，如create my a 1952 2000 或者 work a 1952 2000系统自动生成两个序列：存放参数估计值c和残差resid。2创建数组（group）多个序列组合而成，以便对组中的所有变量同时执行某项操作。数组和各个序列之间是一种链接关系，修改序列的数据、更改序列名、删除序列等操作，都会在数组中产生相应的变化。 1）创建完文件后，使用data建立数据组

3、变量；若有word表格数据或excel数据，直接粘贴；或者用Import 从其它已有文件中直接导入数据。data x y， 可以同时建立几个变量序列，变量值按列排列，同时在表单上出现新建的组及序列，且可以随时在组中添加新的序列。利用组的优点：一旦某个序列的数据发生变化，会在组中和变量中同时更新；数组窗口可以直接关闭，因为工作文件中已保留了有关变量的数据。 2）通过已有序列建立一个需要的组：group mygroup x y 可以在组中直接加入滞后变量 group mygroup y x(0 to -1)3创建标量：常数值 scalar val = 10 show val 则在左下角显示该标量的

4、值4创建变量序列 series x series y data x y series z = x + y series fit = Eq1.coef(1) + Eq1.coef(2) * x 利用两个回归系数构造了拟合值序列5创建变量序列 genr 变量名 = 表达式genr xx = x2 genr yy = val * y genr zz = x*y (对应分量相乘) genr zz = log(x*y) (各分量求对数)genr lnx = log(x) genr x1 = 1/x genr Dx = D(x) genr value = 3(注意与标量的区别)genr hx = x*(x

5、=3)(同维新序列，小于3的值变为0，其余数值不变)1）表达式表示方式：可以含有,=,=,and,or。2）简单函数：D(X):X的一阶差分 D(X，n):X的n阶差分LOG(X)：自然对数DLOG(X) ：自然对数增量LOG(X)-LOG(X(-1)EXP(X) ：指数函数ABS(X) ：绝对值SQR(X) ：平方根函数RND：生成0、1间的随机数NRND：生成标准正态分布随机数。3）描述统计函数：eviews中有一类以打头的特殊函数，用以计算序列的描述统计量，或者用以计算常用的回归估计量。大多数函数的返回值是一个常数。SUM(X):序列X的和MEAN(X): 序列X的平均数VAR(X):

6、序列X的方差SUMSQ(X): 序列X的平方和OBS(X): 序列X的有效观察值个数COV(X,Y): 序列X和序列Y的协方差COR(X,Y): 序列X和序列Y的相关系数CROSS(X,Y): 序列X，Y的点积 genr val=cross(x,y)当X为一个数时，下列统计函数返回一个数值；当X时一个序列时，下列统计函数返回的也是一个序列。PCH(X): X的增长率（X-X(-1)）/ X(-1)INV(X): X的倒数1/XLOGIT(X): 逻辑斯特函数FLOOR(X): 转换为不大于X的最大整数CEILING(X): 转换为不小于X的最小整数DNORM(X): 标准正态分布密度函数CNO

7、RM(X): 累计正态分布密度函数TDIST(X,n): 自由度为n，取值大于X的t统计量的概率FDST(X,n,m): 自由度为（n，m）取值大于X的F分布的概率CHISQ(X,n): 自由度为n，不小于x的分布的概率4）回归统计函数回归统计函数是从一个指定的回归方程返回一个数。调用方法：方程名后接.再接函数。如EQ1.DW，则返回EQ1方程的D-W统计量。如果在函数前不使用方程名，则返回当前估计方程的统计量。统计函数见下面：R2NCOEF常用。6向量 列向量对象 vector、行向量对象 rowvector、系数向量对象 coeff vector vect：定义了一个一维且取值为0 的列向

8、量 vector(n) vect：定义一个n维且取值为0的列向量 vect.fill 1, 3, 5, 7, 9 ：定义了分量的值 vector(n) vect=100：定义一个n维且取值为100的列向量行向量对象 rowvector、系数向量对象 coeff 类似7矩阵 matrix mat：定义一个行和列均为1取值为0的矩阵 matrix（m,n） mat：定义一个行和列分别为m，n取值为0的矩阵 matr.Fill 1 2 3 4 5 9 8 7 6 5，默认按列输入数据 matrix（m,n） mat=5：定义一个行和列分别为m，n取值为5的矩阵 matrix（m,n） mat=5*m

9、atr：定义和matr同维但取值为5倍的矩阵8常用命令：1）Cov x y：协方差矩阵。Cor x y：相关矩阵。2）plot x y：出现趋势分析图，观察两个变量的变化趋势或是否存在异常值。双击图形可改变显示格式。3）scat x y：观察变量间相关程度、相关类型（线性、非线性）。仅显示两个变量。如果有多个变量，可以选取每个自变量和因变量两两观察，虽然得到切面图，但对函数形式选择有参考价值。4）排序：在workfile窗口，执行主菜单上的procs/sort series，可选择升序或降序：Sort x：则y随之移动，即不破坏对应关系。sort(d) x：按降序排序，注意所有的其它变量值都会

10、随之相应移动。5）取样 smpl 1 11 smpl 1990 2000smpl all：重新定义数据范围，如果修改过，现在改回。6）追加记录，扩展样本：Expand 2001 20076）“”后面的东西不执行，仅仅解释程序语句。7）Jarque-Bera统计量: ，用于检验变量是否服从正态分布。在变量服从正态分布的原假设下，JB统计量服从自由度为2的卡方分布。如果JB统计量大于卡方分布的临界值，或对应概率值较小，则拒绝该变量服从正态分布的假设（where S is the skewness, K is the kurtosis, and k represents the number of

11、estimated coefficients used to create the series）9. 回归结果 与 变量表示：X800110014001700200023002600290032003500Y59463811221155140815951969207825852530Variable Coefficient Std. Error t-Statistic Prob. 变量 系数估计值 系数标准差:小好 T检验值:大好 概率（越小越好）C -103.171717172 98.4059798473 -1. 0.325079456046 coefs(1)或c(1) stderrs(1

12、) tstats(1)X 0.77701010101 0.76 18.2890032755 8.2174494e-08 R-squared 0.97664149287 Mean dependent var 1567.4（拟合优度）=1-(RSS/TSS) :大好 （因变量均值）R2 mean(y)Adjusted R-squared 0.973721679478 S.D. dependent var 714.1444（调优）1-:大好 （Y标准差）9RBAR2 sqr(var(y)*n/(n-1)，var(y) sddep（被解释变量的标准差）S.E. of regression 115.76

13、7020478 Akaike info criterion 12.517893115.76702=13402 赤池信息准则 （回归标准差）=se Sum squared resid 107216.024242 Schwarz criterion 12.5784099883（残差平方和） 施瓦兹信息准则:小好sumsq(resid)Log likelihood -60.5894648487 F-statistic 334.487640812（对数似然估计值） （总体F检验值）:大好 2859.544FDurbin-Watson stat 3.12031968783 Prob(F-statisti

14、c) 0.0000（D-W检验值） （ F检验概率）:小好=DWREGOBS：返回观察值的个数7。ncoef：估计系数总个数2。注意：系数项可这样计算：genr b1=cross(x-mean(x),y-mean(y)/sumsq(x-mean(x)cross计算交叉乘积和，mean计算均值，sumsq计算平方和。genr b0=mean(y)-b1*mean(x)。10. 置信区间估计：变量的显著性检验：=c(2)/stderrs(2)=tstats(2)参数的置信区间的计算：0.01，3.355，下限：=c(2)-3.355*stderrs(2)上限：=c(2)+3.355*stderrs

15、(2)总体个别均值的预测值的置信区间的计算(总体条件均值 类似)：1）ls y c x，使内存中存在方程 -103.171717172+0.777010101012）假设1000，下限：=c(1)+c(2)*1000-2.306*se*sqr(1+1/OBS(X)+(1000-mean(x)2/sumsq(x-mean(x)372.03上限：=c(1)+c(2)*1000+2.306*se*sqr(1+1/OBS(X)+(1000-mean(x)2/sumsq(x-mean(x)975.65故总体个别均值的预测值的置信区间为：（372.03，975.65）。11预测问题：生成一个以原因变量y名

16、+f的y的预测值yf，实际上，yf；同时还得到一张预测图形：图中实线是因变量y的预测值，上下两条虚线给出的是近似95的置信区间。1) 绝对指标RMSE均方根误差，其大小取决于因变量的绝对数值和预测值；2) 绝对指标MAE平均绝对误差，其大小取决于因变量的绝对数值和预测值；3) 常用的相对指标MAPE平均绝对百分误差；若MAPE的值小于10，则认为预测精度较高；4) 希尔不等系数：，希尔不等系数总是介于0-1之间，数值越小，表明拟合值和真实值间的差异越小，预测精度越高；5) 均方误差MPE可分解为其中是预测值的均值，是实际序列的均值，分别是预测值和实际值的标准差，r是它们的相关系数，于是可定义偏

17、差率、方差率和协变率三个相互联系的指标，其取值范围都在0-1之间，并且这三项指标之和等于1，计算公式是：偏差率（OLS中，故BP0）、方差率、协变率。BP反映了预测值均值和实际值均值间的差异，VP反映它们标准差的差异，CP则衡量了剩余的误差。当预测比较理想时，均方误差大多数集中在协变率CP上，其余两项较小。若有多种曲线形式可供选择，则应选择其中均方误差最小者为宜。Functions that return scalar values:r2 R-squared statisticrbar2 adjusted R-squared statisticse standard error of the

18、regressionssr sum of squared residualsdw Durbin-Watson statisticf F-statisticlogl value of the log-likelihood functionaic Akaike information criterionsc Schwarz information criterionjstat scalar containing the J-statistic (for GMM)regobs number of observations in regressionmeandep mean of the depend

19、ent variablesddep standard deviation of the dependent variablencoef total number of estimated coefficientscoefs(i) coefficient i, where i is given by the order in which the coefficients appear in the representations viewstderrs(i) standard error for coefficient itstats(i) t-statistic value for coeff

20、icient icov(i,j) covariance of coefficients i and jFunctions that return vector or matrix objects:coefs vector of coefficient valuesstderrs vector of standard errors for the coefficientststats vector of ratios of coefficients to standard errorscov matrix containing the coefficient covariance matrixFor example:series y = eq1.dwvector tstats = eq1.tstatsmatrix mycov = eq1.covscalar pvalue = 1-cnorm(abs(eq1.tstats(4)scalar var1 = eq1.covariance(1,1)