使用eviews做线性回归方程文档格式.docx
《使用eviews做线性回归方程文档格式.docx》由会员分享，可在线阅读，更多相关《使用eviews做线性回归方程文档格式.docx（9页珍藏版）》请在冰点文库上搜索。
线性回归的基本假设：
1.自变量之间不相关
2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布
3.样本个数多于参数个数
建模方法:
lsycx1x2x3...
x1x2x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。
模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
模型检验：
1）方程显著性检验（F检验）：
模型拟合样本的效果，即选择的所有自变量对因变量的解释力度
F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设（所有系统为0的假设）犯错误（第一类错误或α错误）的概率（收尾概率或相伴概率）p值，若p小于置信度（如0.05）则可以拒绝0假设，即认为方程显著性明显。
2）回归系数显著性检验（t检验）：
检验每一个自变量的合理性
|t|大于临界值表示可拒绝系数为0的假设，即系数合理。
t分布的自由度为n-p-1,n为样本数，p为系数位置
3）DW检验：
检验残差序列的自相关性，检验基本假设2（随机误差相互独立）
残差：
模型计算值与资料实测值之差为残差
0&
lt;
=dw&
=dl残差序列正相关，du&
dw&
4-du无自相关，4-dl&
=4负相关，若不在以上3个区间则检验失败，无法判断
demo中的dw=0.141430，dl=1.73369,du=1.7786,所以存在正相关
模型评价
目的：
不同模型中择优
1）样本决定系数R-squared及修正的R-squared
R-squared=SSR/SST表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。
AdjustR-seqaured=1-（n-1）/（n-k）（1-R2）
2）对数似然值（LogLikelihood,简记为L）
残差越小，L越大
3）AIC准则
AIC=-2L/n+2k/n,其中L为loglikelihood,n为样本总量，k为参数个数。
AIC可认为是反向修正的L，AIC越小说明模型越精确。
4）SC准则
SC=-2L/n+k*ln（n）/n
用法同AIC非常接近
预测forecast
rootmeansequarederror（RMSE）均方根误差
MeanAbsoluteError（MAE）平均绝对误差
这两个变量取决于因变量的绝对值，
MAPE（MeanAbs.PercentError）平均绝对百分误差，一般的认为MAPE&
10则认为预测精度较高
TheilInequalityCoefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。
偏差率（biasProportion），bp，反映预测值和真实值均值间的差异
方差率（varianceProportion），vp，反映预测值和真实值标准差的差异
协变率（covarianceProportion），cp，反映了剩余的误差
以上三项相加等于1。
预测比较理想是bp,vp比较小，值集中在cp上。
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。
如何操作？
其他
1）Chow检验
chow'
sbreakpoint检验
零假设是：
两个子样本拟合的方程无显著差异。
有差异则说明关系中结构发生改变
demo中
ChowBreakpointTest:
1977Q1
F-statistic2.955Prob.F（3,174）0.03399
Loglikelihoodratio8.849178Prob.Chi-Square（3）0.0
p值&
0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。
问题是如何才能准确的找到这个或这几个断点？
目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow'
sbreakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。
sforecast检验
用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。
0假设是：
模型与后段样本无显著差异
demo中的1976Q4作为breakpoint,得到两个p值为0，即认为两段样本的系数应该是不同的。
2）自变量的选择
testadd检验：
操作方法是:
eqationname.testaddser1ser2...
0假设：
应该将该变量引入方程
检验统计量：
wald,LR
结果：
通过两个p值（Prob.F,ProbChi-sequare）看是否拒绝原假设
testdrop检验：
eqationname.testdropser1ser2...
应该将该变量剔除
含定性变量的回归模型
分为：
自变量含定性变量，因变量含定性变量。
后一种情况较为复杂
建立dummy变量（名义变量）：
用D表示
当变量有m种情况时，需要引入m-1个dummy变量
处理办法：
把定性变量定义成
常见问题及对策
1）多重共线性（multicollinearity）:
p个回归变量之间存在严格或近似的线性关系
诊断方法：
1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过
2.某些自变量系数之间的简单相关系数很大
3.回归系数符号与简单相关系统符号相反
以上3条发生都有理由怀疑存在多重共线性
方差扩大因子（varianceinflationfactorVIFj）是诊断多重共线性的常用手段。
VIFj为矩阵（X’X）-1第j个对角元素cjj=1/（1-R2j）（j=1,2…,p）
其中R2j为以作为cj因变量，其余p-1个自变量作为自变量建立多元回归模型所得的样本决定系数，所以R2j越大则说明自变量之间自相关性越大，此时也越大，可以认为VIFj&
10（R2j&
0.9）则存在多重共线性。
还可以使用VIFj的平均数作为判断标准，如果avg（VIFj）远大于10则认为存在多重共线性。
eviews里如何使用VIF法？
--建立方程，然后手工建立scalarvif。
demo中GDP和PR的vif为66，存在多重共线性?
只有一个自变量的方程是否会失效?
此时dw值只有0.01远小于dl，说明GDP远远不是PR能决定的。
结合testdrop将PR去除，两个p值为0，说明不能把PR去除。
在eviews中当自变量存在严重的多重共线性时将不能给出参数估计值，而会报错：
nearlysingularmatrix
多重共线性的处理：
1.剔除自变量，选择通过testdrop实验，并且vif值最大的那个
2.差分法，在建立方程时填入lsm1-m1（-1）cgdp-gdp（-1）pr-pr（-1）。
m1（-1）表示上一个m1
差分法常常会丢失一些信息，使用时应谨慎。
demo中得到的模型，c的p值0.11,pr-pr（-1）的p值为0.60，说明参数无效。
2）异方差性（Herteroskedasticity）
即随机误差项不满足基本假设的同方差性,异方差性说明随机误差中有些项对因变量的影响是不同于其他项的。
一般地，截面数据做样本时出现异方差性的可能较大，或者说都存在异方差性
若存在异方差性，用OLS估计出来的参数，可能导致估计值虽然是无偏的，但不是有效的。
（截面数据就是同一时间点上各个主体的数据，比如2007年各省的GDP数据放在一起就是一组截面数据
与之相对的是时间序列数据如河北省从00年到07年的数据就是一组时间序列数据
两者综合叫面板数据）
00年到07年各省的数据综合在一起就叫面板数据
1.图示法，以因变量作为横坐标，以残差项为纵坐标，根据散点图判断是否存在相关性。
（选择两个序列作为group打开，先选中的序列将作为group的纵坐标）
2.戈里瑟（Glejser）检验：
?
?
3.怀特（White）检验:
用e2作为因变量，原先的自变量及自变量的平方（还可以加上各自变量之间的相互乘积）作为自变量建立模型。
怀特检验的统计量为：
m=n*R2（n是样本容量，R2是新模型的拟合优度）,m~χ2（k）k为新模型除常数项之外的自变量个数
零假设：
模型不存在异方差性
操作：
在估计出来的方程中，view-residualtests-WhiteHerteroskedasticity（nocross/cross）分别为是否含自变量交叉项
demo中的两个p值为0，所以拒绝零假设，认为存在严重的异方差性。
异方差性的处理：
1.加权最小二乘法（WLSweightedleastsequare）。
最常用的方法，一般用于异方差形式可知的情况。
基本思路是赋予残差的每个观测值不同的权数，从而使模型的随机误差项具有相同的方差。
2.自相关相容协方差（HeteroskedasticityandantocorrelationconsistentconvariancesHAC）
用于异方差性形式未知时。
在建模时在options中选择Heteroskedasticityconsistentconvariances再从white,newey-west中选择一种。
HAC不改变参数的点估计，改变的知识估计标准差。
如何改变标准差？
3）自相关性
残差项不满足相互独立的假设。
一般的，经济时间序列中自相关现象较为常见，这主要是经济变量的滞后性带来的。
自相关性将导致参数估计值虽然是无偏的，但不是有效的。
1.绘制残差序列图。
如果序列图成锯齿形或循环状的变化，可以判定存在自相关
2.回归检验法：
以残差e（t）为被解释变量，以各种可能的相关变量，如e（t-1）e（t-2）作为自变量，选择显著的最优拟合模型作为自相关的形式。
demo中以lsresidm1cresidm1（-1）residm1（-2）后发现c的p值为0.54，做testdrop实验，两个p值都&
0.5可以将c剔除。
剔除c后：
DependentVariable:
RESIDM1
Method:
LeastSquares
Date:
12/29/07Time:
11:
26
Sample（adjusted）:
1952Q31996Q4
Includedobservations:
178afteradjustments
VariableCoefficientStd.Errort-StatisticProb.
RESIDM1（-1）1.2153610.07701115.781730.0000
RESIDM1（-2）-0.2716640.078272-3.4707630.0007
R-squared0.868569Meandependentvar0.011855
AdjustedR-squared0.867823S.D.dependentvar26.91138
S.E.ofregression9.783961Akaikeinfocriterion7.410538
Sumsquaredresid16847.76Schwarzcriterion7.446289
Loglikelihood-657.5379Durbin-Watsonstat2.057531
模型的r-sequared稍小，参数很显著，dw显示为无自相关。
但是常数c能剔除吗？
剔除后模型没有f-statistic和对应p值，原理何在？
3.DW检验法
用于小样本的一阶自相关情况，缺点：
当回归方程右边存在因变量的滞后项如m1（t-i）（i=1,2,...）时，检验失败。
升级会员 