經(jīng)典線性回歸模型的Eviews操作

1、經(jīng)典線性回歸模型經(jīng)典回歸模型在涉及到時間序列時，通常存在以下三個問題：1） 非平穩(wěn)性 adf單位根檢驗 n階單整 取原數(shù)據(jù)序列的n階差分（化為平穩(wěn)序列）2） 序列相關性d.w.檢驗/相關圖/q檢驗/lm檢驗n階自相關自回歸ar(p)模型修正 3） 多重共線性相關系數(shù)矩陣逐步回歸修正注：以上三個問題中，前兩個比較重要。整體回歸模型的思路：1）確定解釋變量和被解釋變量，找到相關數(shù)據(jù)。數(shù)據(jù)選擇的時候樣本量最好多一點，做出來的模型結果也精確一些。2）把excel里的數(shù)據(jù)組導入到eviews里。3）對每個數(shù)據(jù)序列做adf單位根檢驗。4）對回歸的數(shù)據(jù)組做序列相關性檢驗。5）對所有解釋變量做多重共線性檢驗。

2、6）根據(jù)上述結果，修正原先的回歸模型。7）進行模型回歸，得到結論。eviews具體步驟和操作如下。1、 數(shù)據(jù)導入1） 在excel中輸入數(shù)據(jù)，如下：除去第一行，一共2394個樣本。2） eviews中創(chuàng)建數(shù)據(jù)庫： filenewworkfile, 接下來就是這個界面（2394就是根據(jù)excel里的樣本數(shù)據(jù)來），ok3） 建立子數(shù)據(jù)序列 程序：data x1 再enter鍵就出來一個序列，空的，把excel里對應的序列復制過來，一個子集就建立好了。x1是回歸方程中的一個解釋變量，也可以取原來的名字，比如lnfdi，把方程中所有的解釋變量、被解釋變量都建立起子序列。2、 adf單位根檢驗1） 趨勢

3、。打開一個子數(shù)據(jù)序列，先判斷趨勢：viewgraph，出現(xiàn)一個界面，ok。得到類似的圖，下圖就是有趨勢的時間序列。2） adf檢驗。直接在圖形的界面上進行操作，viewunit root test，出現(xiàn)如下界面。在第二個方框內(nèi)根據(jù)時序的趨勢選擇，intercept指截距，trend為趨勢，有趨勢的時序選擇第二個，ok，得到結果。上述結果中，adf值為-3.657113，t統(tǒng)計值小于5%，即拒絕原假設，故不存在單位根。若大于5%，則存在單位根。按照這個做法將所有的序列都操作一遍。3） 修正。倘若原序列存在單位根，就對原序列進行一階差分。 程序：genr dx1=d(x1) enter鍵后，evi

4、ews里會自動生成子序列dx1，x1只是解釋變量，可以自己命名。再對該一階差分序列進行adf檢驗，若所得均顯著，即為一階單整序列，此序列不存在單位根。按照一階單整序列建立模型，模型的數(shù)據(jù)序列是平穩(wěn)的。3、 模型回歸 程序：data y x1 x2 y是模型的被解釋變量，后面的解釋變量隨模型的具體情況而定。 enter鍵，出來一個數(shù)據(jù)組合，我這里dx11做為被解釋變量。 接下來是回歸的操作。 點擊proc/make equation，出來界面，直接點確定。其中，dx11是被解釋變量，其余都為解釋變量。得到結果，形式如下。結果說明：coefficient是每個解釋變量對應的系數(shù)，第四列是t統(tǒng)計值，

5、最后一列是伴隨概率。r-squared是擬合優(yōu)度，下面那個是調(diào)整的擬合優(yōu)度。分析時遵循下列原則：<1>模型總體擬合優(yōu)度r2，一般而言50%以上就很好。這個說明的是方程解釋變量總體對被解釋變量的解釋力度好，即你的模型建立的比較正確。f值和此類似，判斷方法和t統(tǒng)計值的一樣，看伴隨概率。<2>系數(shù)?？磘值和伴隨概率，如果伴隨概率小于自己設定的顯著性水平（1%、5%、10%），則拒絕原假設，說明該一個解釋變量對被解釋變量有顯著的貢獻度。注：r2看的是整體（所有解釋變量），t注重的是單個解釋變量的貢獻度。四、序列相關性檢驗序列相關性指的是模型回歸后產(chǎn)生的殘差序列（resid序列）

6、具有自相關性，即前一個時間段的殘差對現(xiàn)今的殘差有影響，因此需要進行修正。方法有下列4種：d.w.統(tǒng)計量檢驗，相關圖，q檢驗，lm檢驗?？呻S機選一種，但要注意：d.w.檢驗法方便但比較粗糙，而且只能針對一階自回歸，無法進行高階自回歸的驗證和模型自帶滯后項的驗證。lm檢驗能克服以上問題。另外，相關圖和q檢驗也較常用。1） d.w.檢驗只針對一階自相關dw值直接在模型回歸結果中顯示，下述紅色值。sample (adjusted): 2 5957included observations: 5956 after adjustmentsvariablecoefficientstd. errort-sta

7、tisticprob.  dx10.9638650.006527147.67940.0000dx20.0069640.0018683.7273610.0002dx30.0020060.0013651.4699240.1416dx130.0048760.0011014.4305840.0000dx40.0241390.0065763.6708630.0002c1.01e-064.96e-060.2037370.8386r-squared0.994890    mean dependent var6.02e-05adjusted r-sq

8、uared0.994886    s.d. dependent var0.005341s.e. of regression0.000382    akaike info criterion-12.90144sum squared resid0.000868    schwarz criterion-12.89470log likelihood38426.50    hannan-quinn criter.-12.89910f-stati

9、stic231679.7    durbin-watson stat2.398212prob(f-statistic)0.0000002） 相關圖與q檢驗在模型回歸后的界面上進行操作，viewresidual diagnosticscorrelogram-q-statistics彈出對話框后直接ok，出現(xiàn)下述結果。ac代表自相關系數(shù)，pac表示偏自相關系數(shù)，判斷模型是幾階自相關，看其ac和pac圖形有多少超出區(qū)域，圖中有臨界值線，這張圖不是很清楚。也可以觀察q值和伴隨概率，若小于5%就顯著，拒絕原假設。但是，這個方法在一些模型結果中不太明顯，所以不清楚的

10、時候進行l(wèi)m檢驗比較直觀。3） lm統(tǒng)計量檢驗 同樣，在回歸結果界面操作，viewresidual diagnosticsserial correlation lm test 彈出對話框，意在選擇階數(shù)，在不確定具體是幾階自相關時，可以一步一步來。 這是一階的檢驗，結果中會給出resid(-1)的結果，且t統(tǒng)計值的伴隨概率prob小于5%，即拒絕原假設（不存在自相關性），說明該模型存在自相關性。繼續(xù)進行二階的檢驗，重復上述操作，在對話框輸入2，得到結果。仍然拒絕假設，再進行操作，直到resid（-n）的t值不顯著。當進行到6階的時候，resid(-6)的t值不顯著，故該模型的自相關階數(shù)為5階。4

11、） 修正。對于自相關模型的修正，也有一系列方法，但是建立自回歸模型ar(p)比較簡單。操作如下，在原模型數(shù)據(jù)組界面進行操作，即進行簡單回歸的界面。 點擊proc/make equation，出來界面，根據(jù)模型自相關階數(shù)，進行修改如下。 在出來的結果中，可以看到模型的擬合優(yōu)度r2有所提高，且模型的dw值接近2。一般而言，dw值為2時說明該模型不存在自相關性。（可與上面的結果比較）dependent variable: dx5method: least squaresdate: 04/29/15 time: 18:26sample (adjusted): 7 5957included observ

12、ations: 5951 after adjustmentsconvergence achieved after 4 iterationsvariablecoefficientstd. errort-statisticprob.  dx10.9606150.006150156.19740.0000dx20.0068040.0016324.1685340.0000dx30.0020380.0012441.6385560.1014dx130.0036910.0009673.8155730.0001dx40.0283100.0062444.5336680.0000c1.25e-0

13、62.96e-060.4220180.6730ar(1)-0.2491230.012972-19.204700.0000ar(2)-0.1965370.013365-14.705750.0000ar(3)-0.0841370.013549-6.2097730.0000ar(4)-0.0487470.013350-3.6514270.0003ar(5)-0.0410690.012971-3.1661960.0016r-squared0.995270    mean dependent var6.04e-05adjusted r-squared0.99526

14、2    s.d. dependent var0.005342s.e. of regression0.000368    akaike info criterion-12.97650sum squared resid0.000803    schwarz criterion-12.96413log likelihood38622.56    hannan-quinn criter.-12.97220f-statistic124979.4

15、    durbin-watson stat2.000095prob(f-statistic)0.000000inverted ar roots .32+.43i     .32-.43i  -.20+.50i-.20-.50i     -.49 這樣回歸出來的結果就自動進行了序列相關性的修正。做分析結果時，直接按照上述結果的系數(shù)就可以，不存在系數(shù)不可信的問題。五、多重共線性檢驗多變量的線性回歸模型可能存在多重共線性問題，即模型的解釋變量之間存在相關性，可通過相關系數(shù)矩陣進行檢驗。1） 相關系數(shù)矩陣建立解釋變量的數(shù)據(jù)組，程序：data dx1 dx2 dx3 dx13 dx4enter鍵，跳出數(shù)據(jù)組。其中，dx1 dx2 dx3 dx13 dx4是我模型中的解釋變量，其他模型視具體情況而定。點擊quickgroup statisticscorrelations在彈出的對話框內(nèi)輸入需要進行相關關系檢驗的解釋變量：dx1 dx2 d