eviews基本操作、49页实例、上海股票分析说明

九、用eviews4估计教材34页实例：/jjxqy/SPSS.htm 。

Dependent Variable: Y Method: Least Squares Date: 03/17/06 Time: 22:22 Sample: 1978 2000 Included observations: 23
Variable 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 201.118931268 14.8840158247 13.5124104702 7.91810838658e-12
0ˆβ
ˆ
S β
=
ˆ00ˆ/t S β
β= @coefs(1)或c(1) @stderrs(1) @tstats(1)
X
0.386180285276 0.0072217370506 53.474708726 6.25074728232e-24
1ˆβ
1
ˆS β
=
1
ˆ11ˆ/t S β
β= R-squared
0.992709711586 Mean dependent var
905.330434783
（拟合优度2
R ）/ESS TSS =1-(RSS/TSS) :大好 （因变量均值）Y -
＝
22ˆ()/()i
i y
y y y --∑∑@R2 @mean(y)
Adjusted R-squared 0.992362554995 S.D. dependent var 380.63340683
（调优）1-(/(1))/(/(1))RSS t k TSS n ---:大好 （Y
@RBAR2 @sqr(@var(y)*n/(n-1))，var(y)2
()/i Y Y n =-∑
@sddep （被解释变量的标准差）
S.E. of regression 33.2644961843 Akaike info criterion 9.9297996268
2
/(2)i
e
n -=∑115.7670^2=13402
（回归标准差）
µμσ= 赤池信息准则2
2(1)ln i e k AIC n n ⎛⎫+=+ ⎪ ⎪⎝⎭
∑） Sum squared resid 23237.0608343 Schwarz criterion 10.028*******
（残差平方和）2
i RSS e =
∑
（施瓦兹信息准则21
ln ln i e k SC n n n ⎛⎫+=+ ⎪ ⎪⎝⎭
∑）:小好
@sumsq(resid)
Log likelihood -112.192695708 F-statistic 2859.54447333 （对数似然估计值） （总体F 检验值）:大好 @F Durbin-Watson stat 0.550636299883 Prob(F-statistic) 0 （D-W 检验值）@DW （ F 检验概率）:小好
49页实例：令Y ＝人均居民消费支出：元，X ＝人均GDP ：元。

X 因，Y 果。

（1）无数据：file/new/workfile ，输入数据；若有word 表格数据或excel 数据，直接粘贴；若有数据eviews ，用load 调入。

（2）data y x ：输入数据（也可data y ，然后data x ）。

（3）ls y c x ：执行OLS 。

Dependent Variable: Y Method: Least Squares
Date: 03/17/06 Time: 22:22 Sample: 1978 2000 数据范围
Included observations: 23样本容量
Variable 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 （0
ˆβ）201.118931268 µ0
()S β=14.88402 13.51241 6 0.0000 @coefs(1)或c(1) @stderrs(1) @tstats(1)
X （1
ˆβ）0.386180285276 µ1
()S β=0.007222 53.47471 0.0000
@coefs(2)或c(2) @stderrs(2) @tstats(2) R-squared 0.992710 Mean dependent var 905.3304 （拟合优度r 2）
/ESS TSS =1-(RSS/TSS) :大好 （因变量均值）Y -
＝
22ˆ()/()i
i y
y y y --∑∑@R2 @mean(y)
Adjusted R-squared 0.992363
S.D. dependent var
380.6334
（调优）1-(/(1))/(/(1))RSS t k TSS n ---:大好 （Y
@RBAR2 @sqr(@var(y)*n/(n-1))，var(y)2
()/i Y Y n =-∑
@sddep （被解释变量的标准差） S.E. of regression 33.26450 Akaike info criterion 9.929800
（回归标准差）
µμσ
= 赤池信息准则 22(1)
ln i e k AIC n n ⎛⎫+=+ ⎪ ⎪⎝⎭
∑） Sum squared resid 23237.06:小好
Schwarz criterion 10.02854
（残差平方和）2
i RSS e =∑ 施瓦兹信息准则21ln ln i e k SC n n n ⎛⎫+=+
⎪ ⎪⎝⎭
∑:小好 @sumsq(resid)
Log likelihood -112.1927 F-statistic 2859.544 （对数似然估计值） （总体F 检验值）:大好 @F
Durbin-Watson stat 0.550636 Prob(F-statistic) 0.0000 （D-W 检验值） （ F 检验概率）:小好 @DW
于是回归方程为：ˆi
Y = 201.1189313 + 0.3861802853i X
@REGOBS ：返回观察值的个数23。

@ncoef ：估计系数总个数2。

下面一一详细解释其中的含义，解决具体计算问题：
模型：011122(...)i i i m m Y X b x b x b x ββμμ=++=+++，样本（,i i X Y ），1,2,...,i n = 假设：
i E μ=，
2
()i Var μμσ=，
(,)0i j Cov μμ=，(,)0i i Cov x μ=，2
(0,)
i N μμσ:。

1．系数：1
ˆβ=2i i
i
x y
x
∑∑＝0.3861802853，0ˆβ=1
ˆY X β-＝201.1189313。

于是回归方程为：ˆi
Y = 201.1189313 + 0.3861802853i X 其实要计算1ˆβ、0
ˆβ，也可如下计算： 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)。

打开两个序列b1和b0，可以看到结果一样。

2．1
ˆβ的方差：2
2
11ˆ()/()n
i i Var x μ
βσ==∑
1ˆβ的方差
估计值为2
ˆμσ
＝
2
1
/(2)n
i i e n =-∑，
22
ˆ()E μμ
σσ=，以ˆμσ代替其中的μσ，得
1
ˆS β
=
＝0.007222（STD. ERROR 系数标准差：越小越好）＝@stderrs(2)。

µ0
β的方差：2
2201
1ˆ()(/)n
i i Var X x n μβσ==+∑＝2221/()n i i i X n x μσ=∑∑
，标准差：2ˆμσ＝21
/(2)n
i i e n =-∑，22ˆ()E μμσσ=，以ˆμσ代替μσ，得0
ˆS β
=
＝14.88402（STD. ERROR 系数标准差或记做0
ˆ()se β）＝@stderrs(1). 3．1β的
t
检验：1t ＝
1
ˆ1ˆ/S β
β
＝
1
ˆ/β＝
0.386180/0.007222=53.4727222376073＝c(2)/@stderrs(2)=@tstats(1)>>2。

0t ＝0
ˆ
0ˆ/S ββ
=0
ˆ/β＝201.1189/14.88402=13.5124045788705＝
genr t0=c(1)/@stderrs(1)＝@tstats(1)>2。

t-Statistic Prob.
T 检验值 概率（越小越好） c ：13.51241 0.0000
x ：53.47471 0.0000
（(||||)i
P t t p >=）
第一类错误：原假设H0符合实际情况，而检验结果把它否定了，这称为弃真假设。

第二类错误：原假设H0不符合实际情况，而检验结果把它肯定下来了，这称为取伪假设
有了(||||)i
P t t p >=值，一方面不需要从t 分布表查临界值，只要取α>p ，一般t
就显著，使t 检验更加方便；另一方面也可以知道拒绝原假设H01
0β=的最低显著水平，
如p ＝0.06时即最低显著水平应取0.06，但若主观地将显著水平取为0.05<0.06，则认为对x 犯第一类错误的概率极大。

所以p 值使t 检验更加客观、灵活。

但本例因采集数据较少，真实总体截距的p ＝0.658值却比较大，故犯第一类错误的概率很大。

然而我们通常不注重截距项。

4．2
2211
ˆ1()/()n n
i i i i ESS RSS R Y Y Y Y TSS TSS ====-=--∑∑＝0.992710＝@R2 2/(1)(1)
11/(1)(1)
RSS n k RSS n R TSS n TSS n k ---=-
=----＝0.992363（k ＝1，符合22R R ≤）＝@RBAR2
5．S.E. of regression
（回归标准差）ˆμσ
=33.26450＝@se=@sddep
（被解释变量的标准差）
6．Sum of squared resid （残差平方和）2
i
RSS e =∑＝23237.06＝@sumsq(resid)
7．（对数似然估计值）Log likelihood
-112.1927：一般变量多L 大。

8．Durbin-Watson stat （D-W 检验值）
2
1
2
21
()n
i
i i n
i
i e e
d e
-==-=
∑∑＝0.550636=@dw 。

9．Mean of dependent var 905.3304（因变量均值）Y =@mean(y) 10．S.D. of dependent var （因变量Y
380.6334＝
@sqr(@var(y)*n/(n-1))＝@meandep （被解释变量标准差）。

11．Akaike info criterion （赤池信息准则 22(1)
ln i e k AIC n n ⎛⎫+=+
⎪ ⎪⎝⎭∑）＝9.929800 Schwarz criterion （施瓦兹信息准则21
ln ln i e k SC n n n ⎛⎫+=+ ⎪ ⎪⎝⎭
∑）＝10.02854
这两个指标用来比较含有不同解释变量个数模型的拟合优度好坏，显然，两个值越小表
明拟合优度越高。

12．F-statistic （总体F 检验值）/1
/(2)ESS F RSS n =-＝2859.544＝@F 。

13．（ F 检验概率或相伴概率）Prob(F-statistic)＝0.000000：类似t 检验理解。

若α取值低于这里的p 值，则易犯第一类错误。

14．1β区间估计：1/2,21ˆˆ()n t S αββ-±
=1
/2,2ˆn t αβ-±，
1
ˆβ=0.2234191，给定显著水平α＝5％，则置信水平为1－α＝95％，查表得/2,2n t α-＝2.571（/2α＝0.025％，n-2＝5），下限：c(2)-2.571*@stderrs(2)＝0.1951738，上限：
c(2)+2.571*@stderrs(2)＝0.2516644。

或由前面的
2．知道，1β的标准差1ˆ()S β
=
＝0.0109861，所
以，0.2234191-2.571×0.0109861，我们有95％的可能性说真值1β落在（0.1951738，0.2516644）内。

注：eviews 中，输入“=0.2234191-2.571*0.0109861”回车得计算结果。

15．已知0x 求0y 及0y 区间估计：¶00ˆ()Var y y -＝22
10
21
1(1)(2)n
i i n
i
i e x n n x ==++-∑∑&&，
区间估计$
/2,0n y t α-±
=0/2,ˆn y
t α-±
0/2,2ˆˆn y
t ασ-=±。

假设0x ＝9800，0ˆy
＝c(1)+c(2)*9800＝2219.55905806，5%α
=时，
n ＝7，查表得/2,2n t α-＝2.571，ˆμσ＝@se ＝55.061602838，2
x &＝(9800-@mean(x))^2＝18490000，2
1
n
i i x =∑&＝@sumsq(x-@mean(x))＝25119644。

2219.55905806-2.571*55.061602838*(1+1/7+18490000/25119644)^0.5
＝2025.51214370846（下限）。

2219.55905806+2.571*55.061602838*(1+1/7+18490000/25119644)^0.5 ＝2413.60597241154（上限）。

简单方法：
（1）ls y c x ，使得内存中存在方程$i y ＝30.052368+0.2234191i x 。

（2）假设0x ＝9800
，0/2,2ˆˆn y
t αμσ-±下限：genr xx=c(1)+c(2)*9800-
2.571*@se*@sqr(1+1/7+(9800-@mean(x))^2/@sumsq(x-@mean(x))) ＝ 2025.51214371
上限：genr sx=c(1)+c(2)*9800+
2.571*@se*@sqr(1+1/7+(9800-@mean(x))^2/@sumsq(x-@mean(x))) ＝241
3.60597241
故y0的预测区间为：（2025.512，2413.606）
麻烦但是容易掌握的计算0ˆy 的方法：（1）ls y c x ，使得内存中存在方程$i y ＝
30.052368+0.2234191i x 。

（2）假设0x ＝9800，如何计算0ˆy
？执行ls y c x 后①扩展工作区间：expand 1991 1998；②确定预测值的起止日期：smpl 1998 1998；③data x ，在1998年输入0x ＝9800；④执行forcst z ；⑤show z ，1998年的z 的值就是我们要得到的预测值$0y ＝2219.559；⑥恢复起止日期smpl 1991 1997。

结论：有95％的可能性0y 落在（2025.51，2413.61）内。

16．几个常用命令：（1）Cov x y ：cov(,)()()/i
i
x y x x y y n =--∑协方差矩
阵。

Cor x y
：co (,)()()i i r x y x x y 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。

17．descriptive stats （描述统计）：双击x ，然后在x 的变量窗口选择view/descriptive stats ，可以得到x 的各个数字特征：均值mean 、中位数median 、最大值max 、最小值min 、反映
变量离散程度的标准差std.Dev 、偏态系数（S ）和峰态系数（K ）（33
()/i S x x ns =-∑，
44
()/i K x x ns =-∑，s 即标准差
2
()
/(1)i
x x n --∑。

对于对称分布，S ＝0；S>0
表明存在
右偏态；对于正态分布，K ＝3，当K>3时，分布比较陡峭）、
Jarque-Bera 统计量用于检验变量是否服从正态分布（2
2
6(3)/4/JB S K n ⎡⎤=+-⎣⎦: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（因此如果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）。

还可看到histogram 取值频率直方图（34页本例中：x 取值3000-4000的有两个，所以直方图较高；偏态系数S ＝0.33>0出现右偏, 峰态系数K<3与正态分布相比比较平缓；JB ＝0.55，JB 的相伴概率＝0.75，说明我们有25％的概率说X 服从正态分布，若取显著水平<0.25,则易犯第一类错误）。

18．预测问题：首先执行load ; ls y c x ; 在方程窗口点击才procs/forecast ，eviews
将产生一个新的对话框，点击确定后生成一个以原因变量y 名+f 的y 的预测值yf ，实际上，yf
＝ˆi y
；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，图形右边的附表提供了一系列对模型的评价指标，从上依次为：①预测变量名yf ；②原变量名y ；③样本区间1991-1997；④包括7个样本点；⑤绝对指标RMSE 均方
400
800
12001600200024001991
1992
1993
1994
1995
1996
1997
YF
Forecast: YF Actual: Y
Forecast sample: 1991 1997Included observations: 7Root Mean Squared Error 46.53555Mean Absolute Error 40.96350Mean Abs. Percent Error 3.372889Theil Inequality Coefficient 0.017514 Bias Proportion 0.000000 Variance Proportion 0.003004 Covariance Proportion
0.996996
根误差21
1ˆ()n
i i RMSE y y n =-∑，其大小取决
于因变量的绝对数值和预测值：验证genr
z=@sqr(@sumsq(yf-y)/7)=46.53555；⑥绝对指标MAE
平均绝对误差1
1ˆ||n
i i MAE y y n =-∑，其大小取决于因变量的绝对数值和预测值：验证genr
z=@sum(@abs(yf-y))/7=40.96350；⑦常用的相对指标MAPE 平均绝对百分误差
1ˆ1|100|n i i i
y
y MAPE n y -=⨯∑，验证genr z=@sum(@abs(yf-y)*100/y)/7=3.372889，
若MAPE 的值小于10，则认为预测精度较高；⑧希尔不等系数
21
2211
1ˆ()11ˆn
i i n
n
i i
y y n Theil IC y y n n -=
+∑∑∑，验证genr
z=@sqr(@sumsq(yf-y)/7)/( @sqr(@sumsq(yf)/7)+@sqr(@sumsq(y)/7))=0.017514，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；
⑨均方误差MPE 可分解为21
1ˆ()n i i y y n -∑22
ˆˆˆ()()2(1)y y y y y y r σσσσ=-+-+-，
其中ˆy
是预测值ˆy 的均值，y 是实际序列的均值，ˆ,y y σσ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
221
ˆ()1
ˆ()n
i i y
y BP y y n -=
-∑（OLS 中ˆy y =，
故BP ＝0）、方差率2
ˆ2
1
()
1ˆ()y y n
i i
VP y y n σσ-=-∑、协变率ˆ212(1)1ˆ()y y
n i i r CP y y n σσ-=-∑1BP VP =--。

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。

本例预测结果：平均绝对百分误差MAPE=3.37<10、希尔不等系数=0.0175非常小、CP
值较大（BP 、VP 较小），说明预测精度好。

西方经济学177页三、问答题3.生产函数如何用eviews 计算？
练习：动手编写一元回归计算软件，尽量包括所有计算过程、检验。

2.1．将34页例题按上面的步骤做出所有的计算结果。

2.2．（日78页）日本在1981-1994年的14年间，家庭实际可支配收入x 与家庭实际最终消费支出y 的数据：
说明：采用1990年价格；数据来自经济企划厅国民经济计算年报。

（1）设横轴x ，纵轴y ，做出散点图；（2）进行最小二乘估计；（3）计算2
r ；（4）求y
的理论值ˆy 和残差ˆi e ；（5）利用（2）中估计出来的宏观消费函数，对家庭实际可支配收入
在270兆日元（内插预测：interpolation ，x ＝270在212-304之间）和320兆日元（外插预测：extrapolation ）时，家庭实际最终消费支出分别进行预测。

2.3 （日88页）表中反映了日本物价上涨率P 与失业率U 之间的关系。

（1）设横轴是U ，纵轴是P ，画出数据的散点图；（2）对下面的菲利普斯曲线，进行OLS 估计
(/)P U αβμ=++；
（3）计算决定系数2
r 。

2.4 通过下例观察计量分析软件eviews，看看好不好？
X 1 2 3 4 5 6 7 8 9
Y 2 4 6 8 10 12 14 16 18
执行ls y c x；再执行ls y x。

分别分析计算结果。

注意：对大型数据库操作时，需要一些特殊的命令（如处理上海股市所有股票的数据时）：
1．拷贝数据：当数据库里面非数据类型而是诸如“- ”时，无法正常拷贝，只能拷贝到出现“- ”之前的数据。

所以，对20050418收盘的上海股市股票进行了删除：删除了当日没有开盘的股票和2004年收益没有公布的股票。

2．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。

3．在workfile窗口，可以使用选择菜单上的sample，出现窗口，下面的条件处，可以选择待处理数据所满足的条件：如zuixin<=5，zuixin<=5 or zuoxin>=10，zuixin>=10 and shouyi04>-0.5，liutonygu/zongguben>=0.5，liutonygu/zongguben<=0.9 or liutonygu/zongguben>=0.1等，这样可以处理相关数据。

然后计算ls zuixin c meigushouyi04，可以观察不同的估计结果。

要灵活运用。

4．由于大型数据库你有一定的想法，但是很难控制，可以采用程序解决。

注意：按F1终止程序。

首先load shanghaigushi20050418，然后就可执行程序。

程序1：将股票按04年收益按降序排列，然后定义smpl 1 10，smpl 1 11，…，查看收益较好的股票拟合优度较高的smpl值。

smpl @all ' ：重新定义数据范围，如果修改过，现在改回。

“'”后面的东西不执行，仅仅解释程序语句。

sort(d) meigushouyi04 '：按04年每股收益按降序排序，注意所有的其它变量值都会随之相应移动。

matrix(10,1) b ' ：定义一个矩阵b（10，1）。

!R=0 ':变量前面要加！。

for !i=10 to 591 step 1 ' ：步长为1；变量前面要加！。

smpl 1 !i
ls zuixin c meigushouyi04 '：执行最小二乘法。

if @R2>!R then ' ：若R2>R，执行endif前语句。

若否，不执行。

!R=@R2
output a ' ：输出结果到文件。

b.fill @!i,
@r2,@ssr,@coefs(1),@tstats(1),@coefs(2),@tstats(2),@rbar2, @f,@dw ' ：填写i和RSS等到矩阵b当中。

endif ' ：中止IF。

!s=0 ' ：下面目的是执行加法计算，可以起到延迟时间的作用。

for !j=1 to 1 ' ：想延迟时间长，to 1改为to 10000；不延迟改为1。

!s=!s+!j ' ：累加。

next ' ：上面第二个FOR的中止。

Next ' ：上面第一个FOR的中止。

smpl @all
计算结果：591只股票拟合优度＝0.295163最高。

程序2：将股票按04年收益按升序排列，然后定义smpl 1 10，smpl 1 11，…，查看收益较差的股票拟合优度较高的smpl值。

只需将“sort(d) meigushouyi04”改为“sort(a) meigushouyi04”即可。

结果发现：591只股票放在一起拟合优度最大为0.452744。

说明绩优拟合不好、线性关系不明显，绩差的也是如此。

所以投资绩优、绩差股都有较大风险，可能有较大收益。

程序3：计算流通股占总股本的比例，将此比例按降序排列，然后定义smpl 1 10，smpl 1 11，…，查看流通股占总股本比例较高的股票拟合优度较高的smpl值。

smpl @all ' ：重新定义数据范围，如果修改过，现在改回。

'后面的东西不执行，仅仅解释程序语句。

matrix(10,1) b ' ：定义一个矩阵b（10，1）。

genr liutongbili=liutonygu/zongguben '：计算流通股占总股本的比例序列。

sort(d) liutongbili '：将流通股占总股本的比例按降序排序，注意所有的其它变量值都会随之相应移动。

!R=0 ':变量前面要加！。

for !i=10 to 591 step 1 ' ：步长为1；变量前面要加！。

smpl 1 !i
ls zuixin c meigushouyi04 '：执行最小二乘法。

if @R2>!R then ' ：若R2>R，执行endif前语句。

若否，不执行。

!R=@R2
output a ' ：输出结果到文件。

b.fill @!i, @r2,@ssr,@coefs(1),@tstats(1),@coefs(2),@tstats(2),@rbar2, @f,@dw ' ：填写i和RSS等到矩阵b当中。

endif ' ：中止IF。

!s=0 ' ：下面目的是执行加法计算，可以起到延迟时间的作用。

for !j=1 to 1 ' ：想延迟时间长，to 1改为to 10000；不延迟改为1。

!s=!s+!j ' ：累加。

next ' ：上面第二个FOR的中止。

Next ' ：上面第一个FOR的中止。

smpl @all
结果发现：前31只股票放在一起拟合优度最大为0.600599。

程序4：计算流通股占总股本的比例，将此比例按升序排列，然后定义smpl 1 10，smpl 1 11，…，查看流通股占总股本比例较低
的股票拟合优度较高的smpl值。

只需将sort(d) liutongbili修改为sort(a) liutongbili 即可。

结果发现：前371只股票放在一起拟合优度最大为0.489711。

说明流通股占总股本比例较小的、较大的拟合优度较高，相对来说股价与每股收益拟合较好，线性关系较好，因果关系显著。

说明投资风险相对较好，股价能够较好地反映股票的收益。

国有股减持的重点应当放在中间的股票上，流通股比例居中的股票由于任何一方不占有绝对优势，往往导致股权不甚清晰、不明了，股价不能正确反映其收益情况。

因此，国家应当在一些行业上保持一定的控股，同时也应放弃一些行业的控股地位，这将利于股市的平稳运行。

371>31（但拟合优度反之）说明什么问题呢？。