eviews入门模型线性回归模型

1、建立模型 菜单方式：选object/new object，在新建对象对话 框中选对象为Equation，并命名，点击OK 或选Quick/estimate equation. 命令方式： 在主窗口命令行输入： Ls qmg=c(1) +c(2)*car+c(3)*pmg+c(4)*pop+c(5)*rgnp 或等价的输入变量列表 Ls Qmg c car pmg pop rgnp

2．预测
菜单命令是对方程对象操作proc/forecast
,或 直接从工具栏中选Forecast，Eviews会产生 一个新的对话框，可以生成名为原自变量名 加f名的新序列，也可自己命名。
均方根误差； MAE平均绝对误差 MAPE即平均绝对百分误差 Theil inequality coefficient 希尔不等系数 Bias proportion 偏差率 Variance proportion 方差率 Covariance proportion 协变率


线性化方法
在某些情形下，可以将这些非线性模型，通
过一定的变换线性化，作为线性模型处理。 这类模型称为可线性化的非线性模型。
例3
case3是某企业在16个月度的某产品产量(X)
和单位成本(Y)资料，研究二者关系 。
为了明确产量和单位成本是何种关系，先绘
制散点图。
三个备选模型：
多元线性回归模型案例
case2是1950-1987年间美国机动汽油消费量
和影响消费量的变量数值。其中各变量表示： QMG-机动车汽油消费量；MOB-汽车保有量； PMG-机动汽油零售价格；POP-人口数； GNP-按照1982年美元计算的GNP；以汽油 消费量为因变量，其它变量为自变量，建立 一个回归模型。
2、画散点图。
命令方式： scat y x 菜单方式：从EViews主菜单中点击Quick 键，选择Graph/ Scatter功能 Group操作方式：首先要将序列y和x组成 一个群，再在主窗口选择菜单View/Graph/Scatter 画图时应该先输入横轴的变量名，再输入纵 轴的变量名。
从输出结果看，上述三种模型的回归系数和
回归方程都通过了显著性检验。说明用这三 种模型来描述x和y的关系都是很好的。决定 系数相差不大，但双曲线的决定系数最大。 以双曲线模型作为终选模型。
虚拟变量的应用

一般的线性回归模型，变量取值都是具体的连续数 值，例如国民生产总值、职工年人均收入等，这些 都属于定量变量。然而，实际问题中经常会碰到这 样一些变量，如性别、职称、历史时期(计划经济或 市场经济)等，不是用数值度量的，被称为定性变量。 含有定性变量的线性回归问题可分为自变量含定性 变量和因变量含定性变量两种情况，由于后者比较 复杂，本节只讨论自变量含定性变量的情况。

输出结果中，
Error (标准误差) :主要用来衡量回归系 数的统计可靠性。标准误差越大，回归系数 估计值越不可靠。 t - Statistic (t统计量) :检验的是某个系数是否 为零(该变量是否不存在于回归模型中) 。 prob (概率)，此列显示在服从t分布条件下， 对应其左侧一列t统计量值的概率。通过这一 信息可以方便地分辨出是拒绝还是接受系数 真值为零的假设。正常情况下，概率低于 0.05即可认为对应系数显著不为零。
1 Z x y a bZ
Z ln x y a bZ
ln y ln axb ln a b ln x T ln y Z ln x c ln a T c bZ
按照线性化的法则，建立非线性模型有两种
方法 1、用genr命令按变换函数生成新序列，再运 用LS命令对新序列进行参数估计。 Genr z=1/x Ls y c z 2、在使用LS命令时直接对序列进行操作而 不必生成任何新序列。 Ls y c 1/x 在条件许可的情况下建议使用第二种处理方 法。
X=20条件下模型的样本外预测方法
把工作文件范围从原来的1~16改为1
~17。 打开x的数据窗口，利用Edit +/-键给x的第17 个观测值赋值为20。 输出结果窗口中点击Forecast键，随即弹出 一个关于预测(Forecast)的对话框。yf 在 Forecast name选择区自动生成， yf是保存预 测值的变量。 在Forecast sample选择区把预测范围从1 ~ 17改为17 ~ 17，即只预测x =20时的y的值。
Sum
Dependent Var (被解释变量的均值) : 被解释变量的样本均值。 F-Statistic (F统计量) :这是对回归方程中的所 有系数均为0(除了常数项)的假设检验。Prob (F-Statistic) (F统计量对应的概率) :该项是由 上面F统计量的值计算出的概率。
Mean

3．EViews的操作
解释变量中含有定性变量的问题比较简单，
EViews的操作步骤与一般多元线性回归模型 的建模过程基本相同，只需将定性变量看作 一般数值变量操作即可。
例 case24
回归函数的截距有特定的经济学意义，这里
它代表了女教师的平均初职年薪 对回归模型的解释如下，当性别变量为常量 时，平均年薪将增加1371美元，当教龄变量 保持不变时，男老师的平均年薪比女老师多 3334美元。由于虚拟变量的系数是统计显著 的，因此我们能够说两类老师的平均年薪不 同，虽然男女老师平均年薪对教龄有相同的 年增长率。
首先作图，观察季节波动趋势与长期趋势。
从工作文件主菜单中点击Quick键，选
Generate Series功能、弹出的对话框中填入 DI =@seas(1)定义虚拟变量D1，
即如果数据属于第1季度则D1=1，否则D1=0。
同理定义虚拟变量D2、D3以区别第2季度和
第3季度的值(注意:不能在含有常数项的模型 中同时使用4个虚拟变量)。
4、结果显示 点击方程对象窗口中的View键： Actual, Fitted, Residua/Actual, Fitted, Residual Table功能，可以得到图形，用来进行残差分析。 Presentation，可以得到输出结果的代数表达式 Stats键，可以还原回第一种显示方式。 Name键，可以为此输出结果命名 Estimate键，可以随时改变估计模型的数学形式、 样本范围以及估计方法。
1．虚拟变量的设立
在建立回归模型之前，首先应对属于定性变
量的自变量加以数量化处理，常用方法是引 入只取0和1两个值的名义(Dummy)变量。
例如研究职工工作量的回归模型: 其中，yi和xi分别表示第i个职工的工作量及工
作时间， Di是一个定性变量。引入的虚拟变量，又称 哑变量。 当描述的事物或现象有m种情况时，引入虚 拟变量的个数应为m-1。
2、虚拟变量的引入方式 （1）加法类型 （2）乘法类型 用不同方式引入虚拟变量将反映不同的影响效 果，所以设置虚拟变量时，最好先根据散点图或经 济分析，大致判断定性因素的影响类型（即影响截 距还是斜率），然后再用加法方式或乘法方式在模 型中设置虚拟变量。 实际应用中，事先往往难以确定定性因素的影响类 型。因此，一般是直接以加法和乘法方式引入虚拟 变量，然后再利用t检验判断其系数是否显著不等于 0，进而确定虚拟变量的引入方式。
第二章 线性回归模型
一元线性回归模型
多元线性回归模型 可线性化模型 虚拟变量
一元线性回归模型案例
Case1是黑龙江省伊春林区1999年16个林业
局的年木材采伐量和相应伐木剩余物数据。 下面利用该数据介绍怎样利用EViews软件进 行OLS回归
1、数据文件的读取或打开。
执行EViews估计命令Fra biblioteky c @trend(1982.1) d1 d2 d3
由于D2、D3的回归参数没有显著性，说明没
有必要把第2季度、第3季度单独分类。从模 型中剔除虚拟变量D2、D3， 执行EViews估计命令，y c @trend(1982.1) d1 估计结果说明对于这组数据，只把第1季度区 别于其他3个季度就可以了

利用极大似然法估计模型参数
这就是变量Y的似然函数。对似 然函数求极大值和对对数似然函 数求极大值是等价的。
EViews编程
以case1为例。 先在object中打开logl对象 在logl对象窗口输入： @logl logl1 @param c(1) -0.7 c(2) 0.4 c(3) 4 Res=y-c(1)-c(2)*x Var=c(3) Logl1=log(@dnorm(res/@sqrt(var)))-log(var)/2
例5
中国进出口模型。中国进出口贸易总额数据 （1950-1984年）见trade.xls。试检验改革开放前 后该时间序列的斜率是否发生变化。 以1978年前为0

y b0 b1x a1D1 a2 X D1 u
例6 虚拟变量在季节调整中的应用
1982
: 1 ~ 1985 : 4中国季度酒销量(y,，万吨) 数据见case36，这是一个时间序列数据，呈 明显的季节变化特征，建立模型时应该加入 季节虚拟变量以描述季节特征。
RMSE
多元线性回归模型的极大似然估计
用对数极大似然估计来估计一个模型，主要的工作 是建立用来求解似然函数的说明文本。 EViews中似然函数的说明只是一系列对序列的赋值 语句，这些语句在极大化的过程中被反复的计算。 我们要做的是写下一组语句，在计算时，这些语句 将描述一个包含每个观测值对似然函数贡献的序列。
Std.
R-squared(可决系数)
: 表示拟合优度的好坏， 可决系数越大，方程拟合得越好。 S. E. of regression (回归的标准误差):这是一 个对预测误差大小的总体度量，是对残差大 小的度量。