eviews上机(5)教程
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验五、时间序列专题
主讲人：刘玉成
1、实验项目：时间序列专题
2、实验目的：掌握时间序列的基本特征，会作 序列滞后、差分，能检验序列的相关性、平稳性， 能估计简单的时间序列模型、能估计残差序列相 关系数。
3、实验仪器、材料、工具:计算机，Eviews软件 （3.0及以上版本），数据集。 4、任务共4项。
§7.2 序列相关理论
时间序列回归中的一个普遍现象是：残差和它自己的滞后值相关。这种
序列相关性违背了回归理论的标准假设。与序列相关相联系的主要问题有：
① 在线性估计中OLS不再是有效的； ② 使用OLS公式计算出的标准差不正确； ③ 如果在方程右边有滞后因变量，OLS估计是有偏的且不一致。 EViews提供了检测序列相关的工具。
的y能够在多大程度上被过去的y解释，然后再加入x的滞后值是否使解释程度 提高。如果x在y的预测中有帮助，那就是说x格兰杰导致y，即x是格兰杰原因、
y是格兰杰结果。注意我们经常遇到的是相互的因果关系，x引起y，y又引起x
（在Granger意义下）。 注意到“x Granger引起y”这种表达方式并不意味着y是x的效果或结果。 Granger Casuality是指x前期的信息对y的最优预测的贡献。
第7章 时间序列专题
本章我们讨论分析时间序列数据（检验序列相关性、平
稳性，差分，非平稳时间序列的单位根检验）及其单方程回
归方法。 以下例子中变量包括：GDP；CS（表示消费），时间为 1947年第一季度到1995年第四季度。
§7.1 差分变量序列
对于变量GDP，可以通过eviews得到GDP的滞后变量和差分变量。 例如：滞后变量 genr lgdp1=gdp(-1)得到GDP的一阶滞后GDP(-1)，lgdp1是新变量名。 genr lgdp2=gdp(-2)可以得到GDP的一阶滞后GDP(-2)，依此类推。 差分变量 genr dgdp1=gdp-gdp(-1)得到GDP的一阶差分DGDP 在得到变量DGDP1的基础上，genr dgdp1=gdp1-gdp1(-1)得到GDP的一阶差 分DGDP 对数差分 genr dlog(gdp)=log(GDP)-log(GDP(-1))，得到GDP的对数差分。 注意：滞后变量中有观测值缺省的。
3、定义在检验回归中是否含有常数，常数和趋势，或二者都不包含。这需 要作图观察 (作 line图 )，变量在纵轴上有截距就选常数，有向上或向下的趋势 时就选趋势项，如果仅仅是上下波动但看不出一个明显的趋势时，不选趋势项。 4、定义序列相关阶数。对于ADF检验，定义加入检验回归的滞后一阶差分 个数。在软件中接受默认值（不作选择）。 定义上述选项后，单击OK进行检验。
注意：数据集中每一类型变量用同一颜色标注了。
§7.3 单位根检验
变量的平稳性检验可以用单位根检验来完成。EViews提供两种单位根 检验：Dickey-Fuller(DF)、增广DF(Augmented DF)检验和Phillips - Perron
（PP）检验。一般使用ADF检验。
双击序列名打开序列窗口，选择View/unit Root Test
命令为： cs c gdp cs(-1)
回归命令为： cs c gdp cs(-1) ar(1) cst = -10.16 + 0.05 * GDPt + 0.93* cst-1
§7.4.2 高阶序列相关
估计高阶AR模型稍稍复杂些，为估计AR(k)，应输入模型的定义和所包 括的各阶AR值。例如，如果判断存在5阶序列相关，即估计一个有1-5阶自回
归的模型
cst c1 c2 * GDPt c3 * cst 1 ut
ut 1 * ut 1
5 * ut 5 t
应输入： cs c gdp cs(-1) ar(1) ar(2) ar(3) ar(4) ar(5)
§7.5 Granger因果关系检验（自学）
除了D-W检验，还有其他两种检验序列相关方法：Q-统计量和Breush-
Godfrey LM检验克服了上述不足。实践中，应将D-W检验与Q统计量和
LM检验结合起来。一般用的较多的是D-W检验和LM检验。
§7.2.2 相关图和Q-统计量
在方程回归界面选择View/Residual Tests/correlogram-Q-statistics 。
Painwise Granger Causality Tests Date：10/20/1997 Time：15：31 Sample：1946：1 1995：1 Laqs：4 Null Hypothesis： Obs F-Ststistic Ptobability
F值对应p<0.05， 表明存在序列相 关。残差项与其 一阶滞后之间存 在相关（t检验对 应p<0.05），但 与二阶滞后之间 相关性不显著(t 检验对应p>0.05)， 表明回归残差存 在一阶序列相关。
例子:回归方程为：CS = -192.57 + 0.71*GDP ，在回归方程界面输 入View/Residual Tests/Serial correlation LM Test，滞后阶数填2. 得到上述结果。
任务一：利用数据集，自己设计一个回归方程，因变量为CS， 自变量任选一个，回归后进行序列相关检验（结合两种方法： D-W为必选方法，另两种方法任选一个）。要求将回归方程结 果和序列相关检验结果复制、粘贴、打印，并给出你的判断 （是否存在序列相关，存在几阶序列相关，理由）。
任务二：根据任务一，再次给出回归方程及其序列相关形式 （参看7.4节内容）。将回归结果复制、粘贴、打印。
如果检验结果p>0.05，则可以肯定存在二阶单位根，还得进一 步检验是否存在三阶单位根。以此类推。
任务三：利用数据集，任选一个变量，做图观察其特征（判断 是否存在截距、趋势，将图复制、粘贴、打印），再作单位根 检验（将各阶段检验结果复制、粘贴、打印），给出你的判断 （是否存在单位根，存在几阶单位根，理由）。 任务四：利用GOV数据建立AR（P）模型，利用AIC、SC准 则判断P值应该是多少。给出OLS估计结果。 注意：（1）GOV可能是不平稳的，所以不能直接用GOV建立 模型，可以换成它的差分来建立模型。因此要先检验其平稳性。 比如：如果其一阶差分为平稳的，则因变量可以用GOV的一阶 差分。 （2）将实验过程列表记录，最后选择P值应该是多少
u t u t 1 t
近2，则说明基本上没有序列相关（ （
如果序列不相关，D-W值在2附近，也就是说，回归结果中如果D-W值接
0 ），D-W值将小于2（最小为0）；如果存在负序列相关（
0 ）。如果存在正序列相关
），
D-W 值将在 0 2 - 4之间。
回归方程为：CS = -192.57 + 0.71*GDP ，可以看到D-W值为0.12，说明回归方程 的残差项存在强烈的正相关关系。
例子:回归方程为：CS = -192.57 + 0.71*GDP Q统计量对应的p值 都是0，表明回归残 差存在序列相关。
§7.2.3 序列相关LM检验
在回归方程界面选择View/Residual Tests/Serial correlation LM Test，在滞后定义对话框，输入要检验序列的最高阶数， 软件默认为2。 在输入最高阶数2时，检验的原假设是：残差不具有1阶和2 阶序列相关。 EViews将给出两个统计量：F统计量和Obs*R2。F统计量对 应p值大于0.05，则接受原假设；p<0.05，则拒绝原假设，认为 至少存在1阶序列相关。
§7.4 估计AR模型
§7.4.1 一阶序列相关
如果已经判断存在序列相关，则可在在EViews中估计一个AR(1)模型，选
择Quick/Estimate Equation打开一个方程，用列表法输入方程后，最后将
AR(1)项加到列表中。例如：估计一个带有AR(1)误差的简单消费函数
cst c1 c2 * GDPt c3 * cst 1 ut
ut * ut 1 t
回归命令为： cs c gdp cs(-1) ar(1)
可以得到回归方程结果，并给出一阶序列相关的表达式。
（如果回归命令为： cs c gdp cs(-1) ，则默认为不存在序列相关)
例子：cst = -22.35 + 0.0924 * GDPt + 0.874 * cst-1 ut = 0.2789 * ut-1
例如，检验CS的平稳性。打开序列CS，选择view/graph/line。可 以看到CS在纵轴上有截距，有向上的趋势。 选择view/unit root test，先从level开始检验。
CS
4,000 3,500 3,000 2,500 2,000 1,500 1,000 500 50 55 60 65 70 75 80 85 90 95
注意： Dubin-Waston统计量检验序列相关有几个不足： 1．回归方程右边如果存在滞后因变量，D-W检验不再有效。 例如回归方程： CS=C(1)+C(2)*GDP+C(3)*CS(-1)，由于回归方程右边有 因变量CS的一阶滞后变量CS(-1)，此时应用D-W检验是无效的。
2．只能检验原假设一阶序列相关。高阶序列相关无法检验。
当你选择了Granger Casuality，你首先看到一个对话框，询问在检验回 归中使用的滞后阶数。一般的要使用大一些的滞后阶数，因为该理论包含 了所有过去信息的关系，你应该指定滞后期长度，这个对应于可以想到的 对预测有帮助的最远一期的变量。
例：检验变量GDP和CS（消费）的因果关系：
打开GDP和CS数组（同时打开两个变量），view/granger causality/，填入 滞后数（填入2以上的数字，本例填入4），出现如下结果：
检验序列相关
在使用估计方程进行统计推断（如假设检验和预测）之前，一般应检验 残差（序列相关的证据），EViews提供了几种方法来检验当前序列相关。
§7.2.1 Dubin-Waston统计量
EViews将D-W统计量（ Dubin-Waston统计量）视为标准回归输出的 一部分。D-W统计量用于检验一阶序列相关。D-W统计量是在下面定义中检 验原假设: 0
进行单位根检验必须定义四项： 1、选择检验类型：ADF检验； 2 、 定 义 序 列 在 水 平 值 (level) 、 一 阶 差 分 (1st difference) 、 二 阶 差 分 (2st difference)的情况下进行单位根检验。
（ 注意检验顺序：首先在 level下检验（认为变量是平稳的），如果通过检验， 检验终止；如果不能通过检验则认为至少存在一阶单位根 ——再选一阶差分检 验，如果接受则认为不存在二阶单位根，检验终止；如果拒绝，则还得再选二 阶差分检验，直到接受为止。）
相关并不一定表示存在实际意义，在经济计量学领域存在一些显著的相
关，但它们都是无意义的。一个有趣的例子是教师工资与酒精消费之间存在
正相关（是否显得荒唐？），对那些看起来并不是十分明显的无意义的相关， 经济学家还存在争论。因果检验的典型案例是先有鸡还是先有蛋？
Granger （格兰杰）在1969年解决了是否是x引起y的问题，主要看现在
wenku.baidu.com
选择ADF方法，level，趋势和截距
看到ADF= —1.67，对 应的p=0.7594>0.05。
结论：存在单位根， 可以确定至少存在一 阶单位根。
需作进一步检验，看 究竟存在几阶单位根。
重复单位根检验， 选择
1st difference
此时p=0.0001<0.05， 可以确定不存在二阶 单位根（当然，也不 会存在三阶以上单位 根）。 最终结论：只存在一 阶单位根。
EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的
Q统计量。如果残差不存在序列相关，在各阶滞后的自相关 （autocorrelation）和偏自相关值 (partial autocorrelation)都接近于零。
所有的Q-统计量不显著，并且有大的P值(p>0.05)。
在回归方程界面选择 View/Residual Tests/correlogram-Q-statistics 得到如下结果：
主讲人：刘玉成
1、实验项目：时间序列专题
2、实验目的：掌握时间序列的基本特征，会作 序列滞后、差分，能检验序列的相关性、平稳性， 能估计简单的时间序列模型、能估计残差序列相 关系数。
3、实验仪器、材料、工具:计算机，Eviews软件 （3.0及以上版本），数据集。 4、任务共4项。
§7.2 序列相关理论
时间序列回归中的一个普遍现象是：残差和它自己的滞后值相关。这种
序列相关性违背了回归理论的标准假设。与序列相关相联系的主要问题有：
① 在线性估计中OLS不再是有效的； ② 使用OLS公式计算出的标准差不正确； ③ 如果在方程右边有滞后因变量，OLS估计是有偏的且不一致。 EViews提供了检测序列相关的工具。
的y能够在多大程度上被过去的y解释，然后再加入x的滞后值是否使解释程度 提高。如果x在y的预测中有帮助，那就是说x格兰杰导致y，即x是格兰杰原因、
y是格兰杰结果。注意我们经常遇到的是相互的因果关系，x引起y，y又引起x
（在Granger意义下）。 注意到“x Granger引起y”这种表达方式并不意味着y是x的效果或结果。 Granger Casuality是指x前期的信息对y的最优预测的贡献。
第7章 时间序列专题
本章我们讨论分析时间序列数据（检验序列相关性、平
稳性，差分，非平稳时间序列的单位根检验）及其单方程回
归方法。 以下例子中变量包括：GDP；CS（表示消费），时间为 1947年第一季度到1995年第四季度。
§7.1 差分变量序列
对于变量GDP，可以通过eviews得到GDP的滞后变量和差分变量。 例如：滞后变量 genr lgdp1=gdp(-1)得到GDP的一阶滞后GDP(-1)，lgdp1是新变量名。 genr lgdp2=gdp(-2)可以得到GDP的一阶滞后GDP(-2)，依此类推。 差分变量 genr dgdp1=gdp-gdp(-1)得到GDP的一阶差分DGDP 在得到变量DGDP1的基础上，genr dgdp1=gdp1-gdp1(-1)得到GDP的一阶差 分DGDP 对数差分 genr dlog(gdp)=log(GDP)-log(GDP(-1))，得到GDP的对数差分。 注意：滞后变量中有观测值缺省的。
3、定义在检验回归中是否含有常数，常数和趋势，或二者都不包含。这需 要作图观察 (作 line图 )，变量在纵轴上有截距就选常数，有向上或向下的趋势 时就选趋势项，如果仅仅是上下波动但看不出一个明显的趋势时，不选趋势项。 4、定义序列相关阶数。对于ADF检验，定义加入检验回归的滞后一阶差分 个数。在软件中接受默认值（不作选择）。 定义上述选项后，单击OK进行检验。
注意：数据集中每一类型变量用同一颜色标注了。
§7.3 单位根检验
变量的平稳性检验可以用单位根检验来完成。EViews提供两种单位根 检验：Dickey-Fuller(DF)、增广DF(Augmented DF)检验和Phillips - Perron
（PP）检验。一般使用ADF检验。
双击序列名打开序列窗口，选择View/unit Root Test
命令为： cs c gdp cs(-1)
回归命令为： cs c gdp cs(-1) ar(1) cst = -10.16 + 0.05 * GDPt + 0.93* cst-1
§7.4.2 高阶序列相关
估计高阶AR模型稍稍复杂些，为估计AR(k)，应输入模型的定义和所包 括的各阶AR值。例如，如果判断存在5阶序列相关，即估计一个有1-5阶自回
归的模型
cst c1 c2 * GDPt c3 * cst 1 ut
ut 1 * ut 1
5 * ut 5 t
应输入： cs c gdp cs(-1) ar(1) ar(2) ar(3) ar(4) ar(5)
§7.5 Granger因果关系检验（自学）
除了D-W检验，还有其他两种检验序列相关方法：Q-统计量和Breush-
Godfrey LM检验克服了上述不足。实践中，应将D-W检验与Q统计量和
LM检验结合起来。一般用的较多的是D-W检验和LM检验。
§7.2.2 相关图和Q-统计量
在方程回归界面选择View/Residual Tests/correlogram-Q-statistics 。
Painwise Granger Causality Tests Date：10/20/1997 Time：15：31 Sample：1946：1 1995：1 Laqs：4 Null Hypothesis： Obs F-Ststistic Ptobability
F值对应p<0.05， 表明存在序列相 关。残差项与其 一阶滞后之间存 在相关（t检验对 应p<0.05），但 与二阶滞后之间 相关性不显著(t 检验对应p>0.05)， 表明回归残差存 在一阶序列相关。
例子:回归方程为：CS = -192.57 + 0.71*GDP ，在回归方程界面输 入View/Residual Tests/Serial correlation LM Test，滞后阶数填2. 得到上述结果。
任务一：利用数据集，自己设计一个回归方程，因变量为CS， 自变量任选一个，回归后进行序列相关检验（结合两种方法： D-W为必选方法，另两种方法任选一个）。要求将回归方程结 果和序列相关检验结果复制、粘贴、打印，并给出你的判断 （是否存在序列相关，存在几阶序列相关，理由）。
任务二：根据任务一，再次给出回归方程及其序列相关形式 （参看7.4节内容）。将回归结果复制、粘贴、打印。
如果检验结果p>0.05，则可以肯定存在二阶单位根，还得进一 步检验是否存在三阶单位根。以此类推。
任务三：利用数据集，任选一个变量，做图观察其特征（判断 是否存在截距、趋势，将图复制、粘贴、打印），再作单位根 检验（将各阶段检验结果复制、粘贴、打印），给出你的判断 （是否存在单位根，存在几阶单位根，理由）。 任务四：利用GOV数据建立AR（P）模型，利用AIC、SC准 则判断P值应该是多少。给出OLS估计结果。 注意：（1）GOV可能是不平稳的，所以不能直接用GOV建立 模型，可以换成它的差分来建立模型。因此要先检验其平稳性。 比如：如果其一阶差分为平稳的，则因变量可以用GOV的一阶 差分。 （2）将实验过程列表记录，最后选择P值应该是多少
u t u t 1 t
近2，则说明基本上没有序列相关（ （
如果序列不相关，D-W值在2附近，也就是说，回归结果中如果D-W值接
0 ），D-W值将小于2（最小为0）；如果存在负序列相关（
0 ）。如果存在正序列相关
），
D-W 值将在 0 2 - 4之间。
回归方程为：CS = -192.57 + 0.71*GDP ，可以看到D-W值为0.12，说明回归方程 的残差项存在强烈的正相关关系。
例子:回归方程为：CS = -192.57 + 0.71*GDP Q统计量对应的p值 都是0，表明回归残 差存在序列相关。
§7.2.3 序列相关LM检验
在回归方程界面选择View/Residual Tests/Serial correlation LM Test，在滞后定义对话框，输入要检验序列的最高阶数， 软件默认为2。 在输入最高阶数2时，检验的原假设是：残差不具有1阶和2 阶序列相关。 EViews将给出两个统计量：F统计量和Obs*R2。F统计量对 应p值大于0.05，则接受原假设；p<0.05，则拒绝原假设，认为 至少存在1阶序列相关。
§7.4 估计AR模型
§7.4.1 一阶序列相关
如果已经判断存在序列相关，则可在在EViews中估计一个AR(1)模型，选
择Quick/Estimate Equation打开一个方程，用列表法输入方程后，最后将
AR(1)项加到列表中。例如：估计一个带有AR(1)误差的简单消费函数
cst c1 c2 * GDPt c3 * cst 1 ut
ut * ut 1 t
回归命令为： cs c gdp cs(-1) ar(1)
可以得到回归方程结果，并给出一阶序列相关的表达式。
（如果回归命令为： cs c gdp cs(-1) ，则默认为不存在序列相关)
例子：cst = -22.35 + 0.0924 * GDPt + 0.874 * cst-1 ut = 0.2789 * ut-1
例如，检验CS的平稳性。打开序列CS，选择view/graph/line。可 以看到CS在纵轴上有截距，有向上的趋势。 选择view/unit root test，先从level开始检验。
CS
4,000 3,500 3,000 2,500 2,000 1,500 1,000 500 50 55 60 65 70 75 80 85 90 95
注意： Dubin-Waston统计量检验序列相关有几个不足： 1．回归方程右边如果存在滞后因变量，D-W检验不再有效。 例如回归方程： CS=C(1)+C(2)*GDP+C(3)*CS(-1)，由于回归方程右边有 因变量CS的一阶滞后变量CS(-1)，此时应用D-W检验是无效的。
2．只能检验原假设一阶序列相关。高阶序列相关无法检验。
当你选择了Granger Casuality，你首先看到一个对话框，询问在检验回 归中使用的滞后阶数。一般的要使用大一些的滞后阶数，因为该理论包含 了所有过去信息的关系，你应该指定滞后期长度，这个对应于可以想到的 对预测有帮助的最远一期的变量。
例：检验变量GDP和CS（消费）的因果关系：
打开GDP和CS数组（同时打开两个变量），view/granger causality/，填入 滞后数（填入2以上的数字，本例填入4），出现如下结果：
检验序列相关
在使用估计方程进行统计推断（如假设检验和预测）之前，一般应检验 残差（序列相关的证据），EViews提供了几种方法来检验当前序列相关。
§7.2.1 Dubin-Waston统计量
EViews将D-W统计量（ Dubin-Waston统计量）视为标准回归输出的 一部分。D-W统计量用于检验一阶序列相关。D-W统计量是在下面定义中检 验原假设: 0
进行单位根检验必须定义四项： 1、选择检验类型：ADF检验； 2 、 定 义 序 列 在 水 平 值 (level) 、 一 阶 差 分 (1st difference) 、 二 阶 差 分 (2st difference)的情况下进行单位根检验。
（ 注意检验顺序：首先在 level下检验（认为变量是平稳的），如果通过检验， 检验终止；如果不能通过检验则认为至少存在一阶单位根 ——再选一阶差分检 验，如果接受则认为不存在二阶单位根，检验终止；如果拒绝，则还得再选二 阶差分检验，直到接受为止。）
相关并不一定表示存在实际意义，在经济计量学领域存在一些显著的相
关，但它们都是无意义的。一个有趣的例子是教师工资与酒精消费之间存在
正相关（是否显得荒唐？），对那些看起来并不是十分明显的无意义的相关， 经济学家还存在争论。因果检验的典型案例是先有鸡还是先有蛋？
Granger （格兰杰）在1969年解决了是否是x引起y的问题，主要看现在
wenku.baidu.com
选择ADF方法，level，趋势和截距
看到ADF= —1.67，对 应的p=0.7594>0.05。
结论：存在单位根， 可以确定至少存在一 阶单位根。
需作进一步检验，看 究竟存在几阶单位根。
重复单位根检验， 选择
1st difference
此时p=0.0001<0.05， 可以确定不存在二阶 单位根（当然，也不 会存在三阶以上单位 根）。 最终结论：只存在一 阶单位根。
EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的
Q统计量。如果残差不存在序列相关，在各阶滞后的自相关 （autocorrelation）和偏自相关值 (partial autocorrelation)都接近于零。
所有的Q-统计量不显著，并且有大的P值(p>0.05)。
在回归方程界面选择 View/Residual Tests/correlogram-Q-statistics 得到如下结果：