《运用EViews进行实证分析基于论文的计量需求汇总》由会员分享，可在线阅读，更多相关《运用EViews进行实证分析基于论文的计量需求汇总（29页珍藏版）》请在金锄头文库上搜索。
1、目 录目 录1、模型设定与数据处理11.1模型设定11.2数据预处理11.2.1 建立工作文档11.2.2 数据导入21.2.3 X12进行季节性调整31.2.4 HP滤波法估计潜在GDP31.2.5 时间序列数据的平稳性检验41.3 时间序列变量的最小二乘估计51.3.1时间序列最小二乘估计的前提条件51.3.2同阶单整举例61.3.3 EG协整法进行协整检验62、诊断回归模型72.1 多重共线性计量检验与消除72.2 异方差计量检验与消除92.2.1 怀特异方差检验模型92.2.2 white异方差校正功能102.2.3 加权最小二乘法102.3 自相关计量检验与消除112.3.1自相关的
2、后果112.3.2自相关的识别112.3.3 DW检验的局限122.3.4 EViews进行自相关检验122.3.5 包含滞后变量的自相关检验133、联立方程模型134、面板数据模型的建立及应用145、葛兰杰因果检验155.1前提条件155.2检验模型155.3 用EViews进行实例分析156、协整检验及应用166.1 平稳性检验（单位根检验）166.2 协整检验166.3 因果检验176.4误差纠正机制ECM177、GARCH模型187.1 GARCH模型的基本概念187.2 沪深股市收益率的波动性研究187.2.1 描述性统计187.2.2 平稳性检验197.2.3 均值方程的确定及残差
3、序列自相关检验207.2.4 GARCH类模型建模227.2.5 检验两市波动的因果性247.2.6 修正GARCH-M模型25主要参考文献261运用EViews8.0进行实证分析基于论文的计量需求运用EViews进行实证分析 -基于论文的计量需求1、模型设定与数据处理1.1模型设定一般化形式的泰勒规则 回归方程式 考虑利率平滑特性回归方程式（1）在EViews中对（1）式进行回归分析。1.2数据预处理1.2.1 建立工作文档按下图中的步骤建立workfile打开后的界面如下。给文档命名为多元回归，选择季度型数据Quarterly，输入开始日期2004Q1，结束日期2015Q4，点击OK。1.
4、2.2 数据导入首先将所需原始数据在Excel中加工处理好，将需要的数据全部复制。然后在EViews中依次选择QuickEmpty Group（可录入多个变量的数据），或选择ObjectNew Object（可逐个录入单个变量的数据），下图演示同时录入多个变量数据的步骤，如下图所示。在接下来打开的界面中（如下图），将复制的多列数据粘贴到打开的表格中，点击上面的各列默认设定的名称，修改为相应的变量名。点击数据录入界面右上角的叉关闭窗口，可以不用保存数据组，之后的界面如右图。至此，数据录入工作完毕。1.2.3 X12进行季节性调整采用EViews8.0中X12的方法对实际GDP数据进行季节性调整，
5、打开已经录入的rgdp序列，RGDP数据录入前工作文档的设定一定要正确，新建workfile的时候要选择Quarterly数据类型（季度类）。不正确的设定可能进行下列操作时不会出现CensusX12的选项。在正确设定数据类型后，依次选择。ProSeasonal Adjustme ntCensus X-12，如下图所示。打开如下界面，默认下列图1的设置，也可以根据自己的需要修改默认设定。点击确定进入季节性调整的输出结果窗口，之后关闭该窗口，回到图2界面。图2界面出现的新的数据列rgd_sa，即是rgdp进行X12季节调整后的数据。1.2.4 HP滤波法估计潜在GDP将之前的经季节调整后的rgdp
6、_sa序列单击打开，采用HP滤波法估计潜在GDP。然后依次选择ProHodrick-Prescott Filter，如下图1所示。进入图2界面。在第一栏中为平滑后的数据命名为yt，yt在此代表潜在HP滤波法估计出来的潜在GDP序列的名称。用HP滤波法估计季度数据的参数值为1600，因为新建workfile时已经选择好了季度数据的类型，所以此处参数的默认设定为正确设置。然后点击ok，进入下一个界面，关闭该界面。EViews已经生成了HP滤波法估计的潜在GDPyt序列，如右图所示。1.2.5 时间序列数据的平稳性检验打开时间序列Y，依次选择ViewUnit Root Test，如下图中左图所示。进
7、入下图中右图界面。可以选择变量水平值、一阶差分值、二阶差分值，选择包含常数项、包含时间趋势项以及常数项、什么都不包含三个类型中的一个来对时间序列进行单位根检验。此次选择了Y的水平值，仅包含常数项的单位根检验。输出结果如下。原假设。该序列有单位根，即原假设为该序列不平稳。P=0.2852，无法拒绝原价设，故该序列水平值不平稳。接下来选择该序列的一阶差分进行单位根检验，输出如下结果。 其中。D（Y）表示Y序列的一阶差分，P值=0.000，显著拒绝D（Y）不平稳的原假设，故D（Y）是平稳的时间序列。Y不平稳，D（Y）平稳，故Y是1阶单整的时间序列。1.3 时间序列变量的最小二乘估计1.3.1时间序列
8、最小二乘估计的前提条件要对方程式。Y=C0+C1*X1+C2*X2 进行回归分析，进行最小二乘估计要满足下列条件中的一个。（1）Y、X1、X2三个时间序列必须是0阶单整的，即Y、X1、X2三个时间序列是平稳的。（2）Y、X1、X2三个时间序列是非平稳的，但是Y、X1、X2三个时间序列是同阶单整的，回归方程必须通过协整检验。1.3.2同阶单整举例Y、X1、X2都不平稳，但D（Y）、D（X1）、D（X2）都是平稳的，Y、X1、X2三个时间序列是都是1阶单整。Y、X1、X2是同阶单整的。1.3.3 EG协整法进行协整检验假设Y、X1、X2都是1阶单整的，在进行最小二乘估计之后，导出估计方程的残差项，
9、复制粘贴数据到新的变量et，对et变量进行单位根检验，若检验结果表明et是平稳的时间序列，即et是0阶单整的时间序列，那么该回归结果就通过了EG协整检验，之前的回归结果就不会因为各个变量的不平稳性出现伪回归的现象。依次选择。QuickEstimate Equation。在输入栏中输入估计方程式 y c x1 x2 x3，选择最小二乘估计的方法，点击确定。在估计结果窗口依次选择。ViewActual，Fitted，ResidualActual，Fitted，Residual Table进入下一个界面。左图选中Residual列的数据，右击再选中copy。然后在工具栏选择。ObjectNew Ob
10、ject 新建变量，选择series类型，命名为et，点击OK，单击打开et序列，粘贴数据。对et进行单位根检验。检验结果P值=0.0000,拒绝et有单位根的原假设，故et是平稳的时间序列。即该回归方程通过了EG协整检验。2、诊断回归模型2.1 多重共线性计量检验与消除将之前的分析结果展示如下。分析上述结果。 . 样本可决系数为73.62%，表示X1、X2、X3可以解释Y总变动的73.6217%。. F统计量为40.93，对应的P值为0.0000，小于0.05，表明方程总体线性显著，或者解释变量中至少有一个是对被解释变量有显著影响。. 有的变量的T统计量对应的P值大于0.05，表明该解释变量
11、对被解释变量的影响是不显著的，与F统计量所得到的结果矛盾。 . X2的系数符号与实际情况不符。综合（2）、（3）、（4）表明可能存在严重的多重共线性。进一步诊断。依次选择QuickGroup StatisticsCorrelations在接下来的窗口中输入 x1 x2 x3输出结果如右图所示。x1与x3的相关性最大，但也只有37.55%，故多重共线性不是很严重。但为了谨慎起见，采用逐步回归法进行分析。表1。 对因变量Y进行的回归分析解释变量CX1X2X3R2Adjusted-R2第一步2.2170（0.0000*）0.2234（0.0008*）0.22010.20322.8555（0.0000
12、*）0.0370（0.5637）0.007300.4517（0.0676*）0.8417（0.0000*）0.70770.7014第二步0.3986（0.0948*）0.0849（0.0365*）0.7747（0.0000*）0.73510.72330.4403（0.0791*）-0.0147（0.6794）0.7747（0.0000*）0.70880.6959注。Adjusted-R2为负数时取0。*代表系数通过了显著性水平为10%的假设检验。*代表系数通过了显著性水平为5%的假设检验。进行第一步回归。由第二行至第四行的回归结果可以知道，X3对Y解释力度最大，故选择X3作为第一个解释变量。进
13、行第二步回归。比较第五行到第六行的结果可以知道，X1、X3一起对Y的解释力度最大，且各个参数都通过了显著性检验。故选择剔除解释变量X2。2.2 异方差计量检验与消除2.2.1 怀特异方差检验模型若包括交叉乘积项，则自变量还有X1*X3项。样本容量n，上述方程估计出R2，然后n* R2（服从卡方分布）后的值与临界值进行比较，判断是否存在异方差。原假设H0。存在异方差。用EViews进行怀特异方差检验。在回归方程估计窗口下，选择ViewResidual TestsHeteroskedasticityWhite(选项中挑选)，若勾选Include White cross term，则回归方程中会有交
14、叉乘积项，如右图所示，点击OK。输出结果如右图。P值=0.0003，拒绝同方差性。故该回归方程结果存在异方差。接下来运用white异方差校正功能和加权最小二乘法来修正模型的异方差性。2.2.2 white异方差校正功能回归方程估计窗口选择最小二乘估计，再选择options选项。选择White栏目，点击确定。因而得到校正后的回归方程。2.2.3 加权最小二乘法运用加权最小二乘法校正回归方程的操作如下。回归方程估计窗口选择最小二乘估计，再选择options选项。选择White栏目，weight下选择Inverse std dev栏目。点击确定即可得到加权最小二乘法的回归结果：（注：老版本为：在Weight文本框内输入“1/abs（resid）”，resid默认为最新估计方程的残差序列
