dependent

DependentVariable:CONSP

Method:LeastSquares

Date:03/12/14Time:10:22

Sample:19782000

Includedobrvations:23

-StatisticProb.

C201.118914.8840213.512410.0000

GDPP0.3861800.00722253.474710.0000

R-squared0.992710Meandependentvar905.3304

entvar380.6334

ession33.26450Akaikeinfocriterion9.929800

Sumsquaredresid23237.06Schwarzcriterion10.02854

Loglikelihood-112.1927F-statistic2859.544

Durbin-Watsonstat0.550636Prob(F-statistic)0.000000

R-squared：可决系数

t-Statistic：T统计量

F-statistic：f统计量

Prob：t统计量的相伴概率越小越好

200

400

600

800

1000

1200

1400

1600

1800

04000

GDPP

C

O

N

S

P

Prob(F-statistic)：F分布的相伴概率

被解释变量服从正态分布，均值为零，方差为

Aic信息量越小越好

Sc信息量衡量变量在方程里边合不合适，与aic一样

：标准差

根据模型写出结果的格式：

回归预测检验：forecast

第二章：经济学检验

一元线性回归

学习保存

第三章：统计学检验

多元线性回归

Coefficient：变量系数：其他条件不变的情况下，从平均意义来说，解释变量每增加一单位，被

假释变量变化的单位数

统计学检验

R-squared：拟合有度

Prob(F-statistic)：与显著性水平比较

t-Statistic：t统计量的值

常数不考虑

大概率事件发生接受原假设

DependentVariable:CIGS

Method:LeastSquares

Date:03/19/14Time:10:08

Sample:1807

Includedobrvations:807

-StatisticProb.

C1.8777396.8728690.2732100.7848

AGE0.7960470.1598384.9803410.0000

AGE^2-0.0092710.001741-5.3233870.0000

CIGPRIC-0.0345000.100216-0.3442570.7307

EDUC-0.5040370.168659-2.9884990.0029

INCOME4.13E-055.69E-050.7260680.4680

R-squared0.044331Meandependentvar8.686493

entvar13.72152

ession13.45573Akaikeinfocriterion8.044094

Sumsquaredresid145026.3Schwarzcriterion8.078988

Loglikelihood-3239.792F-statistic7.431220

Durbin-Watsonstat1.995941Prob(F-statistic)0.000001

2014-03-26

打开软件

导入数据，quick——empty

DependentVariable:LOG(Y)

Method:LeastSquares

Date:03/26/14Time:08:38

Sample(adjusted):130

Includedobrvations:30afteradjustments

-StatisticProb.

C1.1425080.7240931.5778470.1262

LOG(K)0.6183960.1756953.5197180.0016

LOG(L)0.3435540.2011761.7077310.0992

R-squared0.814711Meandependentvar7.469723

entvar0.949179

ession0.423438Akaikeinfocriterion1.213821

Sumsquaredresid4.841098Schwarzcriterion1.353941

Loglikelihood-15.20732F-statistic59.35911

Durbin-Watsonstat0.775705Prob(F-statistic)0.000000

其他条件不变的情况下，总资产增加一个百分点，工业总产值增加多少百分点

Waldtest约束回归：1）增加或减少解释变量

2）参数约束性检验

邹氏参数稳定性检验：断点检验：view——stabilitytest——chow

breakpointtest

预测检验view——stabilitytest——chow

Forecasttest

第四章

1、异方差是否存在

求残差平和

保存结果：name要存盘

回归误差项就在resid

计算残差平方：genr——定义变量=resid^2

描图：先输解释变量代表横坐标

检验模型是否存在异方差

1、Park检验

DependentVariable:E2

Method:LeastSquares

Date:03/26/14Time:10:33

Sample:131

Includedobrvations:31

-StatisticProb.

C0.1644760.0814222.0200460.0527

K-2.48E-071.56E-05-0.0159290.9874

R-squared0.000009Meandependentvar0.163558

entvar0.314763

ession0.320143Akaikeinfocriterion0.622240

Sumsquaredresid2.972247Schwarzcriterion0.714756

Loglikelihood-7.644727F-statistic0.000254

Durbin-Watsonstat0.516800Prob(F-statistic)0.987400

进行显著性检验

原假设：同方差

相伴概率0.9874很大，可决系数有很低，表明k与e^2没有关系

2、g-q检验

排序：proc——sortcurrentpage

*定义新变量你，可以返回到原来的顺序*

先做回归（选择出去n/4以后的后面半段样本）得到Sumsquaredresid

再做回归（选择出去n/4以后的前面半段样本）得到Sumsquaredresid

在eviews的命令窗口内

输入=后半段/前半段

与临界值相比较

落在右边，方差变大

落在左边，方差变小

F分布：打开excel函数finv

输入0.025得到右端点4.025994

输入0.975得到左端点0.248386

0.3081落在中间表示不存在异方差

3、怀特（White）检验做好回归方程后点view选择residualtext点white

1）没有交叉项（nocross）

2）有交叉项（cross））

2014-04-02

异方差性一般存在于截面数据中，序列相关性一般存在于时间数据中。

取对数是消除异方差很有效的方法。

加权最小二乘法也可以消除异方差

先取对数做回归模型，将该模型残差的绝对值赋值给e1（genr->e1=abs(resid)）

点estimate—>options->勾第二个选项框，并输入1/e1

考虑变量不周会导致异方差和序列相关的出现

如果如何都消除不了异方差，说明变量考虑不周

Object->newobject建立你所需要的

杜森检验DW检验用来检验随机误差项是否一阶序列自相关。

DW统计量

中n表示样本容量，k表示参数个数

拉格朗日乘数（Lagrangemultiplier）检验也被称为GB检验原假设为：没有序列相关

（H0:1=2=…=p=0）t统计值越小越好拒绝原假设

做好回归方程后点view选择residualtext点第四项阶数自填

2阶检验如下

Breusch-GodfreySerialCorrelationLMTest:

F-statistic6.059417Probability0.009725

Obs*R-squared9.254448Probability0.009782

TestEquation:

DependentVariable:RESID

Method:LeastSquares

Date:04/02/14Time:11:06

Presamplemissingvaluelaggedresidualsttozero.

-StatisticProb.

Durbin-Watsonstat

C76.9150757.945021.3273800.2010

GDP0.0073510.0064131.1462030.2667

M(-1)-0.4497290.352410-1.2761550.2181

RESID(-1)0.8177210.3432592.3822250.0284

RESID(-2)-0.7199760.297544-2.4197320.0263

R-squared0.402367Meandependentvar-2.61E-14

entvar114.1765

ession97.58185Akaikeinfocriterion12.18892

Sumsquaredresid171399.9Schwarzcriterion12.43577

Loglikelihood-135.1726F-statistic3.029709

Durbin-Watsonstat2.006384Prob(F-statistic)0.044944

相伴概率较小，存在序列相关。

消除序列相关的方法：

1.广义最小二乘法

2.广义差分法

i阶序列相关在方程中加入ar（1）。。。ar（2）做回归模型得到模型是

M=195.690889+0.*GDP-0.1254348038*M(-1)+

[AR(1)=1.187314146,AR(2)=-0.8717695208]表示经过俩阶序列相关消除后得到的模型

-StatisticProb.

C195.690978.175502.5032250.0235

GDP0.0219190.0086932.5214300.0227

M(-1)-0.1254350.465933-0.2692120.7912

AR(1)1.1873140.3724303.1880220.0057

AR(2)-0.8717700.310398-2.8085570.0126

R-squared0.981945Meandependentvar922.9095

entvar659.3491

ession99.05360Akaikeinfocriterion12.23346

Sumsquaredresid156985.8Schwarzcriterion12.48215

Loglikelihood-123.4513F-statistic217.5442

Durbin-Watsonstat1.837656Prob(F-statistic)0.000000

InvertedARRoots.59-.72i.59+.72i

M(-1)Coefficient值为经济学检验不通过，prob值为统计学检验不通过。说明变量是有问题的

作业：想一个问题开始做异方差检验做到序列相关

905726552