Eviews基本操作（3.1版本）
一、创建工作文件
一种创建方法为点击file/new/workfile，然后输入frequency，以及开始（start）日期和结束(end) 日期．（注：如果是截面数据，要选undated or irregular项，然后在start中输入1，end中输入样本容量）。输入完毕后，点击OK就可以得到工作文件窗口。
二、导入excel文件中的数据
1）在excel中先建立数据文件 2）然后创建eviews工作文件
3）点击file/import/read text-lotus-excel选项，在对话框中选择已建立的excel文件
4）打开后，在新的对话框中输入想要分析的变量名称，然后点击OK即可。此时工作文件中出现变量图标。
三、直接输入数据
1）创建一个工作文件（方法同一） 2）点击quick/empty group，打开一个空白表格
3）点击r01，把第一列全选，在命令栏中输入变量名称后回车，即可改变变量名称，按此方法命名每一变量 4）删除group对话框后，会发现工作文件中多了新变量
四、画图
有两种方法可以将数据绘成曲线，第一种方法是：
1） 首先在工作文件中选中所要分析的变量，点击右键open/as group项，打开数据文件
2） 点击view/graph/scatter(或其它图形)后，即可画出图形
3） 在选中图表窗口后，在工作文件窗口点击edit/copy，在对话框中点击copy to
clipboard，然后可将图表粘贴到word文档中，还可进行编辑
第二种方法是：
1） 在工作文件窗口中点击quick/graph
小班篮球教案2） 在弹出的对话框中输入想要分析的变量
3） 选择图表的类型及选项即可输出图表
4） 可将图表移动到word文档中并进行编辑（方法同上）
五、数据的描述性统计量
1）在工作文件中选中变量后，点击右键点open group，打开数据文件
2）点击view/descriptive stats/common sample，就会出现描述性统计量
3）在选中若干行统计量数据后，点击edit/copy，在弹出的对话框中点OK，然后可将其粘贴到word文档中
注：
Mean | 样本均值 | |
Median | 中位数 | |
Maximum | 最大值 | |
Minimum | 最小值 | |
Std. Dev. | 标准差 | |
Skewness | 偏度 | |
Kurtosis | 峰度 | |
| | |
Jarque-Bera | 正态性检验 | |
Probability | P值 | |
Obrvations | 样本容量 | |
| | |
六、一元线性回归模型的估计
1）建立变量的工作文件 2）在主菜单上选择quick/estimate equation，出现对话框
3) 在对话框的equation specification框中，按被解释变量、常数项、解释变量的顺序输入，中间用空格空开
4）在对话框的estimation ttings框中，在method栏中选择估计方法，点击OK即可
5）在工具栏中，点击name，在name to identify object框中输入方程的新名字，点击OK后，工作文件中将出现方程的图标
注：R-squared 拟合优度 Mean dependent var 被解释变量均值
除臣洗马
Adjusted R-squared 修正的拟合优度 S.D. dependent var 被解释变量标准差
S.E. of regression 回归方程标准差 Akaike info criterion 赤池信息准则
Sum squared resid 残差平方和 Schwarz criterion 施瓦兹信息准则
Log likelihood 似然函数的对数 F-statistic F统计量
Durbin-Watson stat DW统计量 Prob(F-statistic) F统计量的P值
6）在第四步输出估计结果后，在结果窗口中点击view/actual,fitted,residual/相应的残差图，可出现被解释变量的实际值、估计值、残差以及残差图。
点击view/reprentations(描述)，可出现几个不同的估计方程，点击edit/copy可进行编辑。点击view/estimation output，回到估计结果。
点击view/covariance matrix，可出现估计量的协方差阵，点击freeze后可对表格进行编辑。
七、一元线性回归模型的预测
1）在工作文件主窗口点击procs/change workfile range(改变范围)，弹出对话框，在对话框的end date栏中输入预测值的时间或序号，点击OK
2）在工作文件窗口中双击解释变量文件，在变量窗口中点击edit+/-键，进入编辑模式，
在变量窗口底端输入新序号的数值，再点击edit+/-键，关闭编辑模式
3）再次进行估计，点击quick/estimate equation，在对话框中输入方程，注意样本范围应不包括新序号，点击OK得到估计结果
4）点击结果窗口中的forecast键，产生对话框，在对话框中选择样本范围，点击OK可得预测曲线图。同时在工作文件窗口产生新变量，双击后可得预测值
八、生成新变量
在变量的工作文件主窗口点击维多利亚大学procs/generate/ries，在弹出的窗口中输入新变量的函数表达式，点击OK后，在工作文件窗口出现新变量图标，选中新变量后可建立回归模型
注：+ 加； - 减； * 乘； / 除 ；^ 幂；
D(X) ：X的一阶差分 LOG(X)：X的自然对数 EXP(X)：指数函数
ABS(X)：绝对值 SQR(X)：平方根 INV(X)：X的倒数
@SUM(X)：序列平淡相守X的和 @MEAN(X)：序列女生的性欲X的平均数
@VAR(X)：序列X的方差 @SUMSQ(X)：序列X的平方和
@OBS(X)：序列X有效观测值的个数
@COV(X，Y)：序列X和序列Y的协方差
@COR(X，Y)：序列X和序列Y的相关系数
@CROSS(X，Y)：序列X和序列Y的乘积之和。
九、多元回归模型的估计
1）建立多变量的工作文件后，点击quick/estimate equation，在对话框中依次输入被解释变量、常数项c、解释变量，中间用空格，然后点击OK
2）在估计的结果窗口点击view/reprentations，出现方程的表达式，复制最后的表达式，将其粘贴到命令窗口，在窗口中输入scalar 新变量（不同于被解释变量）=方程右端（解释变量要输入数值），按回车，可见工作文件多了一个纯量标志，双击便得预测值
十、模型的异方差性
a) 异方差的检验
古典线性回归模型的一个重要假设是总体回归方程的随机扰动项ui同方差，即他们具有相同的方差 2我的发小儿。如果随机扰动项的方差随观察值不同而异，即ui的方差为 i2， 就是异方差。检验异方差的步骤是先在同方差假定下估计回归方程，然后再对得到的的回归方程的残差进行假设检验，判断是否存在异方差。Eviews提供了怀特(White)的一般异方差检验功能。
零假设：原回归方程的误差同方差。
备择假设：原回归方程的误差异方差
操作步骤：在工作文件主窗口选定需要分析的回归方程 \ 打开估计方程及其统计检验结果输出窗口\点击工具栏中的View \选Residual Tests \ White Heteroskedasticity (no cross terms) 或White Heteroskedasticity (cross terms)，可得到辅助回归方程和怀特检验统计量－即F统计量、统计量的值及其对应的p值。由图中的显示结果可以看出：在5％显著水平下我们拒绝零假设，接受回归方程的误差项存在异方差的假设。
一般地，只要图中给出的p 值小于给定的显著水平，我们就可以在该显著水平下拒绝零假
设。
White Heteroskedasticity Test: |
F-statistic | 3.573259 | Probability | 0.027230 |
Obs*R-squared | 11.21329 | Probability | 0.047311 |
| | | | |
Test Equation: |
Dependent Variable: RESID^2 |
Method: Least Squares |
Date: 10/05/06 Time: 18:14 |
Sample: 1984 2003 |
Included obrvations: 20 |
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | 41643039 | 38925032 | 1.069827 | 0.3028 |
RENJUNGDP | -101275.1 | 66462.62 | -1.523790 | 0.1498 |
RENJUNGDP^2我的自我介绍 | 14.42638 | 15.52129 | 0.929457 | 0.3684 |
RENJUNGDP*CHUKOU | -8.196993 | 7.578420 | -1.081623 | 0.2977 |
CHUKOU | 45909.21 | 20723.85 | 2.215284 | 0.0438 | 校庆征文
CHUKOU^2 | 0.555283 | 0.843298 | 0.658467 | 0.5209 |
R-squared | 0.560664 | Mean dependent var | 16246747 |
Adjusted R-squared | 0.403759 | S.D. dependent var | 26960715 |
S.E. of regression | 20818165 | Akaike info criterion | 36.78388 |
Sum squared resid | 6.07E+15 | Schwarz criterion | 37.08259 |
Log likelihood | -361.8388 | F-statistic | 3.573259 |
Durbin-Watson stat | 1.746126 | Prob(F-statistic) | 0.027230 |
| | | | |
