eviews期中作业报告要点基本统计和OLS稳健方差Word格式.docx

eviews期中作业报告要点基本统计和OLS稳健方差Word格式.docx

《eviews期中作业报告要点基本统计和OLS稳健方差Word格式.docx》由会员分享，可在线阅读，更多相关《eviews期中作业报告要点基本统计和OLS稳健方差Word格式.docx（27页珍藏版）》请在冰豆网上搜索。

2.765155

Jarque-Bera

27.70001

Probability

0.000001

Sum

60506.30

SumSq.Dev.

11207393

Observations

160

从而显示出了m1的各种统计信息，包括均值，中位点，最大值最小值，以及二到四阶矩观测数目和正态分布检验等的统计概要。

M1.line则显示出了这一组数据的图形描述

freeze（gk）G

（1）.distplotkernel'

G

（1）.kdensity

'

V6->

G

（1）.distplotkernel

画出对象g中第一个变量的直方图，命名为gh

freeze（gh）G

（1）.hist'

histlog（m1）

将g中的所有变量画入一张线性图中，改图命名为gfa

graphgfa.lineG

将g中所有的变量分别画出一张图并合并入gfg这一个对象中

graphgfg.line（m）G'

multiplegraphs

生成列表tbgsi，该列表中包含了g中所有变量单独的统计值

freeze（tbGsi）G.stats（i）'

individualsamples

回归模型估计

smpl1952Q11992Q4

equationeq1.lslog（m1）clog（gdp）rsdlog（pr）

DependentVariable:

LOG（M1）

Method:

LeastSquares

Date:

12/07/12Time:

15:

41

Sample（adjusted）:

1952Q21992Q4

Includedobservations:

163afteradjustments

Variable

Coefficient

Std.Error

t-Statistic

Prob. 

C

1.312383

0.032199

40.75850

0.0000

LOG（GDP）

0.772035

0.006537

118.1092

RS

-0.020686

0.002516

-8.221196

DLOG（PR）

-2.572204

0.942556

-2.728967

0.0071

R-squared

0.993274

Meandependentvar

5.692279

AdjustedR-squared

0.993147

S.D.dependentvar

0.670253

S.E.ofregression

0.055485

Akaikeinfocriterion

-2.921176

Sumsquaredresid

0.489494

Schwarzcriterion

-2.845256

Loglikelihood

242.0759

Hannan-Quinncriter.

-2.890354

F-statistic

7826.904

Durbin-Watsonstat

0.140967

Prob（F-statistic）

0.000000

这里我们使用smpl来设定估计样本的观测区间，而equation语句则创建了方程对象eq1并进行最小二乘估计，其中的c代表回归方程的常数项，得到模型估计的结果如上图所示。

freeze（gfeq1r）eq1.resids这里我们产生了残差项的图

使用表格来查看残差，命令为：

eq.Resids（t）

另外我们可以查看回归结果的文本表示：

eq1.representations

EstimationCommand:

=========================

LSLOG（M1）CLOG（GDP）RSDLOG（PR）

EstimationEquation:

LOG（M1）=C

（1）+C

（2）*LOG（GDP）+C（3）*RS+C（4）*DLOG（PR）

SubstitutedCoefficients:

LOG（M1）=1.31238347449+0.772034899215*LOG（GDP）-0.0206860343222*RS-2.57220371427*DLOG（PR）

接下来我们来对这一结果进行假设检验。

进行wald检验，检验b4=2是否成立，命令为：

Eq1.waldc（4）=2

WaldTest:

Equation:

EQ1

TestStatistic

Value 

df 

23.53081

（1,159） 

Chi-square

1 

NullHypothesisSummary:

NormalizedRestriction（=0）

Std.Err.

-2+C（4）

-4.572204

Restrictionsarelinearincoefficients.

从而我们看到这一假设被拒绝了，下面我们进行序列相关检验，命令如下：

eq1.auto

（1）

Breusch-GodfreySerialCorrelationLMTest:

813.0060

Prob.F（1,158）

Obs*R-squared

136.4770

Prob.Chi-Square

（1）

TestEquation:

RESID

49

Sample:

163

Presamplemissingvaluelaggedresidualssettozero.

-0.006355

0.013031

-0.487683

0.6265

0.000997

0.002645

0.376929

0.7067

-0.000567

0.001018

-0.556748

0.5785

0.404143

0.381676

1.058864

0.2913

RESID（-1）

0.920306

0.032276

28.51326

0.837282

4.92E-16

0.833163

0.054969

0.022452

-4.724644

0.079649

-4.629744

390.0585

-4.686116

203.2515

1.770965

接下来我们要进行模型的修改，调整季节性，采用移动平均法

equationeq2.lslog（m1）clog（gdp）rsdlog（pr）log（m1（-1））log（gdp（-1））rs（-1）dlog（pr（-1））

52

1952Q31992Q4

162afteradjustments

0.071297

0.028248

2.523949

0.0126

0.320338

0.118186

2.710453

0.0075

-0.005222

0.001469

-3.554801

0.0005

0.038615

0.341619

0.113036

0.9101

LOG（M1（-1））

0.926640

0.020319

45.60375

LOG（GDP（-1））

-0.257364

0.123264

-2.087910

0.0385

RS（-1）

0.002604

0.001574

1.654429

0.1001

DLOG（PR（-1））

-0.071650

0.347403

-0.206246

0.8369

0.999604

5.697490

0.999586

0.669011

0.013611

-5.707729

0.028531

-5.555255

470.3261

-5.645823

55543.30

2.393764

equationeq2.lslog（m1）clog（gdp）rsdlog（pr）

53

从而看出之后模型和自回归模型的拟合效果大致相当，而信息准则表明，之后模型略好，因为之后模型的AIC值和sc值都比较小。

2.OLS

Equationeq01.lsgdpcm1

建立了方程对象eq01，将模型设定为：

GDP=B1+B2*M1+E的线性回归模型，c表示常数项，并且使用普通最小二乘法进行估计

Freeze（txEq）eq01.representations

将方程对象eq01的表示试图定格成文本对象，文本表示信息如图所示：

LSGDPCM1

GDP=C

（1）+C

（2）*M1

GDP=-92.2429670327+1.62843028117*M1

freeze（tb01）eq01.output

查看详细的估计结果

GDP

12/04/12Time:

16:

18

1952Q11996Q4

180

-92.24297

6.751931

-13.66172

1.628430

0.012006

135.6364

0.990417

632.4190

0.990364

564.2441

55.38936

10.87770

546100.6

10.91318

-976.9931

10.89209

18397.24

0.077568

首先我们从表头可以看出，在此次统计结果中，因变量为gdp，使用的回归方法为最小二乘法，sample的时间是从1952年的第一季度到1996年的第四季度，总共的观测值为180个。

可以看到常数项为-92.24297，斜率为1.628430二者的标准差分别为6.751931和0.012006从而可以看出在此案例中对于斜率来说Ols估计的更好。

对于p-value我们也可以看出其值基本为0，从而可以接受原假设。

之后的参数R-squred表明了解释变量与原变量之间有很强的正相关关系。

使用resids命令产生残差估计的图形视图

Coefcov报告系数估计的协方差矩阵

45.5885680269021

-0.06414340641355956

0.0001441404042945437

3.方差的稳健估计

m1realgdpcpi_u

pagestruct（freq=q,start=1950q1）

equationeq01.lslog（m1）clog（realgdp）log（cpi_u）

graphgf.lineresid

ge.axiszeroline

gf.axiszeroline

gf.legend-display

生成了关于realgdp和cpi的log回归模型的残差值和各个参数的估计值

55

1950Q12000Q4

204

-1.633057

0.228568

-7.144727

LOG（REALGDP）

0.287051

0.047384

6.057957

LOG（CPI_U）

0.971812

0.033773

28.77488

0.989520

5.797855

0.989415

0.805567

0.082878

-2.128286

1.380637

-2.079491

220.0852

-2.108548

9488.775

0.024767

我们可以看出这个残差某种程度上带有一定的规律，也即一定的趋势和季节性，从而我们要对轨迹的标准差进行修正。

equationeq02.ls（n）log（m1）clog（realgdp）log（cpi_u）

for!

i=1to3

tb（!

i+1,2）=eq01.c（!

i）

i+1,3）=eq01.@stderrs（!

i+1,4）=eq02.@stderrs（!

next

tb（1,1）="

variable"

tb（1,2）="

olsestimate"

tb（1,3）="

olsse"

tb（1,4）="

correctedse"

tb（2,1）="

constant"

tb（3,1）="

inoutput"

tb（4,1）="

incpi"

tb.setformat（2,2,4,4）f.5

variable

olsestimate

olsse

correctedse

constant

-1.63306

0.22857

0.31389

inoutput

0.28705

0.04738

0.07286

incpi

0.97181

0.03377

0.06127

freeze（tb02）eq02.output

tb02.settextcolor（6,1）blue

生成关于第二个估计模型的参数估计与统计信息

17:

03

Includedobservation