eviews操作基本命令Word文档下载推荐.docx
《eviews操作基本命令Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《eviews操作基本命令Word文档下载推荐.docx(22页珍藏版)》请在冰豆网上搜索。
或者用Import从其它已有文件中直接导入数据。
dataxy,…可以同时建立几个变量序列,变量值按列排列,同时在表单上出现新建的组及序列,且可以随时在组中添加新的序列。
利用组的优点:
一旦某个序列的数据发生变化,会在组中和变量中同时更新;
数组窗口可以直接关闭,因为工作文件中已保留了有关变量的数据。
2)通过已有序列建立一个需要的组:
groupmygroupxy
可以在组中直接加入滞后变量groupmygroupyx(0to-1)
3.创建标量:
常数值
scalarval=10showval则在左下角显示该标量的值
4.创建变量序列seriesx
seriesy
dataxy
seriesz=x+y
seriesfit=Eq1.@coef
(1)+Eq1.@coef
(2)*x
利用两个回归系数构造了拟合值序列
5.创建变量序列genr变量名=表达式
genrxx=x^2genryy=val*y
genrzz=x*y(对应分量相乘)genrzz=log(x*y)(各分量求对数)
genrlnx=log(x)genrx1=1/x
genrDx=D(x)genrvalue=3(注意与标量的区别)
genrhx=x*(x>
=3)(同维新序列,小于3的值变为0,其余数值不变)
1)表达式表示方式:
可以含有>
<
>
=,<
=,>
=,and,or。
2)简单函数:
D(X):
X的一阶差分
D(X,n):
X的n阶差分
LOG(X):
自然对数
DLOG(X):
自然对数增量LOG(X)-LOG(X(-1))
EXP(X):
指数函数
ABS(X):
绝对值
SQR(X):
平方根函数
RND:
生成0、1间的随机数
NRND:
生成标准正态分布随机数。
3)描述统计函数:
eviews中有一类以@打头的特殊函数,用以计算序列的描述统计量,或者用以计算常用的回归估计量。
大多数@函数的返回值是一个常数。
@SUM(X):
序列X的和
@MEAN(X):
序列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的有效观察值个数
@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,Y的点积genrval=@cross(x,y)
当X为一个数时,下列统计函数返回一个数值;
当X时一个序列时,下列统计函数返回的也是一个序列。
@PCH(X):
X的增长率(X-X(-1))/X(-1)
@INV(X):
X的倒数1/X
@LOGIT(X):
逻辑斯特函数
@FLOOR(X):
转换为不大于X的最大整数
@CEILING(X):
转换为不小于X的最小整数
@DNORM(X):
标准正态分布密度函数
@CNORM(X):
累计正态分布密度函数
@TDIST(X,n):
自由度为n,取值大于X的t统计量的概率
@FDST(X,n,m):
自由度为(n,m)取值大于X的F分布的概率@CHISQ(X,n):
自由度为n,不小于x的
分布的概率
4)回归统计函数
回归统计函数是从一个指定的回归方程返回一个数。
调用方法:
方程名后接.再接@函数。
如EQ1.@DW,则返回EQ1方程的D-W统计量。
如果在函数前不使用方程名,则返回当前估计方程的统计量。
统计函数见下面:
@R2…@NCOEF常用。
6.向量
列向量对象vector、行向量对象rowvector、系数向量对象coeff
vectorvect:
定义了一个一维且取值为0的列向量
vector(n)vect:
定义一个n维且取值为0的列向量
vect.fill1,3,5,7,9:
定义了分量的值
vector(n)vect=100:
定义一个n维且取值为100的列向量
行向量对象rowvector、系数向量对象coeff类似
7.矩阵
matrixmat:
定义一个行和列均为1取值为0的矩阵
matrix(m,n)mat:
定义一个行和列分别为m,n取值为0的矩阵
matr.Fill1234598765,┅默认按列输入数据
matrix(m,n)mat=5:
定义一个行和列分别为m,n取值为5的矩阵
matrix(m,n)mat=5*matr:
定义和matr同维但取值为5倍的矩阵
8.常用命令:
1)Covxy:
协方差矩阵。
Corxy:
相关矩阵。
2)plotxy:
出现趋势分析图,观察两个变量的变化趋势或是否存在异常值。
双击图形可改变显示格式。
3)scatxy:
观察变量间相关程度、相关类型(线性、非线性)。
仅显示两个变量。
如果有多个变量,可以选取每个自变量和因变量两两观察,虽然得到切面图,但对函数形式选择有参考价值。
4)排序:
在workfile窗口,执行主菜单上的procs/sortseries,可选择升序或降序:
Sortx:
则y随之移动,即不破坏对应关系。
sort(d)x:
按降序排序,注意所有的其它变量值都会随之相应移动。
5)取样smpl111smpl19902000
smpl@all:
重新定义数据范围,如果修改过,现在改回。
6)追加记录,扩展样本:
Expand20012007
6)“'
”后面的东西不执行,仅仅解释程序语句。
7)Jarque-Bera统计量:
,用于检验变量是否服从正态分布。
在变量服从正态分布的原假设下,JB统计量服从自由度为2的卡方分布。
如果JB统计量大于卡方分布的临界值,或对应概率值较小,则拒绝该变量服从正态分布的假设(whereSistheskewness,Kisthekurtosis,andkrepresentsthenumberofestimatedcoefficientsusedtocreatetheseries)
9.回归结果与变量表示:
X
800
1100
1400
1700
2000
2300
2600
2900
3200
3500
Y
594
638
1122
1155
1408
1595
1969
2078
2585
2530
VariableCoefficientStd.Errort-StatisticProb.
变量系数估计值系数标准差:
小好T检验值:
大好概率(越小越好)
C-103.17171717298.4059798473-1.0.325079456046
@coefs
(1)或c
(1)@stderrs
(1)@tstats
(1)
X0.777010101010.7618.28900327558.2174494e-08
R-squared0.97664149287Meandependentvar1567.4
(拟合优度
)
=1-(RSS/TSS):
大好(因变量均值)
=
@R2@mean(y)
AdjustedR-squared0.973721679478S.D.dependentvar714.1444
(调优)1-
:
大好(Y标准差)
9
@RBAR2@sqr(@var(y)*n/(n-1)),var(y)
@sddep(被解释变量的标准差)
S.E.ofregression115.767020478Akaikeinfocriterion12.517893
115.7670^2=13402赤池信息准则
(回归标准差)
=@se
Sumsquaredresid107216.024242Schwarzcriterion12.5784099883
(残差平方和)
施瓦兹信息准则
小好
@sumsq(resid)
Loglikelihood-60.5894648487F-statistic334.487640812
(对数似然估计值)(总体F检验值):
大好
=2859.544=@F
Durbin-Watsonstat3.12031968783Prob(F-statistic)0.0000
(D-W检验值)(F检验概率):
=@DW
@REGOBS:
返回观察值的个数7。
@ncoef:
估计系数总个数2。
注意:
系数项可这样计算:
genrb1=@cross(x-@mean(x),y-@mean(y))/@sumsq(x-@mean(x))
@cross计算交叉乘积和,@mean计算均值,@sumsq计算平方和。
genrb0=@mean(y)-b1*@mean(x)。
10.置信区间估计:
变量的显著性检验:
=c
(2)/@stderrs
(2)=@tstats
(2)
参数
的置信区间的计算:
=0.01,
=3.355,
下限:
=c
(2)-3.355*@stderrs
(2)
上限:
=c
(2)+3.355*@stderrs
(2)
总体个别均值
的预测值的置信区间的计算(总体条件均值类似):
1)lsycx,使内存中存在方程
-103.171717172+0.77701010101
2)假设
=1000,
=c
(1)+c
(2)*1000-
2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x)))=372.03
=c
(1)+c
(2)*1000+
2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x)))=975.65
故总体个别均值
的预测值的置信区间为:
(372.03,975.65)。
11.预测问题:
生成一个以原因变量y名+f的y的预测值yf,实际上,yf=
;
同时还得到一张预测图形:
图中实线是因变量y的预测值,上下两条虚线给出的是近似95%的置信区间。
1)绝对指标RMSE均方根误差
,其大小取决于因变量的绝对数值和预测值;
2)绝对指标MAE平均绝对误差
3)常用的相对指标MAPE平均绝对百分误差
若MAPE的值小于10,则认为预测精度较高;
4)希尔不等系数:
,希尔不等系数总是介于0-1之间,数值越小,表明拟合值和真实值间的差异越小,预测精度越高;
5)均方误差MPE可分解为
其中
是预测值
的均值,
是实际序列的均值,
分别是预测值和实际值的标准差,r是它们的相关系数,于是可定义偏差率、方差率和协变率三个相互联系的指标,其取值范围都在0-1之间,并且这三项指标之和等于1,计算公式是:
偏差率
(OLS中
,故BP=0)、方差率
、协变率
。
BP反映了预测值均值和实际值均值间的差异,VP反映它们标准差的差异,CP则衡量了剩余的误差。
当预测比较理想时,均方误差大多数集中在协变率CP上,其余两项较小。
若有多种曲线形式可供选择,则应选择其中均方误差最小者为宜。
Functionsthatreturnscalarvalues:
@r2R-squaredstatistic
@rbar2adjustedR-squaredstatistic
@sestandarderroroftheregression
@ssrsumofsquaredresiduals
@dwDurbin-Watsonstatistic
@fF-statistic
@loglvalueofthelog-likelihoodfunction
@aicAkaikeinformationcriterion
@scSchwarzinformationcriterion
@jstatscalarcontainingtheJ-statistic(forGMM)
@regobsnumberofobservationsinregression
@meandepmeanofthedependentvariable
@sddepstandarddeviationofthedependentvariable
@ncoeftotalnumberofestimatedcoefficients
@coefs(i)coefficienti,whereiisgivenbytheorderinwhichthecoefficientsappearintherepresentationsview
@stderrs(i)standarderrorforcoefficienti
@tstats(i)t-statisticvalueforcoefficienti
@cov(i,j)covarianceofcoefficientsiandj
Functionsthatreturnvectorormatrixobjects:
@coefsvectorofcoefficientvalues
@stderrsvectorofstandarderrorsforthecoefficients
@tstatsvectorofratiosofcoefficientstostandarderrors
@covmatrixcontainingthecoefficientcovariancematrix
Forexample:
seriesy=eq1.@dw
vectortstats=eq1.@tstats
matrixmycov=eq1.@cov
scalarpvalue=1-@cnorm(@abs(eq1.@tstats(4)))
scalarvar1=eq1.@covariance(1,1)