计量经济学上机讲义.docx
《计量经济学上机讲义.docx》由会员分享,可在线阅读,更多相关《计量经济学上机讲义.docx(43页珍藏版)》请在冰豆网上搜索。
计量经济学上机讲义
课程安排:
8学时,2学时/次
第一次
Eviews和一般过程介绍
第二次
多元回归分析、Granger因果检验
第三次
时间序列分析---ARMA、GARCH
第四次
时间序列分析---Granger协整和ECM模型
目录
1Eviews和一般过程介绍2
1.1Eviews2
1.1.1Eviews2
1.1.2Eviews主要窗口介绍3
1.1.3Eviews的一些“习惯”5
1.2一般的实验过程5
1.2.1一般的实验过程5
1.2.2实例操作5
2多元回归分析和Granger因果检验16
2.1多元回归分析16
2.2Granger因果检验21
3时间序列分析26
3.1ARMA26
3.2GARCH31
4协整和ECM模型34
1Eviews和一般过程介绍
1.1Eviews
1.1.1Eviews
Eviews是EconometricsViews的缩写,直译为计量经济学观察,通常称为计量经济学软件包。
Eviews的前身是1981年第1版的MicroTSP,是美国QMS公司研制的在Windows下专门从事数据分析、回归分析和预测的工具。
它的本意是对社会经济关系与经济活动的数量规律,采用计量经济学方法与技术进行“观察”。
计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、应用模型(结构分析、经济预测、政策评价)。
Eviews是完成上述任务比较得力的必不可少的工具。
正是由于Eviews等计量经济学软件包的出现,使计量经济学取得了长足的进步,发展成为一门较为实用与严谨的经济学科。
虽然Eviews是经济学家开发用以处理时间序列数据的时间序列软件包,而且主要用于经济学领域,但是使用Eviews可以迅速地从数据中寻找出统计关系,并用得到的关系去预测数据的未来值,因此Eviews的应用范围并不局限于处理经济时间序列,包括科学实验数据分析与评估、金融分析、宏观经济预测、仿真、销售预测和成本分析等也可以采用Eviews进行处理。
Eviews处理的基本数据对象是时间序列,每个序列有一个名称,只要提及序列的名称就可以对序列中所有的观察值进行操作,Eviews允许用户以简便的可视化的方式从键盘或磁盘文件中输入数据,根据已有的序列生成新的序列,在屏幕上显示序列或打印机上打印输出序列,对序列之间存在的关系进行统计分析。
Eviews具有操作简便且可视化的操作风格,体现在从键盘或从键盘输入数据序列、依据已有序列生成新序列、显示和打印序列以及对序列之间存在的关系进行统计分析等方面。
Eviews具有现代Windows软件可视化操作的优良性。
可以使用鼠标对标准的Windows菜单和对话框进行操作。
操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。
此外,Eviews还拥有强大的命令功能和批处理语言功能。
在Eviews的命令行中输入、编辑和执行命令。
在程序文件中建立和存储命令,以便在后续的研究项目中使用这些程序。
Eviews引入了流行的对象概念,操作灵活简便,可采用多种操作方式进行各种计量分析和统计分析,数据管理简单方便。
其主要功能有:
(1)采用统一的方式管理数据,通过对象、视图和过程实现对数据的各种操作;
(2)输入、扩展和修改时间序列数据或截面数据,依据已有序列按任意复杂的公式生成新的序列;
(3)计算描述统计量:
相关系数、协方差、自相关系数、互相关系数和直方图;
(4)进行t检验、方差分析、协整检验、Granger因果检验;
(5)执行普通最小二乘法、带有自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH模型估计法等;
(6)对二择一决策模型进行Probit、logit和Gompit估计;
(7)对联立方程进行线性和非线性的估计;
(8)估计和分析向量自回归系统;
(9)多项式分布滞后模型的估计;
(10)回归方程的预测;
(11)模型的求解和模拟;
(12)数据库管理;
(13)与外部软件进行数据交换。
1.1.2Eviews主要窗口介绍
双击Eviews快捷方式,进入EViews窗口:
标题栏:
窗口的顶部是标题栏,标题栏的右端有三个按钮:
最小化、最大化(或复原)和关闭,点击这三个按钮可以控制窗口的大小或关闭窗口。
菜单栏:
标题栏下是主菜单栏。
主菜单栏上共有7个选项:
File,Edit,Objects,View,Procs,Quick,Options,Window,Help。
用鼠标点击可打开下拉式菜单(或再下一级菜单,如果有的话),点击某个选项电脑就执行对应的操作响应(注:
File、Edit的编辑功能与Word、Excel中的相应功能相似)。
命令窗口:
主菜单栏下是命令窗口,窗口最左端一竖线是提示符,允许用户在提示符后通过键盘输入Eviews(TSP风格)命令。
如果熟悉MacroTSP(DOS)版的命令可以直接在此键入,如同DOS版一样地使用EViews。
按F1键(或移动箭头),键入的历史命令将重新显示出来,供用户选用。
主显示窗口:
命令窗口之下是Eviews的主显示窗口,以后操作产生的窗口(称为子窗口)均在此范围之内,不能移出主窗口之外。
状态栏:
主窗口之下是状态栏,左端显示信息,中部显示当前路径,右下端显示当前状态,例如有无工作文件等。
Eviews有四种工作方式:
(1)鼠标图形导向方式;
(2)简单命令方式;(3)命令参数方式[
(1)与
(2)相结合)];(4)程序(采用EViews命令编制程序)运行方式。
用户可以选择自己喜欢的方式进行操作。
1.1.3Eviews的一些“习惯”
(1)Eviews的保留字符
ABSACOSARASINCCONCNORNCOEFCOSDDLOGDNORMELSEENDIFEXPLOGLOGITLPT1LPT2MANANRNDPDLRESIDPDLRESIDRNDSARSINSMASQRTHEN
这些字符在Eviews里有特殊的意义,比如ABS表示绝对值,C表示常数项,RESID表示残差。
(2)Eviews不识别汉字,对于字母不区分大小写。
(3)大部分操作既可以用菜单实现也可以用命令实现。
1.2一般的实验过程
1.2.1一般的实验过程
(1)确定各变量;
(2)检验相关变量;
(3)确定模型并估计和检验;
(4)残差分析;
(5)对模型做进一步调整和优化。
1.2.2实例操作
实验一(版本一):
第二章的练习题12
实验目的:
对实验的过程有一个整体的认识
实验步骤:
第一步,建立数据文件即workfile并输入数据。
Eviews要求数据的分析过程必须在特定的工作文件(workfile)中进行,所以在录入和分析数据之前,应创建一个工作文件。
如下图点击workfile:
出现如下对话框:
首先选择数据类型——截面、时序、平行,这里我们选择dated-regularfrequency;接下来选择时间的类型和起至时间,根据题目,输入1978和2000。
文件名用的是xiaoshiniudao(小试牛刀——裴宝刚),要注意Eviews不能识别汉字,所以文件名不能用汉字。
点击OK出现工作文件窗口:
一个新建的工作文件窗口内只有2个对象(object),分别为c(系数向量)和resid(残差)。
Eviews的核心是object(对象),object包括series(序列)、equation(方程)、matrix(矩阵)等,而workfile就是相关object的集合。
下面进行数据输入。
原始数据存在的形式一般是series,点object/newobject,选择series,输入序列名y,点击OK,得到一个名称为y的空的series。
将数据输入y的方法有多种,这里先介绍一种。
先双击打开seriesy,点击edit+/-(这是一个是否允许编辑的开关),再将EXECL格式数据粘贴进去(这里已经将数据写到EXECL里了——很多权威数据是EXECL格式)。
用同样的方法将数据输入seriesgdp。
第二步,模型识别。
模型识别的目的是判断使用什么模型形式,这里首先需要根据相应的经济理论做定性的判断,此外也可以通过做散点图观察数据进行。
点击菜单栏quick/graph,选择scatter:
点击后对话框中输入序列名ygdp,点击OK:
观察图形,判断y与gdp之间比较吻合线性相关关系,认为y与gdp之间的关系是y=c+β*gdp+μ,c是常数。
第三步,模型参数估计。
点击菜单栏的quick/estimateequation:
得到一个对话框,在对话框中输入ygdpc:
Method选择LS(最小二乘法),点击确定,得到拟合结果:
从结果得到参数估计值
,进而有如下模型:
第四步,模型的统计检验。
首先根据AdjustedR-squared=0.959,接近1,表明模型拟合情况很好。
再看t检验和F检验的P值,即Prob.,均小于显著性水平0.05,表明通过了模型的方程显著性和变量显著性检验。
第五步,模型的计量经济检验。
通过检验是否满足经典假设条件来判断模型的价值。
这部分此处略。
以上就完成了一个简单的实验过程。
实验一(版本二):
第二章的练习题12
实验目的:
对实验的过程有一个整体的认识
实验步骤:
第一步,建立数据文件即workfile并输入数据。
建立workfile的过程同上,命名为banben2。
创建seriesy和gdp,这里我们用命令的方法,在命令栏输入seriesy,回车,即可创建一个series;用同样的方法创建seriesgdp。
点击file/import/readtext-lotus-excel:
出现如下对话框:
选择相关选项,输入序列名y,点击OK即可输入数据。
同样的方法将gdp的数据导入。
双击y,点击view/graph:
出现:
这里有很多选项,可以画很多图形。
选择基本的线形,点击确定,得到:
第二步,建立模型。
在命令栏输入lsygdpc(这里ls表示最小二乘法,ygdpc表示模型的形式),然后回车,得到下面的结果。
可见跟用菜单操作的结果是一样的。
再点击view/representations,得到回归结果的方程形式:
2多元回归分析和Granger因果检验
2.1多元回归分析
实验二:
第三章的练习题13
实验目的:
掌握多元回归分析
实验步骤:
预备:
模型整理
原模型为
,对模型两边取对数得
,这里用c表示常数项lnA,最终的模型为
+μ。
注意:
Eviews中使用log来表示自然对数的。
第一步,建立workfile并导入数据。
此处基本方法同前。
第二步,模型参数估计。
在命令栏输入:
serieslny=log(y)
serieslnk=log(k)
serieslnl=log(l)
lslnylnklnlc
或者也可以在命令栏直接输入log(y)log(k)log(l)c,也能得到同样的结果。
第三步,模型的统计检验。
AdjustedR-squared为0.818046,比较大,模型拟合效果很好。
F检验P值近似0,说明解释变量全体对被解释变量的影响是显著的。
t检验P值也均满足不大于0.05的显著性水平,说明各解释变量对被解释变量的影响是显著的。
第四步,模型的计量经济检验。
首先进行异方差性的检验。
异方差性在金融时间序列中是很常见的,基本上所有的金融时间序列都存在异方差性。
这里我们介绍一种white检验。
把回归方程打开,点击view/residualtest/whiteHeteroskedasticity(nocrossterms):
得到如下结果,
Obs*R-squared的P值为0.6761,远大于0.05,不能拒绝原假设,说明残差不存在异方差性。
异方差性也可以直接观察图形判断。
点击view/actual,fitted,residual/residualgraph,来观察残差的图形:
本题的缺点是样本容量小,不容易看出,在实验四对有关宝钢股份的实验中效果明显。
继续进行序列相关性的检验。
方法一:
D-W检验。
模型的拟合结果已经给出了DW=0.75,不在2附近,说明残差序列存在一阶序列相关。
方法二:
自相关检验。
点击view/residualtest/correlogram-Q-statistics:
得到下图
图中一阶的横条超过虚线,说明存在一阶序列相关性。
方法三:
BG检验
点击view/residualtest/serialcorrelationLMtest:
得到以下统计结果:
Obs*R-squared的P值为0.0071,小于0.05,故拒绝原假设,存在一阶序列相关。
得到的结果为
,很接近1,认为中国2000年的制造业总体呈现规模报酬不变。
2.2Granger因果检验
实验三:
Granger因果检验
实验目的:
掌握Granger因果检验
实验背景:
对实验一中财政收入Y和国内生产总值GDP进行Granger因果检验。
实验步骤:
第一步,将序列gdp和y选中点击右键,选择open/asgroup:
得到:
然后再点击view/GrangerCausality:
滞后阶数先选择2,得到:
然后再分别变换阶数为3、4、5、6,得到以下结果
结果很明显,详细解释略。
实验四:
计算某股票的β系数并完成实验报告
实验目的:
利用多元回归分析方法解决金融问题——计算宝钢股份(600019)的贝塔系数
实验设计:
(1)实验工具为同花顺行情软件、Eviews、Excel。
(2)实验使用最小二乘法,将宝钢股份的周收益率与上证综指的周收益率进行一元回归分析,回归所得方程中一次项的系数即为宝钢股份的β系数。
(3)本文使用的模型为
,其中bg为宝钢股份的周收益率,sz为上证综指的周收益率,c为常数,β即为所求。
实验步骤:
第一步,建立数据文件即workfile并输入数据。
本文选择的数据是2008年4月3日到2010年4月9日宝钢股份和上证综指的周收盘价,共103组数据。
选择近两年数据的原因是上证综指在这两年内经历了下跌、上涨、盘整的过程,选择周数据则可以去掉一些投机性操作对指数和价格的影响,而且可以规避日数据在时间上容易不相吻合的现象。
第二步,利用Eviews软件进行回归分析。
首先计算周收益率。
收益率有常见的收益率也就是当期除以滞后一期减一,对于金融时间序列的分析中一般使用对收益率,即当期价格的对数减去滞后一期价格的对数。
Eviews中用bg(-1)表示序列bg的滞后一期,则bg的对数收益率为log(bg)-log(bg(-1)。
然后进行模型拟合。
分别用bgd、szd表示宝钢股份和上证综指的周对数收益率,过程略,拟合的结果为:
BGD=1.25985912048*SZDβ=1.26
第三步,实验结果分析。
(略)
3时间序列分析
3.1ARMA
实验五:
ARMA
实验目的:
掌握平稳时间序列模型分析方法。
实验背景:
利用1994年4月1日至2009年4月1日数据建立中国基础资源价格指数时间序列模型。
实验步骤:
第一步,建立数据文件。
(略。
br=“中国基础资源价格指数”)
第二步,平稳性检验。
判断序列是否平稳,可以由图形简单判断(进一步平稳检验方法第四次实验介绍),基本方法是观察序列是否基本围绕水平线上下波动且波动幅度基本相同(即同均值同方差)。
打开序列br,点击view/graph/line,绘制价格指数趋势图:
由图可以看出该时间序列非平稳,为将该序列化为平稳时间序列,先对该序列取自然对数后进行一阶差分。
新序列命名为ildbr,在Eviews主窗口命令行输入:
Seriesldbr=log(br)-log(br(-1))
Seriesildbr=ldbr-ldbr(-1)
新序列图形:
满足平稳的基本特征。
第三步,模型识别。
点击菜单栏quick/seriesstatistics/correlogram,在对话框输入ildbr,得到ildbr的自相关和偏自相关图:
由于自相关系数AC在k=1后很快地趋于0,所以取q=1;偏自相关系数PACF在k=1时显著不为0,在k=11时也与0有显著差异,考虑取p=1,2,…,10。
可考虑用ARMA模型。
由于ARMA模型形式都存在序列均值为0的假设,否则应做零均值化变换。
点击菜单栏点击菜单栏quick/series/histogramandstats,在对话框输入ildbr,确认后得到:
由均值Mean=3.12*10-5,满足0均值的假设。
第四步,模型参数估计。
对序列ildbr建立模型ARMA(0,1),ARMA(1,1),…,ARMA(10,1)。
在主窗口对话框中输入:
ildbrar
(1)ar(i)ma
(1)
其中,i=1,2,3,…,10。
比较输出的结果,ARMA(4,1)最优。
ARMA(4,1)模型参数估计与检验结果
Coefficient
Std.Error
t-Statistic
Prob.
AR
(1)
0.005036
0.015990
0.314925
0.7528
AR
(2)
0.015655
0.015965
0.980603
0.3268
AR(3)
0.033320
0.015130
2.202206
0.0277
AR(4)
0.022563
0.006726
3.354730
0.0008
MA
(1)
-1.001601
0.001353
-740.0104
0.0000
R-squared
0.499190
Meandependentvar
1.03E-05
AdjustedR-squared
0.498677
S.D.dependentvar
0.034512
S.E.ofregression
0.024436
Akaikeinfocriterion
-4.584273
Sumsquaredresid
2.330475
Schwarzcriterion
-4.576250
Loglikelihood
8962.669
Hannan-Quinncriter.
-4.581425
Durbin-Watsonstat
2.000162
InvertedARRoots
.45
-.05-.38i
-.05+.38i
-.34
InvertedMARoots
1.00
EstimatedMAprocessisnoninvertible
此模型最优是由于表中下方给出的ARMA(4,1)模型的滞后多项式倒数根都落入单位圆内,满足过程平稳的基本要求,同时调整后的决定系数最大,AIC和SC准则都最小。
可以认为ARMA(4,1)模型更合适。
第五步,模型检验。
检验残差序列是否满足白噪声,以此判断模型建立的是否满足要求。
通过对模型ARMA(4,1)的残差序列进行检验,判断残差序列是否为纯随机。
打开eq41,单击view,选择ResidualTest/Correlogram-Q-Statistics,生成残差序列的自相关分析图:
当k<19时,残差序列的自相关系数都落入随机区间,自相关系数的绝对值都小于0.1,与0无明显差异,表明残差序列是纯随机的。
第六步,预测。
利用ARMA(4,1)模型对中国2009年4月1日至2010年4月1日的基础资源价格指数进行预测。
首先扩展样本期,在命令窗口输入:
Expand2009,4,12010,4,1
然后在该方程结果输出窗口工具栏中选择forcast按钮,打开模型预测选项对话框,将预测样本期改为4/0120094/01/2010,其他选择保持默认值。
预测值保存在序列ildbrf中:
3.2GARCH
实验六:
GARCH
实验目的:
掌握非平稳时间序列模型分析方法。
实验背景:
利用1994年4月1日至2009年4月1日数据建立中国零售业价格指数时间序列模型。
实验步骤:
第一步,建立数据文件。
(略。
tourismr=“中国零售业价格指数”)
第二步,平稳性检验。
趋势图绘制如下图:
不平稳特征明显。
对序列tourism进行自然对数处理,在主窗口命令行输入:
Seriesltourism=log(tourism)
得到序列ltourism。
第三步,ARCH效应检验。
对序列ltourism建立随机游走模型,在主窗口输入:
Lsltourismltourism(-1)
对残差作p=2阶的序列自相关LM检验。
在方程结果输出窗口工具栏选择view/residualtests/serialcorrelationsLMtest:
在点击出现的对话框中默认2,确认后得到如下结果:
残差序列自相关LM检验结果
Breusch-GodfreySerialCorrelationLMTest:
F-statistic
0.517477
Prob.F(2,3910)
0.5961
Obs*R-squared
0.957348
Prob.Chi-Square
(2)
0.6196
表中显示给出两种检验结果:
第一行的F统计量在有限样本情况下的精确分布未知,其结果一般作为参考;第二行可以看出LM>Prob.Chi-Square
(2),认为序列存在自相关。
进一步对残差序列进行ARCH效应检验。
在方程结果输出窗口工具栏选择view/residualtests/ARCHLMtest,检验结果如下:
ARCH效应检验结果
HeteroskedasticityTest:
ARCH
F-statistic
69.84006
Prob.F(1,3910)
0.0000
Obs*R-squared
68.64957
Prob.Chi-Square
(1)
0.0000
卡方检验的相伴概率p值是0.000,小于显著性水平0.05,拒绝原假设,残差序列存在ARCH
(1)效应。
再对残差序列进行高阶检验,当q>7时,检验依然显著,即残差序列存在高阶ARCH(q)效应,所以应考虑GARCH(p,q)模型。
第四步,建立GARCH模型。
点击Quick