运用EViews进行实证分析基于论文的计量需求doc.docx
《运用EViews进行实证分析基于论文的计量需求doc.docx》由会员分享，可在线阅读，更多相关《运用EViews进行实证分析基于论文的计量需求doc.docx（32页珍藏版）》请在冰豆网上搜索。
运用EViews进行实证分析基于论文的计量需求doc
运用EViews进行实证分析--基于论文的计量需求
运用EViews进行实证分析
---基于论文的计量需求
1、模型设定与数据处理
1.1模型设定
一般化形式的泰勒规则
回归方程式
考虑利率平滑特性
回归方程式
（1）
在EViews中对
（1）式进行回归分析。
1.2数据预处理
1.2.1建立工作文档
按下图中的步骤建立workfile
打开后的界面如下。
给
文档命名为多元回归，选择季度型数据Quarterly，输入开始日期2004Q1，结束日期2015Q4，点击OK。
1.2.2数据导入
首先将所需原始数据在Excel中加工处理好，将需要的数据全部复制。
然后在EViews中依次选择Quick→EmptyGroup（可录入多个变量的数据），或选择Object→NewObject（可逐个录入单个变量的数据），下图演示同时录入多个变量数据的步骤，如下图所示。
在接下来打开的界面中（如下图），将复制的多列数据粘贴到打开的表格中，点击上面的各列默认设定的名称，修改为相应的变量名。
点击数据录入界面右上角的叉关闭窗口，可以不用保存数据组，之后的界面如右图。
至此，数据录入工作完毕。
1.2.3X12进行季节性调整
采用EViews8.0中X12的方法对实际GDP数据进行季节性调整，打开已经录入的rgdp序列，RGDP数据录入前工作文档的设定一定要正确，新建workfile的时候要选择Quarterly数据类型（季度类）。
不正确的设定可能进行下列操作时不会出现CensusX12的选项。
在正确设定数据类型后，依次选择。
Pro→SeasonalAdjustment→CensusX-12，如下图所示。
打开如下界面，默认下列图1的设置，也可以根据自己的需要修改默认设定。
点击确定进入季节性调整的输出结果窗口，之后关闭该窗口，回到图2界面。
图2界面出现的新的数据列rgd_sa，即是rgdp进行X12季节调整后的数据。
1.2.4HP滤波法估计潜在GDP
将之前的经季节调整后的rgdp_sa序列单击打开，采用HP滤波法估计潜在GDP。
然后依次选择Pro→Hodrick-PrescottFilter，如下图1所示。
进入图2界面。
在第一栏中为平滑后的数据命名为yt，yt在此代表潜在HP滤波法估计出来的潜在GDP序列的名称。
用HP滤波法估计季度数据的参数值为1600，因为新建workfile时已经选择好了季度数据的类型，所以此处参数的默认设定为正确设置。
然后点击ok，进入下一个界面，关闭该界面。
EViews已经生成了HP滤波法估计的潜在GDP——yt序列，如右图所示。
1.2.5时间序列数据的平稳性检验
打开时间序列Y，依次选择View→UnitRootTest，如下图中左图所示。
进入下图中右图界面。
可以选择变量水平值、一阶差分值、二阶差分值，选择包含常数项、包含时间趋势项以及常数项、什么都不包含三个类型中的一个来对时间序列进行单位根检验。
此次选择了Y的水平值，仅包含常数项的单位根检验。
输出结果如下。
原假设。
该序列有单位根，即原假设为该序列不平稳。
P=0.2852，无法拒绝原价设，故该序列水平值不平稳。
接下来选择该序列的一阶差分进行单位根检验，输出如下结果。
其中。
D（Y）表示Y序列的一阶差分，P值=0.000，显著拒绝D（Y）不平稳的原假设，故D（Y）是平稳的时间序列。
Y不平稳，D（Y）平稳，故Y是1阶单整的时间序列。
1.3时间序列变量的最小二乘估计
1.3.1时间序列最小二乘估计的前提条件
要对方程式。
Y=C0+C1*X1+C2*X2进行回归分析，进行最小二乘估计要满足下列条件中的一个。
（1）Y、X1、X2三个时间序列必须是0阶单整的，即Y、X1、X2三个时间序列是平稳的。
（2）Y、X1、X2三个时间序列是非平稳的，但是Y、X1、X2三个时间序列是同阶单整的，回归方程必须通过协整检验。
1.3.2同阶单整举例
Y、X1、X2都不平稳，但D（Y）、D（X1）、D（X2）都是平稳的，Y、X1、X2三个时间序列是都是1阶单整。
Y、X1、X2是同阶单整的。
1.3.3EG协整法进行协整检验
假设Y、X1、X2都是1阶单整的，在进行最小二乘估计之后，导出估计方程的残差项，复制粘贴数据到新的变量et，对et变量进行单位根检验，若检验结果表明et是平稳的时间序列，即et是0阶单整的时间序列，那么该回归结果就通过了EG协整检验，之前的回归结果就不会因为各个变量的不平稳性出现伪回归的现象。
依次选择。
Quick→EstimateEquation。
在输入栏中输入估计方程式——ycx1x2x3，选择最小二乘估计的方法，点击确定。
在估计结果窗口依次选择。
View→Actual，Fitted，Residual→Actual，Fitted，ResidualTable进入下一个界面。
左图选中Residual列的数据，右击再选中copy。
然后在工具栏选择。
Object→NewObject新建变量，选择series类型，命名为et，点击OK，单击打开et序列，粘贴数据。
对et进行单位根检验。
检验结果P值=0.0000,拒绝et有单位根的原假设，故et是平稳的时间序列。
即该回归方程通过了EG协整检验。
2、诊断回归模型
2.1多重共线性计量检验与消除
将之前的分析结果展示如下。
分析上述结果。
1.样本可决系数为73.62%，表示X1、X2、X3可以解释Y总变动的73.6217%。
2.F统计量为40.93，对应的P值为0.0000，小于0.05，表明方程总体线性显著，或者解释变量中至少有一个是对被解释变量有显著影响。
3.有的变量的T统计量对应的P值大于0.05，表明该解释变量对被解释变量的影响是不显著的，与F统计量所得到的结果矛盾。
4.X2的系数符号与实际情况不符。
综合
（2）、（3）、（4）表明可能存在严重的多重共线性。
进一步诊断。
依次选择Quick→GroupStatistics→Correlations
在接下来的窗口中输入x1x2x3
输出结果如右图所示。
x1与x3的相关性最大，但也只有37.55%，故多重共线性不是很严重。
但为了谨慎起见，采用逐步回归法进行分析。
表1。
对因变量Y进行的回归分析
解释变量
C
X1
X2
X3
R2
Adjusted-R2
第一步
2.2170
（0.0000**）
0.2234
（0.0008**）
——
——
0.2201
0.2032
2.8555
（0.0000**）
——
0.0370
（0.5637）
——
0.0073
0
0.4517
（0.0676*）
——
——
0.8417
（0.0000**）
0.7077
0.7014
第二步
0.3986
（0.0948*）
0.0849
（0.0365**）
——
0.7747
（0.0000**）
0.7351
0.7233
0.4403
（0.0791*）
——
-0.0147
（0.6794）
0.7747
（0.0000**）
0.7088
0.6959
注。
①Adjusted-R2为负数时取0。
②*代表系数通过了显著性水平为10%的假设检验。
③**代表系数通过了显著性水平为5%的假设检验。
进行第一步回归。
由第二行至第四行的回归结果可以知道，X3对Y解释力度最大，故选择X3作为第一个解释变量。
进行第二步回归。
比较第五行到第六行的结果可以知道，X1、X3一起对Y的解释力度最大，且各个参数都通过了显著性检验。
故选择剔除解释变量X2。
2.2异方差计量检验与消除
2.2.1怀特异方差检验模型
若包括交叉乘积项，则自变量还有X1*X3项。
样本容量n，上述方程估计出R2，然后n*R2（服从卡方分布）后的值与临界值进行比较，判断是否存在异方差。
原假设H0。
存在异方差。
用EViews进行怀特异方差检验。
在回归方程估计窗口下，选择View→ResidualTests→Heteroskedasticity→White（选项中挑选），若勾选IncludeWhitecrossterm，则回归方程中会有交叉乘积项，如右图所示，点击OK。
输出结果如右图。
P值=0.0003，拒绝同方差性。
故该回归方程结果存在异方差。
接下来运用white异方差校正功能和加权最小二乘法来修正模型的异方差性。
2.2.2white异方差校正功能
回归方程估计窗口选择最小二乘估计，再选择options选项。
选择White栏目，点击确定。
因而得到校正后的回归方程。
2.2.3加权最小二乘法
运用加权最小二乘法校正回归方程的操作如下。
回归方程估计窗口选择最小二乘估计，再选择options选项。
选择White栏目，weight下选择Inversestddev栏目。
点击确定即可得到加权最小二乘法的回归结果：
（注：
老版本为：
在Weight文本框内输入“1/abs（resid）”，resid默认为最新估计方程的残差序列）
输出结果如右图：
2.3自相关计量检验与消除
Yt=β0+β1*Xt1+β2*Xt2+εt
COV（εt，εt-s）≠0,t=1,2,…,N,s=1,2，…,t-1
2.3.1自相关的后果
①参数的OLS估计不再具有最小方差性，从而不再是参数β的有效估计，这使估计的精度大大降低。
②显著性检验方法失效。
对回归方程和回归系数的显著性检验的统计量分布时，是以εt~N（0,δ2），且相互独立为依据的。
当存在自相关时，各εt之间不再独立，因而原来导出的统计量的分布就不再成立。
③预测和控制的精度降低，由于OLS估计不再具有最小方差性，使参数估计的误差增大，就必然导致预测和控制的精度降低，失去应用价值。
2.3.2自相关的识别
2.3.2.1图示法
利用残差序列et来分析εt之间是否存在自相关。
①用OLS对原模型进行回归，求出残差et
②作关于（et，et-1），t=2,3,..,N，或（t，et），t=1,2,…,N的散点图。
（et，et-1）散点图均匀分布在四个象限，说明不存在自相关；大部分落在1,3象限，正相关性；大部分落在2、4象限，负相关性。
若et随时间t呈某种周期性的变化趋势，则说明存在正相关。
若呈现锯齿形的震荡变化规律，则说明存在负相关。
2.3.2.2杜宾-瓦森（Durbin-Watson）检验
杜宾-瓦森检验简称D-W检验，检验原理如下。
εt=ρεt-1+Vt，t=2,3,…,N
H0:
=0，H1:
ρ≠0
；
；
①若存在一阶完全正自相关，ρ帽≈1，则DW≈0；
②若存在一阶完全负自相关，ρ帽≈-1，则DW≈4；
③若不存自相关，ρ帽≈0，则DW≈2，故DW越接近于2，自相关性越小。
④查表可以知道DW统计量的临界值为dL、dU。
当dL≤D-W≤dU时，不存在自相关。
2.3.3DW检验的局限
①只适用于一阶自相关检验
②存在不能判定的区域
③模型中含有因变量的滞后变量时，D-W检验失效
④需要比较大的样本容量（N≥15）
2.3.4EViews进行自相关检验
（1）
其中Vt~N（0，δ2），COV（Vt，Vt-1）=0。
记ut服从一阶自回归AR
（1）。
在EViews的估计窗口中输入带估计方程YCX1X3AR
（1）。
选择估计方法——最小二乘法。
AR
（1）的系数就是ρ的估计值，InvertedARRoots是残差自相关模型（
（1）式）的滞后算子多项式的根，这个根有时是虚数，但静态自回归模型的滞后算子多项式的根的模应该小于1。
DW值为2.0176，接近于2，模型自相关问题解除。
若误差项存在高阶自相关，形如
则应在估计方程对话框中输入YCX1X3AR
（1）AR
（2）AR（3）AR（4）
若形如下式的自相关
应在估计方程对话框中输入YCX1X3AR（4）。
这样就可以校正误差序列高阶自相关
2.3.5包含滞后变量的自相关检验
待估计方程为YCX1Y（-1）Y（-2），输出结果如右图。
查标准正太分布表得临界值hα/2=1.96。
模型中的绝对值h>hα/2，则拒绝原假设ρ=0，说明自回归模型存在自相关，需对模型作进一步修改。
绝对值h>hα/2，则接收原假设ρ=0，模型扰动项不存在一阶自相关。
3、联立方程模型
宏观经济的联立方程模型如下。
在菜单栏上依次选择Objects→NewObject命令，然后选择System作为对象的类型，将该对象命名为SYS01。
前两行输入Ct，Yt的估计方程，最终Yt只受Ct（-1）Yt（-1），Gt的影响，。
而第三行输入INSTCt（-1）Yt（-1）Gt。
（表示工具变量）
接下来选择Estimate按钮。
有九种估计方法可供选择：
OLSWLSSUR2SLSWTSLS3SLSFIMLGMM（White协方差矩阵，用于截面数据）GMM（HAC协方差矩阵，用于时间序列数据）ARCH。
下图选择2SLS估计方法，单击确定，得到右图估计结果
4、面板数据模型的建立及应用
正常情况下，选择时序类进行建立workfile，录入数据后，选择Object→NewObject，选择Pool类型对象，命名为MBdata。
在右图打开的窗口中输入bitjshgd标识。
接着单击Sheet按钮，进入左下图，输y？
ct？
i？
g？
再点击ok进入右下角图示界面,在该界面录入数据。
录入数据后在pool窗口下单击Estimate按钮，按左下图输入。
点击确定。
5、葛兰杰因果检验
5.1前提条件
在进行Granger因果检验之前，必须对Xt、Yt进行ADF检验，如果序列非平稳，则需要先经过1次或多次差分使之平稳化，然后再对两个平稳化后的序列进行Granger检验。
5.2检验模型
如果Xt与Yt为平稳的过程，对于模型
（1）
（2）
①如果βj=δj=0（j=1,…,q），则Xt、Yt相互独立；
②如果βj=0，δj≠0（j=1,…,q），则Xt为Yt的原因；
③如果βj≠0，δj＝0（j=1,…,q），则Yt为Xt的原因；
④如果βj≠0，δj≠0（j=1,…,q），则Xt、Yt互为因果。
5.3用EViews进行实例分析
Quick→GroupStatistics→GrangerCausalityTest，得到SeriesList对话框。
在对话框中输入已录入的两个序列Ｘ２、Ｙ（X2与Y经过ADF检验都是平稳的序列）
由0.06＜0.1，在10%的显著性水平下拒绝零假设，即在10%的显著性水平下认为X2增长是Y增长的原因。
GDP与利率的Granger因果检验，GDP是二阶差分平稳，一阶差分不平稳，故GDP是2阶单整的序列。
利率i是一阶单整序列。
对上述两个序列进行检验的结果如右上图所示，都无法拒绝原假设，故gdp的二阶差分与利率的一阶差分之间相互独立。
6、协整检验及应用
Johansen多变量极大似然法在考虑两个以上变量间的协整关系时，能精确地确定出协整向量的数目，克服了EG方法的缺点。
分析ct与yt时间序列之间的关系步骤如下。
6.1平稳性检验（单位根检验）
Ct与yt的ADF（滞后阶数选2）检验结果均显示不平稳，此时应对数据取对数（取对数的好处在于：
既可以将间距很大的数据转换为间距很小的数据，也便于后面取差分），主菜单中依次选择Quick→Generateseries命令，并输入logyt=log（yt），同样的方法得到logct。
由ADF单位根检验可以知道logct与logyt都是一阶单整的序列。
6.2协整检验
只有在①当中检验发现两序列是同阶单整时，才可进入此步。
若两个序列为非同阶单整，则不可以进行协整检验。
主菜单中依次选择Quick→EstimateEquation。
输入估计方程logytclogct，得到右图结果。
接着在窗口中单击Procs按钮，选择MakeResidualSeries命令对残差resid01进行提取和保存，然后对残差进行ADF检验，如右图可知，P值=0.0631，resid01在10%的显著性水平下是平稳的序列。
同样的方法协整logctclogyt，得到残差resid02，resid02的ADF检验结果如右图。
P值=0.0618，检验可知resid02在10%的显著性水平下是平稳序列。
综合上述结果可以知道，两时间序列通过了协整检验。
6.3因果检验
在workfile中按住Ctrl键同时选中logyt和logct，右击，依次选择Open→asGroup命令，在弹出的窗口中单击View按钮，并选择GrangerCausality命令，在弹出的对话框中选择滞后阶数（可根据以往的实证检验结果选择滞后阶数），单击OK按钮，结果如右图所示。
与下面四个图比较后才选择了5阶滞后项。
由5阶滞后项的P值可知logyt是logct变化的原因；而logct不是logyt变化的原因。
6.4误差纠正机制ECM
首先提取残差，在主菜单中依次选择Quick→EstimateEquation命令，输入估计方程ytcct，然后选择Proc→MakeResidualseries。
提取出残差resid03。
再依次选择Quick→EstimateEquation命令，输入估计方程D（yt）cD（ct）resid03（-1）
其中D（*），表示*的差分序列，*（-1）表示*的滞后一阶。
Resid03的系数为-0.045573，P值没有通过检验，没有纠正实际值与均衡值之间的差异。
若能通过检验，则表明ct的实际值与均衡值（或长期）之间的差异约有4.5573%得以纠正。
一般来说，ct随着yt变动，与本文上面的研究结论相同。
若要研究ct与yt的联动效应，可以选择更新或更多的样本。
7、GARCH模型
7.1GARCH模型的基本概念
P阶自回归条件异方程ARCH（p）模型，其定义由均值方程和条件方程给出：
其中，Ωt-1表示t-1时刻所有可得信息的集合，ht为条件方差。
误差项εt的方差由两部分组成，一个常数项和前p个时刻关于变化量的信息，该信息用前p个时刻的残差平方表示（ARCH项）。
广义自回归条件异方差GARCH（p，q）模型可以表示为：
7.2沪深股市收益率的波动性研究
7.2.1描述性统计
新建Workfile，选择UndatedorIrregular选项，在sartobservation和endobservation文本框中分别输入1和n（总的样本个数）。
选择File菜单中的ImportObservation→ReadText-Lotus-Excel命令，找到要导入的Excel文档，完成数据导入。
在EViews窗口主菜单栏下的命令窗口中输入如下命令：
genrrh=log（sha/sha（-1）），同样的方法输入genrrz=log（sza/sza（-1）），得到沪市A、深市A收益率数据系列rh、rz.
双击rh序列，在新窗口中单击View按钮，依次选择DescriptiveStatistics&Tests→HistogramandStats命令，得到rh的描述性统计量由下图可得之后表中数据
rh、rz描述性统计量
序列名称
均值
标准差
偏度
峰度
Jarque-Beva的p值
rh
-0.000287
0.025370
-0.973990
4.870522
0.000000
rz
0.001257
0.027716
-0.912291
3.975215
0.000000
偏度均小于0，有左偏的特点；标准正太分布的峰度值为3，高于3表明序列有尖峰后尾特征。
——即右则厚尾
Jarque-Beva为正态性检验统计量，原假设该序列服从正态分布，由JB统计量对应的p值等于0可知，两个序列拒绝正态分布的原假设，认为rh、rz的分布不是正态分布。
7.2.2平稳性检验
对序列进行ADF单位根检验，选择滞后4阶，有截距项无趋势项。
如右图所示。
得到下列结果。
在1%的显著水平下，两市收益率rt都拒绝随机游走的假设，说明是平稳的时间序列数据。
金融资产的价格一般是非平稳的，经常有一个单位根（随机游走），而收益率序列通常是平稳的。
7.2.3均值方程的确定及残差序列自相关检验
通过对收益率的自相关检验，两市的收益率都与其滞后1阶存在显著的自相关（有的用15阶），因此对两市收益率rt的均值方程都采用如下形式：
7.2.3.1对收益率做自回归
Quick→EstimationEquation，弹出对话框中输入rhcrh（-1），选择LS普通最小二乘法估计方法。
7.2.3.2自相关的Q统计量检验
用Ljung-BoxQ统计量对均值方程拟合后的残差平方做自相关检验
在rh回归结果窗口打开时，单击View→ResidualDiagnostics→Correlogram-Q-Statistics命令，再选择1阶（有的用10阶）滞后则可得沪A收益率残差项的自相关系数acF值和pacF值。
深A的该值在rz回归结果窗口打开时做相应步骤可得rz那些值。
如下图所示。
从上图可以知道。
rh残差平方序列的自相关系数AC和偏自相关系数PAC在2、4、5、6、8、10处显著不为0（柱形较长处）。
而rz残差平方序列的AC和PAC在2、3、5、7、8、10处显著不为0.这些说明残差序列存在ARCH效应。
如果柱形图中柱状在不断缩短，呈收敛的形式，表明不存在ARCH效应。
在rh回归结果窗口打开时，命令栏目输入genrres1=resid^2，双击res1，打开该序列的窗口，点击View→Graph选择line类型。
得到rh残差平方线性图。
类似步骤在rz回归结果窗口中继续也可得到rz残差平方线性图。
可见εt平方具有明显的时间可变性和集簇性，残差波动有聚类现象，在一些时间内该现象比较明显，说明误差项可能具有条件异方差性（GARCH效应），适合用GARCH类模型来建模。
对残差进行ARCH-LM检验（拉格朗日乘法检验）
在各个自回归窗口分别做以下步骤，View→ResidualDiagnostics→HeteroskedasticityTests，选择ARCH，1阶滞后，得到下图结果。
对rz也做相同步骤。
ARCH-LM统计量观察值分别为0.150469、10.19075，相伴概率分别为0.0131、0.0014，均小于0.05，拒绝没有ARCH效应的原假设。
结果表明残差项的p值分别为0.0130、0.0013,，均小于0.05，故残差中ARCH效应是显著的。
7.2.
升级会员 