Eviews統計分析從入門到精通第一章Eviews簡介Eviews7.2簡介Eviews的主窗口工作文件的建立與工作文件窗口對象的建立和對象窗口Eviews統計分析從入門到精通第一章Eviews簡介Eviews統計分析從入門到精通一、EVIEWS7.2簡介Eviews全稱EconometricsViews，是美國QMS公司推出的基于Windows平臺的專門從事數據分析、回歸分析和預測的計算機軟件，Eviews是當今世界上最優秀的計量經濟軟件之一，其具有操作簡便、界面友好、功能強大等特點，在科學數據分析與評價、金融分析、經濟預測、銷售預測和成本分析等領域具有廣泛的影響。Eviews統計分析從入門到精通一、EVIEWS7.2簡Eviews統計分析從入門到精通EViews7有著大量的令人激動的更新和改善。在性能方面，它優化了常規性操作，使得計算更快捷。以下為Eviews7版本的一些最重要的新特征。Eviews界面增加了“主題”支持，可讓用戶自定義Eviews窗口外觀，全面加強的拖拉操作，改善了命令輸入、圖形選項、全局選項界面，能夠自動從Web獲得更新，確保Eviews7永遠為最新的，提供了新編譯的基于HTML格式的幫助系統。數據處理在Eviews7.2中，定義了新的workfile數據周期，支持小時、分鐘和秒周期，多年，半個月，2星期，10天和每天，有著隨意的每周的日期范圍。加強了對字符型變量的支持，包括新的字符和字符矢量對象，一個加強的用于創建和操作字符列表的新函數庫，且編程支持也得到了改善。Eviews7直接提供對于FRED（FederalReserveEconomicData）數據的連、打開、查詢和導入的支持。Eviews7支持讀取Excel2007XLSX文件。數據導入功能得到改善。圖形方面Eviews7支持新的“live”圖形，隨相應數據的更改而自動更新，圖形選項界面得到了改善，交互式觀測信息顯示，讓用戶能編輯的觀察和圖形上數據關聯的標簽和值。改善了控制在尺度/坐標軸上的日期的格式。用戶可更靈活的自定義用于觀測值尺度/坐標軸上的觀測值標簽。編程方面程序支持記錄消息日志；程序文件編輯器支持快速多行注釋；程序加強了對字符和文本對象的支持；增加了新的對象數據成員和通用信息函數。Eviews統計分析從入門到精通EViews7有著大量Eviews統計分析從入門到精通二、Eviews的主窗口Eviews統計分析從入門到精通二、Eviews的主窗口Eviews統計分析從入門到精通1.標題欄數據編輯窗口最上方是標題欄，當該窗口被激活時，標題欄呈藍色；標題欄右側為窗口控制按鈕，第一個按鈕是窗口最小化，第二個按鈕是窗口最大化，第三個按鈕是關閉窗口。2.菜單欄Eviews的菜單欄包括“File”、“Edit”、“Object”、“View”、“Proc”、“Quick”、“Options”、“Add-ins”、“Window”和“Help”十個菜單。3.命令窗口命令窗口用于在命令操作方式下輸入相應的命令，用戶只需輸入相應的命令，按“Enter”鍵即可執行。Eviews統計分析從入門到精通1.標題欄數據編輯窗口Eviews統計分析從入門到精通4.工作區域工作區域用于顯示其他的子窗口。當存在多個子窗口時，這些子窗口會相互重疊，當前活動窗口位于最上方。5.狀態欄狀態欄用于顯示目前Eviews的工作狀態和Eviews默認的數據文件保存路徑等。狀態欄的顯示分為四個部分：最左側顯示當前Eviews的工作狀態；Path欄用于顯示Eviews默認的數據文件保存路徑；DB欄用于顯示當前數據庫的名稱，WF欄用于顯示當前活動工作文件名稱。Eviews統計分析從入門到精通4.工作區域工作區域用Eviews統計分析從入門到精通三、工作文件的建立與工作文件窗口1.工作文件的建立1.選擇工作文件類型2.進行具體參數設置Eviews統計分析從入門到精通三、工作文件的建立與工作Eviews統計分析從入門到精通4.工作文件窗口1.標題欄2.工具欄3.信息欄4.對象集合區5.頁面轉換欄Eviews統計分析從入門到精通4.工作文件窗口Eviews統計分析從入門到精通四、對象的建立與對象操作窗口1.對象的建立新建或者調用了原先儲存的工作文件后，在EViews主窗口依次選擇Object|NewObject命令或在工作文件窗口工作欄中單擊Object按鈕并NewObject命令，便可以打如NewObject對話框。Eviews統計分析從入門到精通四、對象的建立與對象操作Eviews統計分析從入門到精通對象名稱中文含義Equation方程Factor因子Graph圖形Group序列組LogL對數似然函數Matrix-Vector-Coef矢量系數矩陣Model模型Pool面板數據Sample樣本Series序列SeriesLink序列連接SeriesAlphaα序列SSpace狀態空間模型System系統Table表格Text文本ValMap數值映射VAR向量自回歸Eviews統計分析從入門到精通對象名稱中文含義EquaEviews統計分析從入門到精通2.對象窗口1.標題欄2.工具欄3.數據區域Eviews統計分析從入門到精通2.對象窗口1.標題欄第二章EViews與數據處理第二章EViews與數據處理數據是利用EViews軟件進行處理和分析的基礎。EViews要求數據的分析處理過程必須在特定的工作文件中進行，所以在將數據導入EViews軟件之前，需要先建立并保存工作文件。導入的原始數據由于季節時間的影響會產生與季節時間相關的規律性變動，所以為更準確地反映客觀經濟現象的本質還需要在數據分析之前對其季節變動因素作一定消除和調整。數據是利用EViews軟件進行處理和分析的基礎。

1.工作文件的保存

2.數據的導入

3.新序列的公式生成

4.數據的季節調整 1.工作文件的保存工作文件的保存

1.通過命令保存

在EViews主窗口中依次選擇File|Save命令或者File|Saveas命令，在Saveas對話框選擇工作文件的保存路徑、文件名和保存類型。

2.通過工具欄Save快捷鍵保存

在EViews工作文件窗口工具欄中點擊Save按鈕，也可以對當前工作文件進行保存。工作文件的保存 1.通過命令保存數據的導入數據是利用EViews進行各項分析的基礎。將數據導入EViews軟件通常有兩種方法，即直接錄入和外部調入，其中外部調入包括外部導入數據和粘貼導入兩種方式。數據的導入數據是利用EViews進行各項分析的基礎。將數據

1.直接錄入

直接錄入方法是指用戶通過鍵盤操作直接輸入所需數據。

（1）單個序列對象的直接錄入

打開要輸入數據的序列，在序列窗口工具欄單擊Edit+/-按鈕進入數據編輯狀態，此時用戶可直接輸入數據。

（2）多個序列對象的直接錄入

對序列對象的數據錄入方法與單序列輸入方法相同。與單序列序列名命名方法不同的是，多序列數據組（Group）里有obs一項代表序列名稱，用戶可在此處更改序列名，按回車鍵進行確認。數據的導入 1.直接錄入數據的導入數據的導入

2．外部數據文件調入

EViews軟件（3.1版本以上）允許從外部數據文件中直接調入三種格式的數據：ASCII、Lotus和Excel工作表。

（1）通過軟件導入

（2）復制粘貼導入以某地2000年到2009年稅收收入（TaxRevenue）與國民生產值（GDP）數據的Excel工作簿為例，將此Excel工作簿導入EViews數據的導入 2．外部數據文件調入新序列的公式生成

在EViews的操作中經常會用到公式，有時需要對現有序列進行變換才能得到需要的序列，此時就需要利用公式對已有序列進行相應的變換。

利用公式生成新序列主要是通過工作文件工具欄中的Genr按鈕實現。點擊Genr按鈕會彈出的Enterequation對話框。在對話框中輸入所要生成序列的公式表達式，用“=”連接要生成的序列名稱及其公式化的表達式。最后單擊OK鍵，就生成了新序列。新序列的公式生成 在EViews的操作中經常會用到公式，有數據的季節調整

季節的變動會使時間序列產生規律性的變化，這種規律性變化通常稱之為季節變動。例如與氣候、日歷天數和節假日等有關的季節性因素，或與不同的發展階段有關的趨勢性因素都會使時間序列產生規律性變化。為更準確地反映客觀經濟現象的本質，須對季節變動因素作一定消除和調整。

用EViews對序列進行季節調整，通過序列工具欄Proc按鈕下的SeasonalAdjustment實現。數據的季節調整 季節的變動會使時間序列產生規律性的變化，這數據的季節調整季節調整的方法：CensusX12X11(Historial)Tramo/SeatsMovingAverageMethods季節調整方法的原理比較復雜，相關內容讀者可以參考有關的計量經濟學書籍。需要注意的是季節調整方法只適用于季度和月度序列。數據的季節調整季節調整的方法：第三章EViews與繪圖第三章EViews與繪圖

圖形對象（Graph）是序列、序列組、方程、模型等對象的視圖。將數據通過折線圖、條形圖、散點圖、餅圖等圖形顯示，有利于用戶更直接認識數據的變化規律，從而更好更快的對數據進行處理分析等操作。以后章節中對模型的異方差、自相關等問題進行判斷時，繪制數據相關圖也是一種重要的檢驗方法。 圖形對象（Graph）是序列、序列組、方程、模型等對象

基于Graph的繪圖功能

圖形的改變、凍結、移動與打印基于Graph的繪圖功能基于Graph的繪圖功能1.由EViews主菜單進行繪圖操作

（1）選擇繪圖命令

單擊EViews主菜單Quick|Graph命令，在彈出的SeriesList對話框內輸入需要繪制圖形的序列或序列組名稱，單擊OK鍵。

（2）設置圖形

選擇繪圖命令后彈出GraphOptions對話框。

（3）輸出圖形

單擊確定鍵即可輸出圖形。圖形輸出完成后，單擊圖形窗口工具欄中的Name按鈕，可對圖形對象進行命名。EViews將保存命名后的圖形對象。基于Graph的繪圖功能 （1）選擇繪圖命令基于Graph的繪圖功能

2.由序列或組界面進行繪圖操作

建立序列對象后，可以直接通過序列界面或組界面進行繪圖操作。打開序列或組對象，在數據表格窗口單擊工具欄View|Graph命令，通過圖像定義對話框對圖像進行設定，具體設置方法與上一種方法相同。

需要注意的是，這種繪圖方法只是將數據的表格顯示形式轉化為圖形顯示形式，需要對圖像進行命名（Name）保存后才能生成新的圖形對象。基于Graph的繪圖功能 建立序列對象后，可以直接通過序列圖形的改變、凍結、移動與打印1.圖形的改變圖形生成后雙擊圖形的任何部分，會彈出GraphOptions對話框，從而對圖形進行修改。在EViews6.0中，雙擊選擇不同的部分，可以直接彈出對該部分進行修改的標簽頁。2.圖形的凍結及其他操作新建立的圖形對象是單個或多個序列的另一種顯示形式，當序列的觀測值發生改變或工作文件的樣本范圍改變時，圖形也會隨之改變。如果希望圖形不再改變，需要凍結圖形。凍結操作通過單擊圖形對象窗口工具欄的Freeze按鈕實現。圖形的改變、凍結、移動與打印1.圖形的改變圖形生成后雙擊圖圖形的改變、凍結、移動與打印

3.圖形的移動需要將圖形移動到Windows某些文檔中進行后續處理時會用到圖形移動操作。

選擇EViews主菜單的Edit|Copy命令，會彈出GraphMefafile對話框。Usecolorinmetafile選項用于選擇輸出圖形的色彩結構，勾選此選項表示對輸出的圖形使用彩色，否則輸出黑白圖形，其他選項通常使用默認設置。

單擊OK鍵，該圖形就復制到了Windows的剪貼板中，用戶可以切換到文字處理程序或其他應用程序把圖形粘貼到文檔中。圖形的改變、凍結、移動與打印 3.圖形的移動需要將圖形移圖形的改變、凍結、移動與打印4.圖形的打印圖形的打印操作通過單擊EViews主菜單的File|Print命令或者單擊圖形對象窗口工具欄中的Print鍵實現。圖形的改變、凍結、移動與打印第四章EViews與統計分析第四章EViews與統計分析

建立了序列或序列組以后，通過EViews軟件可以直接獲得序列或序列組的基本描述性統計量及基本統計檢驗。其中，通過基本統計分析可獲得序列或序列組均值、方差、協方差、相關系數等基本統計量，通過參數假設檢驗可以對序列或序列組進行均值檢驗和方差檢驗。

單序列統計量的計算及檢驗

序列組統計量的計算及檢驗 建立了序列或序列組以后，通過EViews軟件可以直接獲單序列統計量的計算及檢驗

單序列統計量的計算、檢驗與圖形操作通過序列對象窗口工作欄的View鍵實現。如圖4-1所示的View鍵下拉菜單分為四個部分。單序列統計量的計算及檢驗單序列統計量的計算及檢驗引入案例4.1用于之后的序列統計分析操作。案例4.1記錄了從1990年至2007年的我國國民生產總值和第三產業增加值的相關數據，單位為億元。單序列統計量的計算及檢驗引入案例4.1用于之后的序列統計分單序列統計量的計算及檢驗1.單序列的描述性統計量單擊View|DescriptiveStatistics&Tests命令，DescriptiveStatistics&Tests下一級菜單中包含三部分。第一部分就是此序列的描述性統計量，HistogramandStats是序列的直方圖及有關統計量，StataTable是序列有關統計量的表格，StatsbyClassification是序列的分組統計量。單序列統計量的計算及檢驗1.單序列的描述性統計量單序列統計量的計算及檢驗

2.單序列描述統計量的檢驗

單序列單擊View|DescriptiveStatistics&Tests命令后，其下一級菜單中第二部分和第三部分就是對序列描述統計量的檢驗，包括SimpleHypothesisTests（簡單假設檢驗）、EqualityTestofClassification（分組齊性檢驗）和EmpiricalDistributionTests（經驗分布檢驗）。單序列統計量的計算及檢驗 單序列單擊View|Descr單序列統計量的計算及檢驗3.單序列單因素統計表

序列的單因素統計表用來顯示序列在不同觀測值范圍區間的觀測個數及百分比信息。單序列統計量的計算及檢驗單序列統計量的計算及檢驗4.單時間序列的統計檢驗單擊序列窗口工具欄View鍵顯示下拉菜單的第三部分是針對時間序列的統計分析，包括Correlogram（相關圖）、UnitRootTest（單位根檢驗）和BDSIndependentTest（BDS獨立性檢驗）。單序列統計量的計算及檢驗4.單時間序列的統計檢驗單擊序列窗序列組統計量的計算及檢驗序列組統計量的計算、檢驗與圖形通過序列組對象窗口工作欄的View鍵實現。如圖所示的View鍵的下拉菜單分為四個部分。序列組統計量的計算及檢驗序列組統計量的計算、檢驗與圖形通過序列組統計量的計算及檢驗

（一）序列組的基本統計分析

1．DescriptiveStats（序列組的基本描述性統計量）

如果序列組中各個序列觀測值個數相同時，在序列組窗口單擊View|DescriptiveStats|CommonSample命令，即可輸出序列組各序列的基本描述性統計量。

2．CovarianceAnalysis（序列組的協方差分析和相關分析）

協方差、相關性分析用于計算序列組中各序列之間的協方差矩陣和相關系數矩陣。其中，協方差矩陣中主對角線元素是各序列樣本方差，其余元素是序列間協方差。

3．序列組多因素統計表（N-WayTabulation）

序列組的多因素統計表是單因素統計表的推廣形式，通過序列組窗口View|N-WayTabulation命令實現。

4．序列組齊性檢驗（TestofEquality）

序列組齊性檢驗用來檢驗序列組中各個序列均值、中位數和方差是否相等。序列組統計量的計算及檢驗 （一）序列組的基本統計分析

序列組統計量的計算及檢驗（二）時間序列組基本統計分析View鍵的下拉菜單第三部分是針對時間序列的統計分析包括：

1．Correlogram（相關圖）

序列組中序列的自相關圖和偏相關圖

2．CrossCorrelation（交叉相關系數）

序列組內兩個序列的交叉自相關圖和偏相關圖。

3．UnitRootTest（單位根檢驗）

單位根檢驗用于檢查時間序列的平穩性。其檢驗的原假設H0均為存在單位根。

4．GrangerCauslity（格蘭杰因果檢驗）

格蘭杰因果檢驗用于查看序列之間是否存在格蘭杰因果性。格蘭杰因果檢驗的原假設H0為系數為0，不存在因果關系。 序列組統計量的計算及檢驗（二）時間序列組基本統計分析V第五章基本線性回歸模型的OLS估計第五章基本線性回歸模型

回歸分析是處理變量與變量之間關系的一種最為常用的統計分析方法，它的理論基礎比較成熟，而且應用十分廣泛。人類社會活動總是與許多變量相聯系的，我們常常要研究這些變量之間的數量關系。對于變量之間的關系，一般分為兩類：一是變量之間存在的確定性的函數關系，另一類是變量之間的非確定的依賴關系。而為了分析和利用變量之間的非確定的依賴關系，人們建立了各種統計分析方法，其中回歸分析方法是最為常用的經典方法之一。

回歸分析的主要目的是研究自變量和因變量之間的數量關系，研究的主要內容包括建立回歸模型探索變量之間的相關程度、利用回歸模型估計和預測因變量的變化等等。其中，根據回歸形式的不同，回歸模型可以分為線性回歸、非線性回歸等多種回歸分析方法，而本章將對最為基礎和最為重要的線性回歸模型的EVIEWS操作進行講解。

線性回歸模型的OLS估計

標準回歸結果的解釋及殘差檢驗

含虛擬變量的線性回歸模型的OLS估計 回歸分析是處理變量與變量之間關系的一種最為常用的統計分析線性回歸模型的OLS估計

背景知識

1.一元線性回歸模型

在實際應用中，最簡單的情形就是研究兩個變量之間的相關關系，即一元線性回歸模型。

（1）一元線性回歸模型及假定。

假設（X1,Y1）（X2,Y2）……（Xn,Yn）是取自總體（X,Y）的一組樣本，其中X1,X2……Xn為自變量或解釋變量（independentvariale）序列，Y1，Y2……Yn為因變量或被解釋變量。于是，就可以建立一元線性回歸模型： 。該模型的隨機誤差項必須滿足的假設條件為：

無偏性假定。即所有隨機誤差項的期望為0。

同方差性假定。即所有隨機誤差項的方差相等。

無序列相關性假定。即隨機誤差項之間無序列相關性。

解釋變量與隨機誤差性相互獨立。即解釋變量X為非隨機變量。

正態性假定。即隨機誤差項服從均值為0的正態分布。yi=β0+β1xi+εi,i=1,2,n線性回歸模型的OLS估計 1.一元線性回歸模型就可以建立

（2）一元線性回歸模型的最小二乘估計

樣本觀測值Yi與估計值的殘差e反應了樣本觀測值與回歸直線之間的偏離程度。而最小二乘估計方法的原理就是讓擬合的直線使殘差平方和達到最小，依次為準則確定X與Y之間的線性關系。這就是著名的普通最最小二乘估計方法（OrdinaryLeastSquare,OLS）。 （2）一元線性回歸模型的最小二乘估計2.多元線性回歸模型（1）多元線性回歸模型的形式假定影響因變量Y的自變量個數為P,并且記為X1，X2，……，Xn。多元線性回歸模型為：Y=β0+β1x1+β2x2+

+βpxp+ε則多元線性回歸模型的矩陣形式為：Y=Xβ+ε（2）多元線性回歸模型的最小二乘回歸與一元線性回歸模型一致，就是滿足讓擬合的直線使殘差平方和達到最小，從何獲得回歸估計結果。2.多元線性回歸模型（1）多元線性回歸模型的形式假定影響線性回歸模型OLS估計的Eviews操作

1．回歸模型主窗口的打開

在Eviews主窗口的菜單欄中依次選擇Quick|EstimateEquation命令，打開如圖5.1所示的EquationEstimation對話框。

EquationEstimation（方程回歸）對話框的Specification選項卡是建立各種回歸模型（如線性回歸模型、ARMA模型、計數模型等）的主要設定窗口。除上述方法可以打開EquationEstimation對話框外，還可以是在主窗口的菜單欄中選擇Quick|EstimateEquation；第三種是在工作文件窗口中選擇Objec|Newobject，然后在新建對話框中選擇Equation。線性回歸模型OLS估計的Eviews操作 在Eviews主

2.設定模型中的變量

任何模型估計前，首先要設定模型中解釋變量和被解釋變量。線性模型中變量的設定是在Estimationspecification輸入框中進行的，而具體的設定方法有以下幾種：

（1）公式設定方法

該方法是指在輸入框中直接將模型方程寫出來 2.設定模型中的變量 任何模型估計前，首先要設定模型

（2）排序設定方法

模型變量設定中最常用的是排序方法，即按照被解釋變量、回歸因子（含常數項和解釋變量）的順序依次列出來，該方法又可分為三類：

當模型中的變量都是工作文件中的已有變量時，可以在Estimationspecification輸入框按照模型的被解釋變量、解釋變量的順序依次列出，中間用空格隔開所有的變量，且不需要設定模型的隨機項。

當模型中的變量含有工作文件窗口中變量的滯后項時，可以在Estimationspecification輸入框中輸入該變量和小括號的組合來表示變量的滯后項，其中小括號中是負號和具體滯后的階數。

當模型中包含工作文件中變量的線性組合或者固定的函數形式，可以在Estimationspecification輸入框中直接輸入該變量的線性組合或函數形式，但變量的線性組合必須用小括號包裹。 （2）排序設定方法 當模型中的變量含有工作文件窗口中變

3.選擇模型估計方法

回歸模型的估計中最為核心的就是根據設定模型的類別和假設選擇合適的估計方法。估計方法的不同，回歸的結果將會大相徑庭。在Eviews中模型回歸估計的方法是通過EquationEstimation對話框中Estimationsettings的Methord下拉列表框進行選擇的。Methord下拉列表框提供了現代計量分析中幾乎所有主流的模型估計方法，如圖5.6所示。 3.選擇模型估計方法 回歸模型的估計中最為核心的就是

4.設定模型估計的樣本區間

模型回歸中所需的樣本范圍是通過EquationEstimation對話框中的Sample輸入框設定的。樣本范圍是在輸入框中輸入一前一后的兩個數字，兩個數字中間用空格隔開，其中開始的數字表示樣本的開始時間，結尾的數字表示樣本的結束時間。如我們的樣本范圍是1978年到2009年，但是我們希望在模型回歸中用到是1978到2000年的樣本觀測值，正確的設定方法是在Sample輸入框中輸入：19782000。

注意設定的樣本的范圍必須在工作文件的范圍內，如果大于工作文件的范圍，則系統將根據工作文件的范圍進行回歸。一般系統默認的回歸區間為工作文件的范圍。 4.設定模型估計的樣本區間 模型回歸中所需的樣本范圍

5.Options選項卡的設定

在EquationEstimation對話框中點擊Options選項卡，打開如圖5.7所示對話框：

Options選項卡里面的內容根據Estimationsettings的Methord下拉列表框中回歸方法選擇的不同而改變。其中，LS-LeastSquares（NLSandARMA）方法下相應的Options選項卡的設定是針對當模型回歸的殘存項存在異方差、自變量與隨機項存在相關性時修正模型的，本書將此部分內容安排到第六章，具體設定可參見第六章第一節和第二節。

設置完畢后，可以點擊“確定”按鈕，就可以在Equation對象窗口得到線性回歸模型OLS估計的結果。除可以點擊“確定”按鈕，還可以點擊“取消”按鈕，取消進行回歸模型設定的操作，返回到workfile工作文件窗口。 5.Options選項卡的設定 Options選項卡線性回歸模型OLS估計的案例操作

1．案例問題的描述與數據準備

在現代經濟周期理論中，固定資產投資周期是影響宏觀經濟周期波動的一個直接的、物質性的主導因素，固定資產投資也成為經濟周期波動的物質基礎。本節通過對山東省固定資產投資及國內生產總值的數據來擬合一元線性回歸模型，分析山東省固定資產投資對山東省經濟的拉動作用，并給出如何通過調節固定資產投資來發展經濟的政策建議。

數據文件記錄了從1978年至2007年的山東省固定資產投資和山東省國民生產總值的相關數據

為了準確衡量我國基礎設施投資對經濟增長的拉動作用，本文設定經典線性回歸模型來分析這種拉動作用的大小。建立的總體回歸模型如下式所示：LnGDP=α+βLnIFA+ε建立線性回歸模型，利用上述數據完成對模型參數的估計。線性回歸模型OLS估計的案例操作 1．案例問題的描述與數據標準回歸結果的解釋及殘差檢驗

背景知識

1.回歸模型標準回歸結果中的統計量統計量含義模型解釋變量的估計值根據總體回歸模型，利用OLS等回歸方法計算的回歸系數值估計值的標準差用于衡量回歸系數值的穩定性和可靠性。如果標準差較小，表明該系數的穩定性就好；如果該標準差越大，則表明該系數的穩定性差。估計值的T值用于檢驗系數是否為零。通過查表可以得到相應的臨界值：如果該值大于臨界值，則該系數在相應的顯著水平上是可靠的；如果該值小于臨界值，則系數在相應顯著水平上是不顯著的。估計值顯著性概率值表示在t分布下，t統計量的概率值。在5%顯著性水平下，如果該概率值低于0.05，則認為該系數值在統計上是顯著的。R方表示回歸的擬合程度，就是被解釋變量被所有解釋變量解釋的部分。R方的取值范圍在0到1之間：如果R方等于零，則表示該回歸并不比被解釋變量的簡單平均數預測的更好；如果R方等于1，則表示該回歸擬合的最為完美。調整R方隨著解釋變量的增加，R方只會增加而不會減少。為對增加的解釋變量進行“懲罰”，對R方進行調整模型回歸的標準誤差對回歸的殘差進行計算標準差，衡量殘差的波動性。殘差平方和該指標衡量殘差的平方和，一般沒有直接解釋含義，用于作為其他統計量的計算對數似然估計值在假定回歸殘差服從正態分布下，對對數似然函數值的計算。D-W統計量用于衡量回歸殘差是否序列相關，該統計量如果嚴重偏離2則表明存在序列相關。被解釋變量的均值表示被解釋變量的平均數，等于被解釋變量的樣本取均值。赤池信息準則用于對回歸方程的最優滯后項數目進行選擇，選擇標準是該值達到最小值即可。施瓦茨信息準則用于對回歸方程的最優滯后項數目進行選擇F統計量用于衡量回歸方程整體顯著性的假設檢驗標準回歸結果的解釋及殘差檢驗 1.回歸模型標準回歸結果中的

2．模型回歸殘差的常用檢驗

回歸模型估計完畢后，通常研究者會對模型估計的殘差進行檢驗，通過回歸殘差的性質來判斷模型估計的效果。常用的檢驗有：Q檢驗和LM檢驗用來判斷殘差是否違背無相關假定、異方差檢驗用來判斷殘差是否違背同方差假定、正態性檢驗用于判斷殘差的分布。檢驗的一般程序（適用于絕大部分統計量檢驗）是計算相關統計量的原假設成立的概率P值，如果該概率P值小于某個設定顯著水平（通常為5%）,則拒絕原假設，認為備擇假設成立；反之，則不能拒絕原假設。；殘差檢驗統計量含義殘差自相關的Q檢驗檢驗目的：Q統計量的全稱是Ljung-BoxQ，該統計量一般用于檢驗序列是否存在自相關。檢驗假設：該統計量的原假設H0為：殘差序列不存在自相關備擇假設H1為：殘差序列存在自相關。殘差自相關的LM檢驗LM檢驗是Breush-GodfreyLagrangeMultiplier的簡稱，主要用于檢驗殘差序列是否存在高階自相關的重要假設。該統計量的計算首先必須利用OLS估計出原模型的殘差序列u；然后以u為被解釋變量，以u的1到P階滯后項為解釋變量再次進行回歸，同時記錄該回歸的擬合優度R方。LM檢驗統計量的原假設為H0為：殘差序列直到P階不存在自相關；備擇假設H1為：殘差序列P階內存在自相關。殘差的正態性檢驗檢驗目的：Histogram-NormalityTest檢驗主要是通過計算JB統計量實現的，JB統計量用來檢驗序列觀測值是否服從正態分布，在零假設下，JB統計量服從χ2(2)分布。檢驗假設：該檢驗的原假設H0為：樣本殘差服從正態分布。備擇假設H1為：殘差序列不服從正態分布。殘差的異方差檢驗檢驗目的：由于最小二乘方法是建立在殘差同方差假設基礎上的，一旦出現異方差就說明OLS方法就不可靠了，需要利用加權最小二乘方法進行糾正。異方差檢驗是利用輔助回歸的方法進行的，該統計量服從卡方分布。檢驗假設：懷特異方差檢驗的原假設H0為：殘差序列不存在異方差。備擇假設H1為：殘差序列存在異方差。 2．模型回歸殘差的常用檢驗；殘差檢驗統計量含義殘差自相關Equation方程對象的EVIEWS操作

在每次回歸模型估計完畢后，Eviews將把模型回歸的結果（系數估計值、模型估計的各種統計量）、殘差序列、方差協方差矩陣等等保存到Equation（方程對象）中，以方便對模型的進一步檢驗（殘差的LM檢驗等等）和模型預測、模擬等操作。

對Equation對象中的關于模型回歸的輸出標準結果的解釋、查看結果輸出形式和保存等操作，以及模型殘差的各種檢驗操作進行講解。Equation方程對象的EVIEWS操作 在每次回歸模型

1．回歸模型估計的標準結果的一般解釋

在Equation方程對象窗口菜單欄View|Estimationoutput，或者直接點擊快捷操作按鈕Statistics，打開如圖5.13所示的方程對象窗口。該窗口主要有三部分：第一部分為模型估計的說明；第二部分為模型解釋變量的估計結果；第二部分為模型整體估計的統計量。表5.3模型估計的說明模型估計說明含義DependentVariable:G模型的被解釋變量（該案例為G）Method:LeastSquares模型估計方法：最小二乘估計方法Date: Time:14:07模型估計的方法Sample:19782007模型估計的樣本范圍Includedobservations:30模型估計中的有效觀測值的個數模型解釋變量的估計結果含義Variable模型的解釋變量Coefficient模型解釋變量的估計值Std.Error模型解釋變量估計值的標準差t-Statistic模型解釋變量估計值的T值Prob.模型解釋變量估計值顯著性概率值模型估計統計量含義R-squared模型回歸的R方AdjustedR-squared模型估計的調整R方S.E.ofregression模型回歸的標準誤差Sumsquaredresid殘差平方和Loglikelihood對數似然估計值Durbin-WatsonstatD-W統計量Meandependentvar被解釋變量的均值S.D.dependentvar被解釋變量的標準差Akaikeinfocriterion赤池信息準則Schwarzcriterion施瓦茨信息準則F-statisticF統計量Prob(F-statistic)模型顯著性的概率值 1．回歸模型估計的標準結果的一般解釋 在Equatio

2.Equation對象的快捷按鈕操作

“Print”按鈕

單擊“Print”按鈕，彈出如圖5.14所示的Print打印對話框。

Print打印對話框主要用于Equation方程對象的打印設置。其中Destination選項組用于選擇與操作計算機連接的打印機；Text/Tableoptions選項組用于設定打印紙張的范圍和大小；Printrange選項組用于設定Equation方程對象頁面的打印范圍。 2.Equation對象的快捷按鈕操作 “Print

“Name”按鈕

單擊Name（命名）按鈕，打開如圖5.14所示的ObjectName對象命名對話框。

“ObjectName”對話框主要用于進行Equation方程對象的保存和命名操作，其中Nametoidentifyobject文本框用于輸入要命名的方程對象的名稱，該名稱最大允許24個英文字母；Displaynameforlabelingtablesandgraphs文本框用于標記表和圖的名稱，研究者可以在該文本框中注釋方程對象。由于方程對象的名稱較短，所以該標簽可以比較詳細的注釋方程對象。

命名完畢后，單擊OK按鈕就可以將回歸的結果（方程對象）保存到Eviews工作文件窗口。如果需要查看該方程對象，只要雙擊該工作文件中的該對象就可以打開該方程對象。 “Name”按鈕 單擊Name（命名）按鈕，打開如圖5

“Freeze”按鈕

Equation方程對象界面內的標準回歸結果不允許用戶對回歸結果進行更改操作，而單擊Freeze快捷操作按鈕可以將標準回歸結果進入可編輯狀態，從而給用戶提供了進行更改操作的空間。

“Estimate”按鈕

該按鈕主要是用于返回到標準回歸結果界面的快捷工具按鈕，單擊該按鈕可以在其他操作界面下轉換到標準回歸結果界面。

“Forcast”按鈕

該按鈕主要用于利用用戶建立的回歸模型進行預測的操作，對模型預測的具體講解請參考本書第十四章預測專題，在此不再贅述。

“Statistics”按鈕

單擊該按鈕可以快速打開本章第一節中的EquationEstimation對話框，便于用戶根據回歸結果進行重新設定模型變量及估計方法的操作。 “Freeze”按鈕

“Resids”按鈕

單擊Resids按鈕，打開如圖5.14所示的Equation的Resids界面。

Equation的Resids界面主要給用戶展示因變量的觀測值序列、擬合值序列及殘差序列圖。其中，Residual、Actual、Fitted分別表示觀測值序列、擬合值序列及殘差序列。 “Resids”按鈕 單擊Resids按鈕，打開如圖5

3.Equation對象的下拉菜單按鈕操作

View下拉菜單按鈕

單擊View按鈕，可以打開如圖所示的下拉菜單。

該下拉菜單提供了一些便捷操作命令和殘差檢驗、系數檢驗等重要檢驗操作命令。Representations命令用于展示回歸模型的一般表達式；EstimationOutput命令用于切換到標準回歸結果界面；ARMAStructure用于展示ARMA模型的結構，僅限于ARMA模型操作；CofficientTests和StabilityTest命令主要用于對系數和模型進行穩定性檢驗，具體參見本書第八章第三節。本節將重點介紹Actual,Fitted,Residual選項和ResidulTests選項以下命令： 3.Equation對象的下拉菜單按鈕操作 單擊Vi

（1）Actual,Fitted,Residual選項

選擇View|Actual,Fitted,Residual命令，可以打開如圖5.14所示的四個殘差繪圖操作命令： （1）Actual,Fitted,Residual選項Actual,Fitted,ResidualTable命令，該命令可以實現輸出如圖5.15所示的殘差擬合表。該窗口主要有四部分：第一部分為Actual（被解釋變量實際觀測值）列表；第二部分為Fitted（被解釋變量的擬合值）列表；第三部分為Residual（擬合殘差值）；第四部分為殘差序列的圖。Actual,Fitted,ResidualGraph命令、ResidualGraph命令、StandardizedResidualGraph命令與Actual,Fitted,ResidualTable命令輸出的殘存時序圖的類似，只是在形式上有所不同。Actual,Fitted,ResidualTable命令

（2）ResidulTests選項

選擇View下拉菜單中的ResidualTests，可以打開五個殘差檢驗操作命令： （2）ResidulTests選項CorrelogramQ-statistics命令，主要用于對殘差進行自相關的Q檢驗。點擊該命令可以打開如圖5.16所示的自相關的Q檢驗界面。圖中Autocorrelation表示模型殘差的自回歸系數圖，PatialCorrelation表示模型回歸殘差的偏相關函數圖，AC、PAC分別表示殘差的自相關系數值和偏相關系數值，Q-statistics表示Q統計量值，Prob表示Q統計量的顯著性概率值。一般而言，當Prob概率值大于設定的顯著性水平，認為殘差序列不存在自相關；反之，其概率水平小于設定的顯著性水平，認為殘差序列存在自相關。CorrelogramQ-statistics命令，主要用

CorrelogramSquaredResiduals命令，主要用于對殘差的平方進行Q檢驗。點擊該命令將輸出與CorrelogramQ-statistics命令的自相關Q檢驗完全相同的界面，唯一的不同是CorrelogramQ-statistics命令檢驗的對象是殘差序列，而CorrelogramSquaredResiduals命令檢驗的對象是殘差的平方序列。

SeriesCorrelationLMtest命令，主要用于進行殘差自相關的LM檢驗。其中，LM檢驗是Breush-GodfreyLagrangeMultiplier的簡稱。點擊該命令可以打開如圖5.17所示的LM檢驗窗口。圖5.17的上半部分是Breush-GodfreyLagrangeMultiplier的檢驗結果。其中，F-Statistics和ProbF表示輔助回歸的F值和相應的概率值，該檢驗等價于LM檢驗；Obs*Rsquared和ProbChi-squared是LM值和相應的概率值。圖5.14的上半部分是利用以u為被解釋變量，以u的1到P階滯后項為解釋變量再次進行回歸的標準結果。 CorrelogramSquaredResiduaHistogram-NormalityTest命令，主要用于對殘差進行正態性檢驗。單擊該命令可以打開如圖5.18所示的正態性檢驗界面窗口。Histogram-NormalityTest是對殘差序列進行是否為正態分布的檢驗。圖5.18的左側顯示的是該序列對象的直方圖，為觀測值的頻率分布。右側分三個部分，最上面顯示的是序列對象的名稱，樣本的范圍和樣本數量。一般而言，當JB統計量計算的概率值大于設定的顯著性水平，此時就不能拒絕原假設H0，認為殘差序列服從正態分布；反之，其概率水平小于設定的顯著性水平，此時可以拒絕原假設，認為殘差序列不服從正態分布。Histogram-NormalityTest命令，主要用

Procdure下拉菜單按鈕

單擊Procdure按鈕，可以打開如圖所示的下拉菜單。

該下拉菜單主要提供了一些查看回歸結果及預測的快捷命令，主要有以下幾個常用的命令：

Specify/Estimate命令用于返回到標準回歸結果界面，單擊該按鈕可以在其他操作界面下轉換到標準回歸結果界面，與Estimate快捷按鈕一致；Forcast命令用于利用用戶建立的回歸模型進行預測的操作，與工具欄的快捷按鈕Forcast一致；MakeResidualSeries命令用于生成殘差序列，點擊該命令可以在工作文件窗口生成一個殘差序列，系統命名為resid01；MakeRegressorGroup命令可以將所有回歸因子（含因變量）以變量組的形式展示，同時提供命名保存操作；MakeModel命令用于打開回歸模型并展示回歸模型的基本函數形式；UpdateCoefsfromEquation命令用于從回歸表達式中更新回歸系數。 Procdure下拉菜單按鈕

Object下拉菜單按鈕

單擊Object按鈕，可以打開如圖所示的下拉菜單。

該下拉菜單主要提供了對回歸結果保存、更新、命名等操作命令，主要有以下幾個常用的命令：

StoretoDB命令用于將回歸結果保存到指定Eviews數據庫中；UpdatefromDB命令用于從指定Eviews數據庫中提取回歸結果；CopyObject命令用于復制標準回歸結果；Name命令用于對回歸結果進行命名保存操作，與工具欄Name快捷命令作用一致；Delete命令用于刪除選定的回歸結果；FreezeOutput命令可以將標準回歸結果進入可編輯狀態，與工具欄Freeze快捷操作按鈕作用一致；Print命令用于打開Print打印對話框，主要用于Equation方程對象的打印設置，與工具欄Print快捷操作按鈕作用一致；ViewOptions選項提供了部分View下拉菜單命令，但在線性回歸估計窗口不可用。 Object下拉菜單按鈕

線性回歸模型OLS估計結果的案例解釋與操作

本節仍然沿用5.1節案例，對5.1節案例的回歸結果進行詳細的說明。

1．回歸結果的解釋說明

在EquationEstimation對話框設定完畢后，點擊“確定”按鈕可以得到如圖所示的回歸結果，將圖5.10中案例一的標準回歸結果制作為表格，如表所示。VariableCoefficientStd.Errort-StatisticProb.F0.7800030.01979939.395530.0000C2.4794400.11580721.410170.0000R-squared0.982279Meandependentvar6.954833AdjustedR-squared0.981646S.D.dependentvar0.909297S.E.ofregression0.123190Akaikeinfocriterion-1.285839Sumsquaredresid0.424921Schwarzcriterion-1.192426Loglikelihood21.28759F-statistic1552.008Durbin-Watsonstat0.563528Prob(F-statistic)0.000000 線性回歸模型OLS估計結果的案例解釋與操作 本節仍然沿

2．回歸殘差的檢驗操作與解釋

下面對5.1案例回歸結果進行殘差檢驗操作，其中多元回歸結果的殘差檢驗操作與一元回歸的操作沒有任何差別。

（1）在Equation方程對象窗口工具欄中依次選擇View|ResidulTests|CorrelogramQ-statistics，打開如圖5.20所示的方程對象窗口。 2．回歸殘差的檢驗操作與解釋（2）在Equation方程對象窗口工具欄中依次選擇View|ResidulTests|SeriesCorrelationLMtest，打開如圖5.21所示的方程對象窗口。（2）在Equation方程對象窗口工具欄中依次選擇View

（3）在Equation方程對象窗口工具欄中依次選View|ResidulTests|Histogram-NormalityTest，打開如圖5.22所示的方程對象窗口。 （3）在Equation方程對象窗口工具欄中依次選Vie（4）在Equation方程對象窗口工具欄中依次選View|ResidulTests|HeteroskedasticityTest，打開如圖5.23所示的方程對象窗口。（4）在Equation方程對象窗口工具欄中依次選View|含虛擬變量的線性回歸模型的OLS估計前面兩節介紹的線性模型中的解釋變量都是可以連續取值的定量變量，但是在建立回歸模型的過程中，因變量不僅僅會受到連續的解釋變量影響，而且會受到某些非定量解釋變量的影響，如性別、學歷、民族、季節等等。這些表示某種特征存在或不存在的變量就是定性變量，我們采用虛擬變量進行定義。

背景知識

定性變量通常表示某種特征是否存在，如是否為男性、是否是春季、是否是文化大革命時期等等，因此在計量經濟中量化定性變量的方法是取值0或1。一般可以用1表示該變量特征的存在，而用0表示該特征不存在。這種取值為0或1的變量稱作虛擬變量，用D（Dummy）表示。

虛擬變量的賦值方法：當一個定性變量含有M個類別時，應該向模型中引入M-1個虛擬變量。其中，把虛擬變量取值為0的類別稱作基礎類別。含虛擬變量的線性回歸模型的OLS估計前面兩節介紹的線性模型中將虛擬變量設定在回歸模型中主要有三個作用：用虛擬變量測量截距的變動；用虛擬變量測量解釋變量系數的變動；用虛擬變量測量斷點。

測度截距的變動

測度解釋變量系數的變動

測度斷點將虛擬變量設定在回歸模型中主要有三個作用：用虛擬變量測量截距

虛擬變量設定的EVIEWS操作

由于含虛擬變量的線性回歸模型與一般的線性回歸模型在變量輸入、樣本設定、估計方法的選擇等方面沒有任何差異，僅僅對于虛擬變量如何設定及如何解釋方面有所差異。

虛擬變量在Eviews序列對象中就是取值為0和1的序列。因此，虛擬變量的定義與普通變量的路徑相同：在workfile窗口的工具欄中依次點擊Object|NewObject打開NewObject對話框，選擇series并進行命名。定義新序列后，根據該虛擬變量要表示的屬性特征是否存在來賦值0和1，一般情況下如果某特征不存在則賦值為0，存在賦值為1。 虛擬變量設定的EVIEWS操作 由于含虛擬變量的線性回含虛擬變量線性回歸模型OLS估計的案例操作

由于虛擬變量在測度結構突變中最為常用并且更具有代表性，同時測度結構突變實際上是對第一種（測度截距變動）和第二種（解釋變量系數變動）的綜合運用，因此我們在下面的案例分析中，將重點對虛擬變量的第三種應用進行討論和講解，從而整體上涵蓋了虛擬變量的三種應用。

案例問題的描述與數據準備

對我國經濟增長和發展非常重要的三家馬車中出口具有獨特的作用，出口不僅貢獻了我國三分一的GDP，而且大量的出口企業解決了各地的就業問題。同時，我們更為關注的2001年底我國加入WTO世界貿易組織對我國出口形成了一個結構性的影響和沖擊。本節通過對我國出口序列的觀察，利用一個簡單的線性回歸模型來擬合這個序列，借助虛擬變量來測度這個結構斷點，借此來說明虛擬變量的應用。為了說明虛擬變量在測度結構突變方面的作用，本文設定一個含虛擬變量的線性回歸模型。建立的總體回歸模型如下式所示：export=c+β1t+β2(t?2002)?D+ε含虛擬變量線性回歸模型OLS估計的案例操作 由于虛擬變量在第六章模型的診斷和修正第六章模型的診斷和修正

應用普通最小二乘法時要求模型的隨機誤差項必須滿足：

（1）無偏性假定。即所有隨機誤差項的期望為0

（2）同方差性假定。即所有隨機誤差項的方差相等

（3）無序列相關性假定。即隨機誤差項之間無序列相關性

（4）解釋變量與隨機誤差項相互獨立。即解釋變量X為非隨機變量

（5）正態性假定。即隨機誤差項服從均值為0的正態分布。

在此基礎上估計的參數才是最優線性無偏估計量。

但在實際操作處理過程中，這些基本的假定條件不一定滿足，這使得模型無法應用OLS方法估計或運用OLS方法得到的估計量不具備最優線性無偏的特點。因此在建立模型后，需要檢驗隨機誤差項是否符合OLS的假設條件。如果不符合，則需要對估計方法進行改進和修改。應用普通最小二乘法時要求模型的隨機誤差項必須滿足：

異方差與加權最小二乘法

內生變量問題與兩階段最小二乘法（TSLS）

自相關問題及廣義最小二乘法（GLS）Chow穩定性檢驗異方差與加權最小二乘法異方差與加權最小二乘法當回歸模型中的隨機誤差項不滿足假設條件中的同方差性假定時，則稱模型的隨機誤差項存在異方差性。當模型存在異方差問題時，最常用的處理方法是使用加權最小二乘法（WeightedLeastSquare，WLS）。

1.異方差的含義

在一元線性回歸模型中，如果u的方差是隨解釋變量變化的量，則稱此時隨機誤差序列存在異方差。

在多元線性回歸模型中，如果u的方差協方差矩陣主對角線的元素不相等，則表明存在異方差。

2.異方差的后果

異方差有遞增型、遞減型和條件自回歸型三種類型。通常是解釋變量值的變化引起被解釋變量的差異性變化。

存在異方差問題時，利用OLS方法估計的參數仍具有無偏一致性，但不再具有有效性，即：異方差條件下的估計系數的方差不等于最小二乘估計方法下的最小方差，所以不具備有效性。異方差與加權最小二乘法當回歸模型中的隨機誤差項不滿足假設條件異方差與加權最小二乘法3.異方差的常用檢驗方法

（1）作圖分析法

圖形能夠比較直觀表現出變量之間的關系。利用時間序列圖、散點圖以及殘差序列對解釋變量的散點圖可以直觀的對模型否存在異方差進行初步判斷。

（2）懷特檢驗

懷特檢驗通過OLS估計求得殘差的估計值，然后利用殘差估計值的平方與解釋變量及其交叉項輔助回歸式，得到擬合優度，從而構建統計量進行檢驗。

懷特檢驗的原假設為原回歸模型不存在異方差，被擇假設為原回歸模型存在異方差。異方差與加權最小二乘法 （1）作圖分析法異方差與加權最小二乘法

（3）其他異方差檢驗方法

其他的異方差檢驗方法其原理同懷特檢驗基本相同，只是構造的輔助方程的具體形式不同。

4.異方差形式已知時的模型處理方法-加權最小二乘法（WeightedLeastSquare，WLS）

加權最小二乘法是通過每個變量乘以一個權重序列消除異方差影響，進而進行OLS估計獲得估計值的方法。

5.異方差形式未知時的模型處理方法-White異方差一致協方差估計

當異方差形式未知時，無法使用加權最小二乘法（WeightedLeastSquare，WLS）消除異方差，此時需要采用White異方差一致協方差估計。異方差與加權最小二乘法 （3）其他異方差檢驗方法

異方差檢驗及修正的EViews操作

利用EViews軟件對相應模型進行了OLS估計之后，可在方程估計的結果窗口進行異方差檢驗的EViews操作。

1.繪制散點圖檢驗

通過繪制自變量與殘差的散點圖，可以直觀的判斷是有存在異方差。進行了OLS回歸后，選擇EViews主窗口的Quick|Graph命令，輸入要進行繪圖的自變量序列名和殘差序列名（Resid），在繪圖類型中選擇散點圖（Scatter），最后單擊確定鍵即得到自變量與殘差的散點圖。如果隨著自變量的逐漸增大，殘差波動幅度變化較大則表明存在比較明顯的異方差特征。 異方差檢驗及修正的EViews操作

2.懷特檢驗、戈列瑟檢驗等檢驗的EViews操作

（1）在方程對象窗口選擇進行異方差檢驗命令

依次選擇方程對象窗口View|ResidualTests|HeteroskedasticityTests命令，彈出異方差檢驗設置對話框。 2.懷特檢驗、戈列瑟檢驗等檢驗的EViews操作 （

（2）選擇異方差檢驗方法

對話框的Testtype選項用于選擇進行的檢驗名稱，同時會在右方顯示其構造輔助回歸式的方法。之后單擊OK鍵輸出檢驗結果。英文名稱中文名稱Breusch-Pagan-Godfrey布羅什-帕干-古德弗雷檢驗Harvey哈維檢驗Glejser戈列瑟檢驗ARCH自回歸條件LM檢驗White懷特檢驗CustomTestWizard用戶自主設定檢驗 （2）選擇異方差檢驗方法英文名稱中文名稱Breusch-

（3）輸出檢驗結果

F-statistic是輔助方程整體顯著性的F統計量；Obs*R-squared是懷特檢驗的統計量，通過比較Obs*R-squared的概率值和顯著性水平可以對方程是否存在異方差進行判斷。

圖示的懷特檢驗結果中Obs*R-squared的概率值小于顯著性水平0.05，則拒絕原假設，方程存在異方差。 （3）輸出檢驗結果 F-statistic是輔助方程整

3.加權最小二乘法（WeightedLeastSquare，WLS）的操作步驟

處理異方差最常用的方法是加權最小二乘法，其具體操作如下：

（1）新建權重序列w

在工作文件主窗口依次選擇Object|GenerateSeries命令，彈出GenerateSeriesbyEquation對話框。EnterEquation輸入框用來定義權重序列w的公式表達式。最后單擊OK鍵就生成了權重序列w。 3.加權最小二乘法（WeightedLeastSq

（2）進行加權最小二乘法估計

單擊EViews主菜單中Quick|EstimateEquation命令，在彈出的方程定義對話框中的Sepcification選項卡中輸入原模型表達式。選擇方程定義對話框Option選項卡，在LS/TSLSoptions選項組中，勾選WeightedLS/TSLS選項，并在Weight后輸入權重序列名稱。設定完成后單擊確定鍵輸出結果。 （2）進行加權最小二乘法估計

4.White異方差一致協方差估計操作步驟

White異方差一致協方差估計操作與OLS估計步驟基本相同。

首先在EViews主窗口依次選擇Quick|EstimateEquation命令。然后在EquationSpecification對話框中的Specification選項卡中設定公式，在options選項卡中勾選heteroskedasticityconsistentcoefficientcovariancce選項并勾選White項。

單擊確定按鈕，輸出結果。 4.White異方差一致協方差估計操作步驟 Whit

異方差檢驗及修正的案例操作

案例6.1問題的描述

有凱恩斯理論可知，國民生產總值=投資+最終消費（消費+政府支出）+凈出口。因此最終消費是構成國民生產總值的重要組成部分。

本節構造了消費和國民生產總值的線性模型，分析了模型中的異方差問題及修正方法。

數據文件記錄了從1978年至2007年的我國國民生產總值和最終消費的相關數據，單位為億元。案例的數據來源于《中國統計年鑒》。

1．對模型進行OLS估計

2．繪制散點圖檢驗異方差

3. 進行異方差懷特檢驗

4．運用加權最小二乘法修正異方差 異方差檢驗及修正的案例操作 有凱恩斯理論可知，國民生

內生變量問題與兩階段最小二乘法（TSLS）

最小二乘法要求解釋變量與隨機誤差相互獨立，如果解釋變量與隨機誤差項不相互獨立，模型就存在內生性問題。 內生變量問題與兩階段最小二乘法（TSLS）

1.內生性的含義及后果

當解釋變量與隨機誤差不相互獨立時，我們稱模型存在內生性問題。引起內生性問題的原因通常有忽略了重要的解釋變量、變量之間存在聯立性、變量存在測量誤差等等。

內生性使得模型不能滿足OLS的基本假設，對模型進行OLS估計得到估計量是有偏且不一致的。

2.內生性的解決方法-兩階段最小二乘法（TSLS）

模型存在內生性問題時，需要尋找一組工具變量（InstrumentVariable）以消除解釋變量和隨機誤差項之間的相關性。選擇的工具變量應當與解釋變量高度相關但與隨機誤差項無關，且工具變量的個數應大于等于模型需要估計的系數個數，以保證模型的可識別要求。

兩階段最小二乘法估計的第一階段是利用原模型解釋變量對工具變量進行最小二乘法估計，得到解釋變量的擬合值。第二階段利用第一階段得到的解釋變量擬合值對原模型進行最小二乘估計從而得到模型的估計值。這樣可以消除內生性影響，獲得較為準確的模型估計值。 1.內生性的含義及后果

解決內生性問題的EViews操作

案例6.2用以講解兩階段最小二乘法的操作。

構建一個回歸模型Inv=α+βGDP+u，用以研究國民生產總值（GDP）對投資（Inv）的影響。由國民生產總值公式可以看出投資是構成國民生產總值的組成部分，因此在研究時GDP變量就成為一個內生變量，模型就存在內生性問題。因此我們需要引入工具變量對模型進行兩階段最小二乘法進行模型估計。

案例數據文件記錄了從1978年至2008年的我國國民生產總值和投資的相關數據，單位為億元。

1．將數據導入工作文件

2．選取工具變量

3．進行兩階段最小二乘法TSLS估計 解決內生性問題的EViews操作 構建一個回歸模型I自相關問題及廣義最小二乘法（GLS）當回歸模型中的隨機誤差項不滿足假設條件中的互相不相關假定時，稱模型的隨機誤差項存在自相關。

1.自相關的含義及影響

隨機誤差項的協方差不等于零時，表明隨機誤差項存在自相關。自相關在經濟時間序列中較為多見，常常是由于經濟變量的滯后性帶來的。自相關最常見的形式就是隨機誤差項的一階線性自回歸形式。

當隨機誤差項存在自相關時，最小二乘估計量具有無偏性但不具有有效性，同時會造成顯著性檢驗和預測失效。自相關問題及廣義最小二乘法（GLS）當回歸模型中的隨機誤差