第一章EViews基本操 新建一個工作文件（Creatinga 保存工作文件（Saving 工作文件（Loading 從鍵盤輸入數據（EnteringDataFromthe 外部數據文件導入（Spreadsheet 第二章基本數據分 第三章基本的單方程分 方程對象中的統計值（Regression 參數估計值的標準誤(Std. （3）t統計量(t- 相伴概率 概要性統計值（Summary （6）F統計量(F-Statistics)和相伴概率 回歸標準誤(StandardErroroftheRegression,S.E.of 似然值（Log 信息準則（Information 第四章EViews編程初 基本的數 數算 函 隨機數 第五章包含虛擬變量的回歸模 函數 第六章異方差 采用正確的OLS參數協方差矩陣估計 第七章時間序列分 HAC方 GLS方 平穩序列的BJ建 ARMA模型估 第八章混合數據模型初 混合數據對象（ThePool 第一章EViewsEViews提供復雜的數據分析、回歸分析和預測工具，可以應用于如下領域：科學數據分析和評估，金融數據分析，宏觀經濟預測，仿真，銷售預測和成本分析。EViews最開始1981年MicroTSP。EViews軟件利用了現代Windows軟件的可視化特點。你可以使用鼠標，通過標準的Windows菜單和框完成相關操作。同時，也可以利用EViews強大令行和批處理語1EViews命圖 這些狀態信息。中間部分是（默認）文件EViews默認尋找所需數據和程序的文件。接下來是默認數據庫和當前激活的工作文件。EViews的大部分操作都是在工作文件的基礎上完成的，因此工作文件構成了EViewspage 3種主要的方法可以建立一個工作文件。第三種方法比較復雜。我們首先介紹第法 4在圖4新建一個工作文件所示的框中，用戶需要根據實際數據的特點，指定工作文件的結構類型（workfilestructuretype，以及日期范圍（如果結構類型為日期型，即開始日期（startdate）和結束日期（enddate。Dated-regularfrequency（regular意味著數據集中每兩個樣本之間的時間間隔Eiews（frequencydate數1993:1,65:2如：1992:1,65:4,2002:3。如：1956:1,1990:11。[Daily7dayweeks]，即日度數據（weekday兩天，月:天:Annual19522006（5設定工作文件的數據頻率和樣本范圍。設置完畢后點擊ok按鈕即可。5（PageBalancedBalancedPanel是相對簡單的一種面板數據類型（UnbalancedPanel將在后續章節中加以介紹。之所以說它相對簡單是因為它的每個觀測時間序列數據的始點為1970年第一季度于2020年第4季度，有200個觀測，因此總共有的數據觀測個數，系統將自動從1開始依次為每個樣本觀測值分配整數型的標識代碼。方法一：直接打開外部數據文件，例如EXCEL文件，數據，并在EViews窗口中在圖6工作文件窗口顯示的工作文件窗口中，標題欄（TitleBar）顯示當前工作文件名字和所在磁盤文件。在標題欄下方的是按鈕欄（ButtonBar），這些按鈕為針對工作文按鈕欄下方顯示兩行狀態信息：“Range:1952Q11996Q4–180obs”和“Sample:1952Q1點擊選擇不同圍，雙擊“Range”字樣，就會打開一個標題為“Workfilestructure”框（如圖7改變工作文件的數據范圍所示。此后彈出的框可以修改工作文件的開始日期和結束日期。如果點擊選擇不同67框（如圖 改變當前樣本范圍所示。注意修改當前樣本范圍出工作文件的數據8在這兩行狀態信息行的右邊是一個顯示過濾器（DisyFilter，可根據需要設置篩選View→DisyFilter…，或者在狀態信息行中雙擊“DisyFilter*”字樣，可以打開對象過濾器（ObjectFilter）框。該框中上半部分是一個編輯框，用于輸入根據對象名稱進選掉一部分對象后，原來的“DisyFilter*”字樣會變更為“DisyFilter-*”字樣，提醒我們在工作文件窗口中間部分是顯示對象的工作文件（WorkfileDirectory，在普通模著不同的對象類型（在后續章節詳細介紹不同的對象類型。點擊工作文件窗口中的菜單View→NameDisy，可以選擇窗口中的對象名稱是以小letters擊View→Detail+/-，或者單擊按鈕欄中的Detail+/-，可以顯示有關對象的附加信息，View），點擊工作文件窗口主菜單View→Statistics如果需要切換回原來的顯示視圖（DirectoryDisyView，點擊View→WorkfileDirectory即可。如果第一次在工作文件點擊Save按鈕，可以選擇保存路徑，保存工作文件。或者點擊EViews主窗口中的菜單：File→SaveasFile→Save保存文件。文件不再出現該框。如果需要恢復，可以在EViews的主菜單中點擊Options→General可以利用EViews主窗口中的菜單：File→Open→Workfile一個先前已保存的工作序列對象窗口（如圖10在序列對象窗口中輸入數據。據。也可以直接數據進行粘貼操作，而勿需逐一進行輸入。910子數據表格式（也是最常用的數據文件格式。以Excel文件為例，步驟如下：File→Open→ForeignDataasWorkfile，可以直接將外部數據導入一個新建的工作file(*.xls)，此時彈出的窗口如下圖。11Excel上圖窗口中提供的選項主要是針對數據文件的形式。一般來說，EViews提供的默12EViewsoriented的。數據分析過的信息在對象中。EViews所有的工作都涉及到不同類型對象的使用和操作。對象則存放在對象容器（objectcontainer）中，而工作文件則是最重要的對在每一個新建的的工作文件中，系統都會自動生產一個系數向量對象（coefficientvector章節介紹。這里需要注意的是，EViews具有面向對象的風格，即許多數據處理都是以對象本，方程對象（equationobject）針對一組變量的關系測算。Pocedures，(以序列對象為例。序列對象通常用于存放我們需要處理的數據。EViews中的序列對象示數據序列內容（如圖13以數據表格形式展示數據序列。13一個M1對數值（而不是M1）的序列窗口。在打開已有對象后，在對象窗口菜單中點擊Name菜單，即可對對象進行重命名。Object→Copyobject…Object→CopySelected…，或者將鼠標移至選定的對象上，右鍵單擊鼠標，選擇Objectcopy…的對象，從工作文件窗口菜單中點擊Edit→Copy。接下來擊活目標工作文件，點擊Edit→Paste，或者點擊鼠標右鍵，選擇Paste。第二章seriesseries_name=雙擊打開序列對象（demo.wf1GDP序列，如果序列對象窗口顯示的不是如下圖，“DisyFormat…”，可彈出如下框單擊菜單“View→Graph…”，顯示以下“GraphOptions”框。該框可以設定不同Line&Symbol，點擊“確定”后，即可將數據序列用連線圖表現出來，顯示選擇View→DescriptiveStatistics&Tests→HistogramandStats，顯示序列的描述性統計值（如圖14數據序列的描述性統計值1411Mean，序列的樣本均值y

yiNN3MaxandMin分別指序列的最大值和最小值1Ni1NiN(y2i5、 1 yyS ( )，其中N 1 yyK ( N 于這個參照分布而言是尖的（尖頂峰度3，這個分布對于參照分布而言是JB統計量用于檢驗序列是否服從正態分布的檢驗統計值（檢驗對應的原假設為序于一個正態分布總體，否則沒有理由原假設。統計推斷所需要的統計量即JB統計量，它按以下計算：NS2K32JB 6 JB~22JBProbability（通常稱為相伴概率出了概率值Prob2JB，此例中即為Prob224.683000.000004，因此，EViews提供了按子樣本計算描述性統計值的工具。選擇“View→DescriptiveStatistics&Tests→StatsbyClassification”，出現以下框。序列對象窗口中，還可以進行簡單的假設檢驗。選擇“View→DescriptiveStatistics&Tests→SimpleHypothesisTests”，顯示以下“SeriesDistributionTests”框。H0:mH1:N算t統計量，這是我們在統計學課所熟知的統計量。Nt

~tNNNz

~N其中是我們指定的標準差。z 2N1s2~2N1demo.wf1中的gdpEViews中具強大的數算功能，可以處理很多數學表達式。通過數學表達式的運算在EViews工作文件中，點擊菜單條上的Genr按鈕，彈出如下框，在編輯框中按 圖圖15 在彈出的框中輸入你需要計算的，例如，計算國內生產總值(gdp)的對數值，生成一個名為log_gdp的序列對象。deleteobjects→Deleteseletedgroupgroup_name1gdpm1prgroupgroup_name2log(gdp)d(m1)prgroup_name2gdp的對數值、m1的一階差分、pr、rs四個序列View→DescriptiveStats&Tests，如下圖所示，可以選擇兩種方式計算序列對1617scalar幫助中 →User’sGuide→OperatorandFunctionReference→DescriptivescalarObjects→NewObjects→Matrix-Vector-Coef，輸入系數向選擇CoefficientVector。如圖18生成系數向量對象所示：18resultsgenr命令素的數值賦值為gdp序列的樣本均值。也可以利用修改系數向量對象量中元素的數值。例如，在命令欄中輸入注意，在生成系數向量的圖18生成系數向量對象中，涉及四個不同對象類型選項，2slope，并且把它作為二元線性回歸模型的參數進行估計，將估計得到的斜率項系數保存在slope中。coef(2)ls第三章菜單操作方式是在工作文件窗口中點擊Objects→NewObject→Equation，或者是在EViews主菜單中點擊Quick→EstimateEquation…，都會顯示以下窗口，標題為“Equation19形式。有兩種方法可以指定回歸方程，一種是列表方式（bylist，另一種是方式（byexpressionycx1 菜單中選擇“Open→Equation…”，或者任一選中的變量，在彈出的菜單中選擇輸入該編輯框中的字符可以是一個數學，可以是因變量，隨后依次為“=”字符，在標題為“EquationEstimation”窗口中，標有“Method”的下拉式菜單中選擇對模型進行估計的方法，系統默認的估計方法為“LS-LeastSquaresNLSandARMA)”，即普通最小二20OLS在上圖顯示的估計結果中，第一行信息“DependentVariable:SALARY”說明在這一估計結果中，模型被解釋變量名為“SALARY第二行信息“Method:LeastSquares”說明估計采用的方法是最小二乘方法，第三行信息“Date:03/25/10Time:16:01”給出估計結209第五行信息“Includedobservations:209”說明估計使用的樣本點個數（樣本容量）20901對方程的估計結果將會產生許多統計值，包括參數估計值、參數估計值的標準誤、t統0101Std.C保存為eq01的方程對象，如果想第1個參數估計值c(1)，對應的EViews命令為和賦給名字為sum的標量Scalar1 1seriesseriesyhat=eq01.回歸函數值，例如我們在剛生成并估計好eq01方程對象后，可以直接如下，series（3）t(t-（后續上機課講解（后續上機課講解1減去殘差平方和比總體平方擬合優度

SSEi表示殘差平方和，按以下u?2，其中殘差項為u?iyi?i?i為估計得到的樣本回歸函數值。相應的EViews命令如下：i1n表示被解釋變量的樣本均值，即y yi。相應的EViews命令如下n方程對象名(y2in(y2in 。相應的Eviews命令方程對象名（后續上機課講解隨機誤差項的（條件）方差2，即Varu|XVaru2

i，ink

方程對象名（后續上機課講解（后續上機課講解（后續上機課講解除了輸出結果表中出現的統計值外，EViews還為我們處理的與方程對象相關的統序列，可以點擊方程對象窗口中的“View→Actual,Fitted,Residual”，在隨后出現的下拉式resid的序列對象進行操作。但是這樣做的缺點resid保存的是最近一次估計得到的方程的殘差序列，它會因為估計不同的resid進行操作容易出錯。因而要想對某一特定的方序列對象中，可以按如下格式書寫：方程對象名.makeresid新的序列對象名。例如，將上述eq01eq01_resEViews命令如Eq01.makeresid命令行方式直接這些統計量。以下歸納了這些統計量的函數表達式。F第i個個參數估計值的tEViewsEviews中數算的順序是：從左到右，按優先級從高到低計算。求冪乘、除例如：Genry=3Genry= Genry= @mean 在Eviews令行窗口中輸入genrz=@mean(gdp)，單擊回車即可執行果，在工作文件中生成一個10維的系數向量對象，命名為normprob。的隨量小于給定值的概率值。相應的Eviews函數為：@cnorm(x)。 orm orm函數為@qnorm(p)，可以求滿足probzx給定概率值x。例如：Eviews中正態分布的概率密度函數為@dnorm(x)Eviews中生成滿足正態分布的樣本數據的函數為@rnormnrndEviews可以計算其它分布類型的累積分布函數、概率密度函數、分位數函數和隨機數series用了控制變量作為替代變量，運行的結果即命名為y1，并利用隨機數函數nrnd，即IF語句是條件執行語句，也是許多計算軟件中常見的控制語句之一。IFif關鍵thenendifendif之前elsethenelseelseednif之間的語句。如果不包括else語句，在表達式為情況下，EViews將略過所有語句。最后以endif結束。if一個典型的for語句示例如下，for!i=1to500step1seriesy!i=nrnd象，并產生標準正態分布隨機數對序列中的元素賦值。這樣，當循環結束時，會產生500EViews提供的自動分類函數（AutomaticCategoricalDummyariables，@expand，可以幫助我們根據抽樣對象的不同分類屬性將對象劃分成不同的群體。以wage1.xls（曾于第一次上機提供）為例，抽樣對象的屬性用虛擬變量female度量（取值為1對應女性，已婚、已婚女性，這四類不同群體取決于以上兩個虛擬變量不同取值的組合。以下EViews命令生成一個組對象，其中包括四個序列對象，分別對應這四類群體。groupg1@expand(female,暫且記為unmarr_male

marr_male

unmarr_female

marr_female

，即可得到式lwagec@expand(female,married,@dropfirst)educexperexpersqtenureseriesseriesfeb=@seas(2)seriesmar=@seas(3)seriesapr=@seas(4)seriesmay=@seas(5)seriesjun=@seas(6)seriesjul=@seas(7)seriesaug=@seas(8)seriessep=@seas(9)seriesoct=@seas(10)series否則為0，其它序列對象依此類推。文件最后一頁為例，在生成方程對象窗口“equationestimation”中，除了指定因變量和自SquaresNLSandARMA)”改為“BINARYBinaryChoiceLogit,Probit,ExtremeValue)”，ViewResidualDiagnosticsHeteroskedasticityTest…，出現CLM假定情況下，OLSVarb|XEbb XX1X2IX2如果經典假定放寬，允許隨機誤差項中存在異方差或自相關性，那么上述OLS差矩陣稱為懷特異方差一致性協方差估計（Hetero-skedasticityConsistentCovarianceEstimator），后一種情形稱為異方差自相關一致協方差估計（Hetero-skedasticityandAutocorrelationConsistentCovarianceEstimator，簡稱HAC）Newey-West估計。在指定方程形式的框中，點擊Options，出現以下框。在左上角部分，有一標下OLS參數估計量的方差 w OLSyt??x?xu?，得到殘差序列u? 1 k 在EViews中可以通過相應的菜單命令以更快捷的方式完成，方法是在估計yt??x?xu?的方程對象窗口中點擊View→ResidualDiagnostics 1 k ,Breusch-GodfreySerialCorrelationLM Prob. HAC在時對協方差矩陣的修正，稱為異方差自相關一致協方差估計（Hetero-skedasticityand在左上角部分，有一標題為“Coefficientcovariancematrix”的下拉式菜單，有三個選項，分White((即應用Newey-West方法進行修正。Method:LeastSquaresDate:06/03/10 Sample:1131Includedobservations:HACstandarderrors&covariance(Bartlettkernel,Newey-Westfixedbandwidth=5.0000)Std.CMeandependentS.D.dependentS.E.ofAkaikeinfoSumsquaredSchwarzLogGLSlchnimpclchempilgaslrtwexbefile6affile6afdec6ar(1)ar(2)ytyt1H01H1:1H0:10為了考慮yt中可能存在的序列相關，引入ytpyt(1)yt1iytipyt(1)yt1iytipytt(1)yt1 iytiADFHADFH:p平穩差模型p=1,ADFH:bADFH:p差模型p=1,ADFH:aADFH:p平穩模型不差不不不絕不絕以講義中78頁1959年-1995年實際GDP的單位根檢驗為例，檢驗其對數值序列在框中左上角部分“TestType”中選擇“AugmentedDickey-Fuller”即增強型DF檢統計量向左超出臨界值，至少在1%的顯著性水平上向左超出臨界值。因此實GDPI(1)性檢驗方法檢驗是否為平穩序列，然后依據自相關圖和偏自相關圖來判斷的。AR、MA和ARMA模型具有不同的自相關和偏自相關模式，通過計算時間序列數據的自相關和偏自相Auto-CorrelationFunction,PACF）以及由此而得的相關圖（Correlograms）ytut1ut12ut2qutrkE(ytkyt2(12

22 當k u2(k1k1qkq 當1k0 當k0注意Eu0，Varu2，Eu 0，k1,,p，因此有Ey tt ytut1ut12ut2qutqytkutk1utk12utk2qutkutk1ut1k2ut2kqutqkrkE(ytkyttt

t

t

t

tq當k0

Eu

2t2

t

qutqt當1kqrku2(k1k1qkqtkqt

tqk

和u

t

t

t

ttrk0（tt

tqk

uttt

t

t

t

中u項都是t或t以前的點，因此不存在同類項kk11(

當k 1k qk 當1k (12

2q2當k數）k0ytytk不相關。yt1yt12yt2pytprkE(ytkytE(1ytk12ytk2pytkp)1rk12rk2prkrkEytkytrkEytkytEysyskEyskysstkrk

k

kk01121p2112p

p1p12p2p1kkp。同時也可以求u2Varu EutEy 1t

t

ttEytijytiytjEyt1yt12yt2pytpE1yt12yt2pytpyt

r Eytijt

t

j i

jp

ijrji2i 當p=0時，ARMAp,q 當q=0時，ARMAp, yt1yt12yt2pytput1ut12ut2qut rkE(ytk Ey 1tk 2tk ptk t 1tk 2tk qtkryu(k)E(ytutk 當k uk當kk0EytutkE(utkyt)E(usysk)~k0kk~ryu(k)

kEykt

yu yu ku 11ryu

2ryu(

pr( k1 ~p2) 21ryu( 2ryu(

pryu( k1~~ r

p1)r

p2)r(~pP)~2 1 2 p k1k不斷遞歸下去，最后只剩下由、和2決定的表達式，記為2 1rk12rk2prkkrk

k

k

AR(k)yt1yt12yt2k1ytk1kytkut后者比前者增加了一個滯后變量ytk。kkjkj個回歸系數ytk1,1yt1k1,2yt2k1,k1ytk1ytk,1yt1k,2yt2k,k1ytk1k,kytk 在p以 當1jpkppkj 當j打開序列對象窗口，點擊View→Correlogram，即可計算各階樣本自相關CorrelationACLGNP的單位根檢驗結果表明該序列為I(2)，則d2。ViewResidualDiagnosticsCorrelogramQ-statistics

n(n k1n

（白噪聲序列型可以預測1993年第4季度的數據。打開方程對象窗口，點擊Forecast，彈出以下框靜態方法預測，即在模型右邊出現自變量的值為實際觀測值。預列命名為lgnpf，打開lgnp19934季度不同外（一個實際觀測值，一個是預測值RootMeanSquaredError、MeanAbsoluteErrorMeanAbs.PercentError是衡量預測誤差的三個常用的指標。數據越Actual:LGNPIncludedobservations:1 ?2混合數據對象（Pool對象）混合了時間序列數據和橫截面數據，具有類似組對象和方EViews中創建一個混合數據對象最直接的方法是在工作文件窗口中點擊Object→NewObject…→Pool，在彈出的編輯框中輸入截面標識（CrossSectionIdentifiers，每個標識可用空格、Tab鍵和換行字符分隔開來。需要注意的是，混合數據對象只是描述了在框中輸入：“gdppc?cpc?yeard1979d1980d1981d1982d1983d1984d1985d1986d1987d1988d1989d1990d1991d1992d1993d1994d1995d1996d1997d1998d1999d2000d2001d2002d2003d2004d2005d2006d2007d2008d2009d2010”+/-打開混合數據對象窗口，點擊“Edit+/-DependentVariable:CPC?Date:11/27/11 Time:17:22Sample(adjusted):1978Includedobservations:33afteradjustmentsCross-sectionsincluded:31Totalpool(unbalanced)observa