经典线性回归模型的Eviews操作

1、经典线性回归模型经典回归模型在涉及到时间序列时，通常存在以下三个问题：1） 非平稳性 adf单位根检验 n阶单整 取原数据序列的n阶差分（化为平稳序列）2） 序列相关性d.w.检验/相关图/q检验/lm检验n阶自相关自回归ar(p)模型修正 3） 多重共线性相关系数矩阵逐步回归修正注：以上三个问题中，前两个比较重要。整体回归模型的思路：1）确定解释变量和被解释变量，找到相关数据。数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。2）把excel里的数据组导入到eviews里。3）对每个数据序列做adf单位根检验。4）对回归的数据组做序列相关性检验。5）对所有解释变量做多重共线性检验。

2、6）根据上述结果，修正原先的回归模型。7）进行模型回归，得到结论。eviews具体步骤和操作如下。1、 数据导入1） 在excel中输入数据，如下：除去第一行，一共2394个样本。2） eviews中创建数据库： filenewworkfile, 接下来就是这个界面（2394就是根据excel里的样本数据来），ok3） 建立子数据序列 程序：data x1 再enter键就出来一个序列，空的，把excel里对应的序列复制过来，一个子集就建立好了。x1是回归方程中的一个解释变量，也可以取原来的名字，比如lnfdi，把方程中所有的解释变量、被解释变量都建立起子序列。2、 adf单位根检验1） 趋势

3、。打开一个子数据序列，先判断趋势：viewgraph，出现一个界面，ok。得到类似的图，下图就是有趋势的时间序列。2） adf检验。直接在图形的界面上进行操作，viewunit root test，出现如下界面。在第二个方框内根据时序的趋势选择，intercept指截距，trend为趋势，有趋势的时序选择第二个，ok，得到结果。上述结果中，adf值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。若大于5%，则存在单位根。按照这个做法将所有的序列都操作一遍。3） 修正。倘若原序列存在单位根，就对原序列进行一阶差分。 程序：genr dx1=d(x1) enter键后，evi

4、ews里会自动生成子序列dx1，x1只是解释变量，可以自己命名。再对该一阶差分序列进行adf检验，若所得均显著，即为一阶单整序列，此序列不存在单位根。按照一阶单整序列建立模型，模型的数据序列是平稳的。3、 模型回归 程序：data y x1 x2 y是模型的被解释变量，后面的解释变量随模型的具体情况而定。 enter键，出来一个数据组合，我这里dx11做为被解释变量。 接下来是回归的操作。 点击proc/make equation，出来界面，直接点确定。其中，dx11是被解释变量，其余都为解释变量。得到结果，形式如下。结果说明：coefficient是每个解释变量对应的系数，第四列是t统计值，

5、最后一列是伴随概率。r-squared是拟合优度，下面那个是调整的拟合优度。分析时遵循下列原则：<1>模型总体拟合优度r2，一般而言50%以上就很好。这个说明的是方程解释变量总体对被解释变量的解释力度好，即你的模型建立的比较正确。f值和此类似，判断方法和t统计值的一样，看伴随概率。<2>系数。看t值和伴随概率，如果伴随概率小于自己设定的显著性水平（1%、5%、10%），则拒绝原假设，说明该一个解释变量对被解释变量有显著的贡献度。注：r2看的是整体（所有解释变量），t注重的是单个解释变量的贡献度。四、序列相关性检验序列相关性指的是模型回归后产生的残差序列（resid序列）

6、具有自相关性，即前一个时间段的残差对现今的残差有影响，因此需要进行修正。方法有下列4种：d.w.统计量检验，相关图，q检验，lm检验。可随机选一种，但要注意：d.w.检验法方便但比较粗糙，而且只能针对一阶自回归，无法进行高阶自回归的验证和模型自带滞后项的验证。lm检验能克服以上问题。另外，相关图和q检验也较常用。1） d.w.检验只针对一阶自相关dw值直接在模型回归结果中显示，下述红色值。sample (adjusted): 2 5957included observations: 5956 after adjustmentsvariablecoefficientstd. errort-sta

7、tisticprob.  dx10.9638650.006527147.67940.0000dx20.0069640.0018683.7273610.0002dx30.0020060.0013651.4699240.1416dx130.0048760.0011014.4305840.0000dx40.0241390.0065763.6708630.0002c1.01e-064.96e-060.2037370.8386r-squared0.994890    mean dependent var6.02e-05adjusted r-sq

8、uared0.994886    s.d. dependent var0.005341s.e. of regression0.000382    akaike info criterion-12.90144sum squared resid0.000868    schwarz criterion-12.89470log likelihood38426.50    hannan-quinn criter.-12.89910f-stati

9、stic231679.7    durbin-watson stat2.398212prob(f-statistic)0.0000002） 相关图与q检验在模型回归后的界面上进行操作，viewresidual diagnosticscorrelogram-q-statistics弹出对话框后直接ok，出现下述结果。ac代表自相关系数，pac表示偏自相关系数，判断模型是几阶自相关，看其ac和pac图形有多少超出区域，图中有临界值线，这张图不是很清楚。也可以观察q值和伴随概率，若小于5%就显著，拒绝原假设。但是，这个方法在一些模型结果中不太明显，所以不清楚的

10、时候进行lm检验比较直观。3） lm统计量检验 同样，在回归结果界面操作，viewresidual diagnosticsserial correlation lm test 弹出对话框，意在选择阶数，在不确定具体是几阶自相关时，可以一步一步来。 这是一阶的检验，结果中会给出resid(-1)的结果，且t统计值的伴随概率prob小于5%，即拒绝原假设（不存在自相关性），说明该模型存在自相关性。继续进行二阶的检验，重复上述操作，在对话框输入2，得到结果。仍然拒绝假设，再进行操作，直到resid（-n）的t值不显著。当进行到6阶的时候，resid(-6)的t值不显著，故该模型的自相关阶数为5阶。4

11、） 修正。对于自相关模型的修正，也有一系列方法，但是建立自回归模型ar(p)比较简单。操作如下，在原模型数据组界面进行操作，即进行简单回归的界面。 点击proc/make equation，出来界面，根据模型自相关阶数，进行修改如下。 在出来的结果中，可以看到模型的拟合优度r2有所提高，且模型的dw值接近2。一般而言，dw值为2时说明该模型不存在自相关性。（可与上面的结果比较）dependent variable: dx5method: least squaresdate: 04/29/15 time: 18:26sample (adjusted): 7 5957included observ

12、ations: 5951 after adjustmentsconvergence achieved after 4 iterationsvariablecoefficientstd. errort-statisticprob.  dx10.9606150.006150156.19740.0000dx20.0068040.0016324.1685340.0000dx30.0020380.0012441.6385560.1014dx130.0036910.0009673.8155730.0001dx40.0283100.0062444.5336680.0000c1.25e-0

13、62.96e-060.4220180.6730ar(1)-0.2491230.012972-19.204700.0000ar(2)-0.1965370.013365-14.705750.0000ar(3)-0.0841370.013549-6.2097730.0000ar(4)-0.0487470.013350-3.6514270.0003ar(5)-0.0410690.012971-3.1661960.0016r-squared0.995270    mean dependent var6.04e-05adjusted r-squared0.99526

14、2    s.d. dependent var0.005342s.e. of regression0.000368    akaike info criterion-12.97650sum squared resid0.000803    schwarz criterion-12.96413log likelihood38622.56    hannan-quinn criter.-12.97220f-statistic124979.4

15、    durbin-watson stat2.000095prob(f-statistic)0.000000inverted ar roots .32+.43i     .32-.43i  -.20+.50i-.20-.50i     -.49 这样回归出来的结果就自动进行了序列相关性的修正。做分析结果时，直接按照上述结果的系数就可以，不存在系数不可信的问题。五、多重共线性检验多变量的线性回归模型可能存在多重共线性问题，即模型的解释变量之间存在相关性，可通过相关系数矩阵进行检验。1） 相关系数矩阵建立解释变量的数据组，程序：data dx1 dx2 dx3 dx13 dx4enter键，跳出数据组。其中，dx1 dx2 dx3 dx13 dx4是我模型中的解释变量，其他模型视具体情况而定。点击quickgroup statisticscorrelations在弹出的对话框内输入需要进行相关关系检验的解释变量：dx1 dx2 d