高铁梅老师的EVIEWS教学课件ppt课件

1、 本章描画了对一个一方程进展预测或计算拟合值的过程。这里描画的技术是利用经过回归方法估计得到的方程来进展预测。其他专门技术，如ARCH方法估计方程的预测在十六章中给以讨论。用指数平滑法进展时间序列预测在第七章做了引见，用联立方程估计的模型进展预测在二十三章引见。 为阐明一个被估计方程的预测过程，我们从一个简单的例子开场。假设我们有1947:011995:01年美国国内消费总值GDP、消费CS和投资INV，这些数据包含在任务区间为1946:011995:4的任务文件14-1中。 我们运用1947:011995:01这段时期的数据，估计GDP对常数、CS和INV的回归，并用AR(1)修正残差序列相

2、关，用该模型预测GDP。估计得到的方程结果由方程对象eq-gdp给出： 留意该估计样本的观测值做了调整，以解释该模型在推导AR(1)估计时运用的滞后内生变量的一阶差分。 为了对该模型的结果有清楚的认识，选择View/Actual, Fitted, Residual，然后选择Actual, Fitted, Residual Graph： -80-400408010002000300040005000600050556065707580859095ResidualActualFitted 该图的上半部分绘出的实践值和拟合值现实上难以区分。但这里的拟合值不能保管。只需在运用EViews的预测程序计算

3、因变量的拟合值时才可以保管。 一、如何进展预测一、如何进展预测 为预测该方程的GDP，在方程的工具栏中按Forecast按钮，或选择Procss/ Forecast 。这时会出现下表： 我们应提供如下信息： 1、序列名 预测后的序列名 将所要预测的因变量名填入编辑框中。EViews默许了一个名字，但可以将它变为恣意别的有效序列名。这个名字应不同于因变量名，由于预测过程会覆盖已给定的序列值。 S.E.Optional 假设需求，可以为该序列的预测规范差提供一个名字。假设省略该项，预测规范误差将不被保管。 GARCHOptional 对用ARCH估计的模型，还可以保管条件方差的预测值GARCH项。

4、见16章对GARCH估计的讨论。 2 2、预测方法、预测方法 可以在如下方法中进展选择：可以在如下方法中进展选择： 动态动态DynamicDynamic 从预测样本的第一期开场计算多步预从预测样本的第一期开场计算多步预测。测。 静态静态StaticStatic 利用滞后因变量的实践值而不是预测值利用滞后因变量的实践值而不是预测值计算一步向前计算一步向前one-step-aheadone-step-ahead预测的结果。预测的结果。 还可以做如下的选项：还可以做如下的选项： 构造构造StructuralStructural 预测时预测时EViewsEViews将忽略方程中的任何将忽略方程中的任何

5、ARMAARMA项。假设不选此项，在方程中有项。假设不选此项，在方程中有ARMAARMA项时，动态与静态方法项时，动态与静态方法都会对残差进展预测。但假设选择了都会对残差进展预测。但假设选择了StructuralStructural，一切预测都会，一切预测都会忽略残差项而只对模型的构造部分进展预测。忽略残差项而只对模型的构造部分进展预测。 样本区间样本区间Sample rangeSample range 必需指定用来做预测的样本。必需指定用来做预测的样本。假设缺选，假设缺选，EViewsEViews将该样本置为任务文件样本。假设指定的样本将该样本置为任务文件样本。假设指定的样本超出估计方程所运

6、用的样本区间估计样本，那么会使超出估计方程所运用的样本区间估计样本，那么会使EViewsEViews产生样本外预测。产生样本外预测。 留意：需求提供样本外预测期间的解释变量值。对静态预测，留意：需求提供样本外预测期间的解释变量值。对静态预测，还必需提供滞后因变量的数值。还必需提供滞后因变量的数值。 3 3、输出、输出 可以选择以图表或数值，或者二者同时的方式来察看预测值。可以选择以图表或数值，或者二者同时的方式来察看预测值。只需当预测样本中包含因变量的观测值时，才可以得到预测估计值。只需当预测样本中包含因变量的观测值时，才可以得到预测估计值。 假设在样本区间假设在样本区间1947:011995

7、:011947:011995:01间对间对eq-gdpeq-gdp进展动态预测。进展动态预测。预测值放在序列预测值放在序列GDPFGDPF中，中，EViewsEViews将会显示预测曲线和加减两个规范将会显示预测曲线和加减两个规范差的带状域以及预测的估计值。差的带状域以及预测的估计值。 留意：预测值被保管在GDPF序列中。由于GDPF序列是一个规范的EViews序列，所以可以利用序列对象的一切规范工具来检验预测结果。 我们可以经过绘出曲线图来检查实践值与拟合值。这是从1947:02到1995:01整个时期上的动态预测。对每个时期，前一个GDP(-1)的预测值在构成后期的GDP预测值时被运用。留

8、意，实践值与拟合值图形的细微差别： 要对一个序列进展一步向前预测静态预测，单击方程工具栏中的Forecast键，然后选择Static进展预测。EViews将显示预测结果为： 我们可以比较GDP的实践值和动态预测拟合值GDPFD、静态预测拟合值GDPFS，可以看出一步向前静态预测比动态预测要更为准确，由于对每个时期，在构成GDP的预测值时运用的是GDP(-1)的实践值。 EViews将预测结果在Forecast name项命名并存储。我们把该序列称为预测序列。 预测样本中指定了EViews将计算出的拟合值和预测值的结果期间。假设出现不能预测的情况，将返还缺失值NA，在有些情况下，为了防止含有缺失

9、值的预测，EViews会自动进展缺失值调整。值得留意的是预测样本能够与估计方程所运用的样本察看值发生重叠，也能够没有重叠。 对于没有包含在预测样本中的数值，会有两种选择。作为缺省，EViews将用其因变量的实践值充填，另一种是不选择Insert actuals for out-of-sample，预测样本外的数值将都赋予“NA。于是，这些规那么的结果是被预测序列中的一切数据在预测过程中将被覆盖，被预测序列的已存值将会丧失。 一、计算预测值一、计算预测值 对预测样本中的每一察看值，EViews利用估计参数、等式右边的外生变量、以及滞后内生变量和残差的实践值或估计值来计算因变量的拟合值。构造预测值

10、的方法取决于估计模型和用户设定的环境。 为阐明预测过程，我们从一个简单的线性回归模型开场，等式右边不含滞后内生变量和ARMA项。假设给出如下方程列表，并做出估计： y c x z 选择Forecast，给定预测期间，然后单击 OK。对预测期内的每一察看值，EViews将用估计出的参数和回归因子x , z的对应值计算y的拟合值：tttzcxccy)3( )2( ) 1 ( 对预测期内的一切观测值，应该确保等号右边外生变量的值有效。假设外生变量预测样本有数据丧失，对应的预测值将为NA。 二、缺失值调整二、缺失值调整 预测值被赋值为预测值被赋值为NANA有两种情况：有两种情况： 1 1、只需有一个解

11、释变量有缺失值；、只需有一个解释变量有缺失值； 2 2、只需有一个解释变量的样本超出了任务文件的范围，这还包括、只需有一个解释变量的样本超出了任务文件的范围，这还包括在在AR AR 模型中的隐含误差项。模型中的隐含误差项。 在公式中没有动态成分如没有滞后内生变量或在公式中没有动态成分如没有滞后内生变量或ARMAARMA误差项时，被预误差项时，被预测序列中的缺失值并不影响随后的预测值。假设有了动态成分，即使是被预测序列中的缺失值并不影响随后的预测值。假设有了动态成分，即使是被预测序列中的一个缺失值也将会影响到以后一切的预测值。测序列中的一个缺失值也将会影响到以后一切的预测值。 EViewsEVi

12、ews将对方程中滞后变量的预测样本起始点进展调整，直到获得有效将对方程中滞后变量的预测样本起始点进展调整，直到获得有效的预测值。例如，假设利用下面的方程进展动态预测：的预测值。例如，假设利用下面的方程进展动态预测：y c y(-1) ar(-1)y c y(-1) ar(-1)，假设指定任务文件的起点为预测样本的起点，假设指定任务文件的起点为预测样本的起点，EViewsEViews将向后调整两个预测样将向后调整两个预测样本观测值，并且运用滞后变量前面的预测值。本观测值，并且运用滞后变量前面的预测值。 三、预测误差与方差三、预测误差与方差 假设真实的模型由下式给定：假设真实的模型由下式给定： 这

13、里 是独立同分布，均值为零的随机扰动项， 是未知参数向量。下面我们放松 是独立的限制。 生成y的真实模型我们尚不知道，但我们得到了未知参数 的估计值b。设误差项均值为零，可以得到y的预测方程： bxytt该预测的误差为实践值与预测值之差 bxyettttttxytt 1 1残差不确定残差不确定 误差的第一种来源是由残差或新息误差的第一种来源是由残差或新息(innovation) (innovation) 的不的不确定引起的，由于方程中的新息确定引起的，由于方程中的新息 在整个预测区间未知，被在整个预测区间未知，被设为它们的期望值。在残差期望值为零时，单个残差值非零；设为它们的期望值。在残差期望

14、值为零时，单个残差值非零；单个误差的方差越大，预测中的总体误差越大。单个误差的方差越大，预测中的总体误差越大。 丈量方差的规范方式是回归规范差在输出方程中用丈量方差的规范方式是回归规范差在输出方程中用“S.E.of regressionS.E.of regression表示。残差不确定通常是预测误表示。残差不确定通常是预测误差的主要来源。差的主要来源。 在动态预测中，由于滞后因变量和由滞后随机变量构成在动态预测中，由于滞后因变量和由滞后随机变量构成的的ARMAARMA项的存在，使得新息不确定性更为复杂。项的存在，使得新息不确定性更为复杂。EViewsEViews也将也将这些值设为它们的期望值，

15、这与实践值有随机偏向。含有滞这些值设为它们的期望值，这与实践值有随机偏向。含有滞后因变量和后因变量和ARMAARMA项的预测在后面详细讨论。项的预测在后面详细讨论。 tt 2系数不确定系数不确定 预测误差的第二个来源是系数的不确定。方程中系数预测误差的第二个来源是系数的不确定。方程中系数b的估计值是由的估计值是由随机情况下的真实系数随机情况下的真实系数导出的。求出的回归方程中估计系数的规范差导出的。求出的回归方程中估计系数的规范差是用来衡量估计系数准确度的一个目的。是用来衡量估计系数准确度的一个目的。 系数不确定的影响程度由外生变量决议。由于在计算预测值时，要系数不确定的影响程度由外生变量决议

16、。由于在计算预测值时，要用估计系数乘以外生变量用估计系数乘以外生变量X，外生变量超出它们的均值越多，预测的，外生变量超出它们的均值越多，预测的不确定性越大。不确定性越大。 3 3预测可变性预测可变性 预测可变性由预测规范差来衡量。对一个没有滞后因变量或预测可变性由预测规范差来衡量。对一个没有滞后因变量或ARMAARMA项的一方程，预测规范差由下式计算：项的一方程，预测规范差由下式计算： ttxXXxsseforecast)(1 式中s为回归规范差。规范差可以阐明随机误差项和系数的不确定性。用最小二乘法估计的线性回归模型做出的点预测是最优的，由于在由线性无偏估计做出的预测中它的预测方差最小。此外

17、，假设随机误差项服从正态分布，那么预测误差服从t-分布。 假设赋给预测规范差一个名字，EViews将在任务文件中计算并保管一个预测规范差序列。可以利用它构成预测的置信区间。假设选择Do graph项输出，EViews将显示预测值及加减两个规范差的带状图。这两个规范差带在95%的置信区间内；在做预测时，因变量实践值有95%的能够性落在置信区间内。 四、预测效果评价四、预测效果评价 假设我们利用假设我们利用1947:021947:021995:011995:01的样本数据估计出的的样本数据估计出的GDPGDP方程，然后方程，然后分别进展分别进展1947:021947:021995:011995:0

18、1和和1994:011994:011995:011995:01关于关于GDPGDP的动态预测。假设选的动态预测。假设选中中Forecast evaluation (Forecast evaluation (预测效果评价预测效果评价) )， EViewsEViews将显示预测效果评价的统将显示预测效果评价的统计结果表：计结果表： 留意：假设预测样本中没有因变量的实践值数据，EViews不能进展预测效果评价。预测效果评价结果可以以两种方式被保管。假设翻开Do graph选项，预测效果评价结果将与预测图一同显示在屏幕上。假设只希望显示预测效果评价结果，关掉预测栏中的Do graph选项。 假设预测样

19、本为 ，T 为实践值样本长度，用 和 分别表示 t 期的实践值与预测值。计算出的预测误差统计结果如下所示： Root Mean Squared Error 均方根误差 Mean Absolute Percentage Error 平均绝对误差 Mean Absolute Percentage Error 平均相对误差 Theil Inequality Coefficient 泰尔不等系数 hTTtttyyh12)(11hTTtttyyh111hTTttttyyyh111hTTtthTTtthTTtttyhyhyyh1212121111)(11hTTTj,2,1tyty 前两个预测误差统计量由因

20、变量规模决议。它们应该被作为相对目的来比较同样的序列在不同模型中的预测结果，误差越小，该模型的预测才干越强。 后两个统计值是相对量。泰尔(Theil)不等系数总是处于0和1之间，这里0表示与真实值完全拟合。 预测均方差可以分解为： yyyytttssrssyhyhyy222)1 (2)()/(/)(式中 分别为 和 的平均值和规范差，r为 和 的相关系数。该比值被定义为： yytssyhy,/y yy y Bias Proportion 偏差比 Variance Proportion 方差比 Covariance Proportion 协方差比 hyyyhyttt22)/(hyyssttyy2

21、2hyyssrttyy212 偏向比阐明预测均值与序列实践值的偏向程度；方差比阐明预测方差与序列实践方差的偏离程度；协方差比衡量非系统误差的大小。 留意：偏向比、方差比和协方差比之和为1。 假设预测结果好，那么偏向比和方差比应该较小，协方差比较大。对预测估计的其他讨论，见Pindyck与Rubinfeld1991，第12章。 在方程等号的右边出现滞后变量时，预测变得更为复杂。例如，我们可以在原来的方式后面引入y的一阶滞后： y c x z y(-1) 并且单击Forecast键，和前面一样在对话框中写入序列名。不过我们还面临着对方程等号右边 y 的滞后值如何进展估计的问题。这里提供了两种方法：

22、动态预测与静态预测。 一、动态预测 假设选择动态预测，EViews将从预测样本的起始日期开场，对y进展多步预测。对如上只指定一个滞后变量的情况： 预测样本的初始值将运用滞后变量y的实践值。因此，假设y的实践样本值是T个，我们从T+1开场预测，即T+1是第一个预测值，EViews将计算TTTTyczcxccy)4( ) 3( )2( ) 1 ( 111 这里 是预测样本开场前一期的滞后内生变量值，这就是一步向前预测。随后的h个预测值，k = 1 , 2 , , h，将运用前期y的预测值： .)4( )3( )2( ) 1 ( 111kTkTkTkTyczcxccy 这种预测方法显著地不同于静态的

23、一步向前预测。在估计方程中，假设有y的其它滞后变量，需求对如上运算进展修正， Ty 假设在方程中有y的三阶滞后： 第一个预测值(T+1期的察看值)采用三个滞后变量 的实践值。 第二个察看值(T+2期的察看值)采用 的实践值和一阶滞后 的预测值。 第三个观测值T+3期的察看值采用的实践值 和一阶滞后 、二阶滞后 的预测值。 以后一切观测值都采用三个滞后变量的预测值。 在动态预测中，预测样本初始值的选择非常重要。动态预测是真正的多步预测从第一个预测样本开场，由于它们反复运用滞后因变量的预测值。这些预测能够被解释为利用预测样本开场时的知信息计算的随后各期的预测值。 动态预测要求预测样本中外生变量的各

24、个观测值知，并且滞后因变量预测样本的初始值知在我们的例子中是 但更普通的是y的恣意阶滞后。假设需求，可以对预测样本进展调整。 解释变量如有缺失值，经过滞后因变量的动态预测，将使对应期观测值及以后观测值为NA。TTTyyy,12TTyy,11TyTy1Ty2Ty,Ty 二、静态预测二、静态预测 静态预测对因变量进展一系列的一步向前预测：静态预测对因变量进展一系列的一步向前预测： EViews EViews采用滞后内生变量的实践值，经过下式对采用滞后内生变量的实践值，经过下式对 k =0 , k =0 , 1 , 2 , , h 1 , 2 , , h 计算每一个预测值：计算每一个预测值： kTk

25、TkTkTyczcxccy)4( )3( )2( ) 1 ( 111 静态预测要求外生变量和任何滞后内生变量在预测样本中的观测值可以获得。如上，假设需求，EViews将对预测样本进展调整以解释滞后变量的前期样本。假设没有某期数据，对应该期的预测值为NA。它并不会对以后预测产生影响。 三、静态预测与动态预测的对比 这两种方法在多期预测中生成的第一期结果一样。因此，两个预测序列一个静态的和一个动态的在预测样本中的第一个值一样。只需在存在滞后因变量或ARMA项时，两种方法以后各期的值才不同。 用含有ARMA项的方程进展预测会更为复杂。假设方程中包含AR或MA项，需求了解EViews是如何利用滞后残差

26、进展预测的。 一、构造预测 EViews以默许的方式利用估计出的ARMA构造预测残差值，如下所述： 对有些类型的任务，他能够希望ARMA误差项总为零。假设选择Structural (ignore ARMA)，选择构造预测，EViews在计算预测值时将假设误差总为零。假设被估计方程没有ARMA项，该选项对预测没有影响。 二、含有AR误差项的预测 对包含AR误差项的方程，EViews将把该方程的残差预测加到基于解释变量的构造模型预测中。 为计算残差的估计，EViews需求滞后残差值的估计或实践值。对预测样本的第一个观测值，EViews将利用前面的样本数据计算滞后残差。假设前面没有用来计算滞后残差的

27、样本数据，EViews将调整预测样本，把实践值赋给预测序列。 假设选中Dynamic，系统对滞后因变量和滞后残差都进展动态预测。假设选择Static，这两者都会被置为实践值。例如，思索如下的AR(2)模型： tttttttuuuuxy2211用 来表示拟合残差，并假设用截止到 t = T 期的数据估计模型。那么在 值知时，t = T+1 , T+2 , T+3 , 的动态与静态预测值由下式给出： txbxyetttSTATIC DYNAMIC 1Ty111TTTeebx111TTTeebx2TyTTTeebx2112TTTeubx21123Ty12213TTTeebx12213TTTuubx

28、式中 。对其后观测值，动态预测运用的是多步预测得来的残差值，而静态预测运用的是一步向前预测的残差值。 bxyuttt/ 三、包含三、包含MAMA误差项的预测误差项的预测 普通说来，不需求了解普通说来，不需求了解MAMA预测的细节，由于预测的细节，由于EViewsEViews自动进展预测。下面自动进展预测。下面引见引见MAMA预测的根本思想。预测的根本思想。 利用利用MAMA计算预测值的第一步是求得前期预测样本中随机误差项的拟合值。计算预测值的第一步是求得前期预测样本中随机误差项的拟合值。例如，假设要预测包含一个简单的例如，假设要预测包含一个简单的MA(q)MA(q)的从的从T+1T+1期开场的

29、期开场的y y值：值： 1111 qTqTTTy那么需求知道滞后随机误差项 的值。为计算预测前期的随机误差项，EViews将自动指定估计样本的前q个随机误差项的初值 。 给定初始值后，EViews将利用向前递归来拟合MA(q)模型随后的各随机误差项 的值 。 要留意本过程与前面包含AR项的过程之间的区别。在前面，预测样本是向前调整且预测值置为实践值。11,.,qTTTq,.,210Tq,21 动态与静态选择有两个根本含义： 1假设已计算出随机变量的前q个样本值，动态预测将其后的一切随机误差项都置为零。静态预测将经过样本值的末尾扩展向前递归，允许构造模型和随机误差项的一步向前预测。 2在计算静态

30、预测时，EViews运用全部估计样本来回推随机误差项。对动态的MA预测，回推过程利用的估计样本初值是预测期间的起始值或估计样本末端值。 前面举的例子都是对因变量进展拟合的例子。普通检验一个模型的预测效果，采用把样本期间分为两个期间：估计样本期间和检验样本期间的方法。利用估计样本期间估计模型，然后利用检验样本期间检验预测效果。例如在上例中估计期间取为1947年1季度-1993年1季度；检验预测期间取为1993年2季度-1995年1季度。可以察看预测效果如何，反复修正模型，改善预测效果。 实践预测时对未来的信息是未知的，需将外生变量外推出来后，利用模型进展因内生变量预测。 EViews可以估计并预

31、测等式左边是由某个公式定义的变量的方程。在对左边是公式的方程进展预测时，由三件事情决议预测过程和可以利用的选项： 1公式能否为线性或非线性； 2公式中能否包括滞后变量； 3公式中能否包括估计系数。 一、点预测 EViews可以提供对方程左边的因变量是某个表达式的情况，预测这个表达式的功能。而且假设公式中的第一个序列，能从表达式求解出来，那么EViews还可以提供预测公式中第一个序列的功能。 例如，假设估计如下定义的方程： log(gdp) c log(cs) log(gdp(-1) 中选择Forecast按钮，预测对话框显示如下，留意该对话框提供了两种预测序列以供选择：表达式 log(gdp) 与第一个序列gdp。 但是，假设将方程定义为： x+1/x=c(1)+c(2)*yEViews就不能求解出第一个序列X，而只能预测表达式了。预测对话框如下： 该对话框只允许预测作为因变量的整个表达式，由于EViews不能对X进展求解。还需求留意这时只能进展静态预测。 假设表达式的第一个序列能被求解，EViews将计算该变量的预测值。在表达式中包含滞后变量时，会产生重要的影响。例如，思索如下两个模型： series Dy = D (y) eqution eql.ls D(y) c x eqution eq2.ls Dy c x 第一个方程