金融计量学实验案例集

国家级双语示范课程申报材料

《金融计量学》实验案例集

金融学院

上海财经大学

2009年5月

目录

上篇

金融计量实验一异方差的检验与修正2

金融计量实验二虚拟变量在金融数据处理中的作用11

金融计量实验三金融数据的平稳性检验实验指导16

金融计量实验四ARDL模型的运用实验指导27

金融计量实验五ARIMA模型的概念和构造34

金融计量实验六VAR模型的概念和构造40

金融计量实验七(G)ARCH模型在金融数据中的应用45

金融计量实验八联立方程模型在金融数据中的应用60

下篇

天相实验一自定义指数67

天相实验二选股汇总75

天相实验三基金分析84

基金分析案例一84

基金分析案例二87

天相实验四Excel引擎的儿个典型应用89

在EXCEL中实现数据的捆绑89

以时间序列为参数的数据读取92

固定格式数据的模板化处理94

实验一异方差的检验与修正

一、实验目的：

了角星异方差(heteroscedasticity)、Goldfeld-Quandt检验、Spearmanrankcorrelation检验、

Park检验、Glejser检验、Breusch-Pagan检验、White检验、加权最小二乘法(weightedleast

squares,简记WLS)、模型对数变换法等基本概念及异方差产生的原因和后果。

掌握异方差的检验与修正方法以及如何运用Eviews软件在实证研究中实现相关检验与

修正。

二、基本概念：

异方差(heteroscedasticy)就是对同方差假设(assumptionofhomoscedasticity)的违反。经典

回归中同方差是指随着样本观察点X的变化，线性模型中随机误差项的方差并不改变，保

持为常数。

异方差的检验有图示法及解析法，检验异方差的解析方法的共同思想是，由于不同的观

察值随机误差项具有不同的方差，因此检验异方差的主要问题是判断随机误差项的方差与解

释变量之间的相关性。

异方差的修正方法有加权最小二乘法和模型对数变换法等,其基本思路是变异方差为同

方差，或者尽量缓解方差变异的程度。

三、实验内容及要求：

内容：根据北京市1978-1998年人均储蓄与人均收入的数据资料-，若假定X为人均收

入(元)，Y为人均储蓄(元)，通过建立一元线性回归模型分析人均储蓄受人均收入的线性

影响，并讨论异方差的检验与修正过程。

要求：(1)深刻理解上述基本概念

(2)思考：异方差的各种检验方法所适用的情况及如何运用加权最小二乘法

(WLS)修正异方差？

(3)熟练掌握相关Eviews操作

四、实验指导：

1.用OLS估计法估计参数

(1)导入数据

打开Eviews软件，选择"File"菜单中的"New-Workfile”选项，出现"WorkfileRangew

对话框，在"Workfilefrequencyn框中选择"Annual”,在uStartdate"和"Enddate"框中

分别输入"1978”和“1998”，如下图:

图1—1建立新文件

然后单击“OK”,弹出如下窗口:

图1—2建立新文件

选择"File"菜单中的"Import-ReadText-Lotus-Excel"选项，找到要导入的名为EX3.2.xls

的Excel文档，单击"打开"出现"ExcelSpreadsheetImport”对话框并在其中输入"x”和

“y”，如下图所示：

图1-3导入数据

再单击“0K”完成数据导入。

(2)回归数据估计方程

设模型为丫=川+河乂+〃，在Eviews命令窗口中输入“LSYCX”并回车，得到如

下结果:

EViews-[Equation:UNTITLEDTorkfile:OHTI…匚叵区|

匚)FileEditObjectsViewProcsQuickOptionsWindowHelp_臼X

View|Procs|Objects|Print|Name|Freeze|Estimate|Forecast|Stats|Resids|

DependentVariable:Y

Method:LeastSquares

Date:02/09/07Time:19:27

Sample:19781998

Includedobservations:21

VariableCoefficientStd.Errort-StatisticProb.

C-2185.998339.9020-6.4312620.0000

X1.6841580.06216627.091500.0000

R-squared0.974766Meandependentvar4533.238

AdjustedR-squared0.973438S.D.dependentvar6535.103

S.E.ofregression1065.086Akaikeinfocriterion16,86989

Sumsquaredresid21553736Schwarzcriterion16,96937

Loglikelihood-175.1339F-statistic733.9495

Durbin-Watsonstat0.293421Prob(F-statistic)0.000000

Path=d:\eviews3DB-none||YF=xmtitled

图1一4Eviews回归结果

2.异方差检验

(1)图示法

首先通过“Equation”对话框中“Procs”菜单的“MakeResidualSeries”命令生成残差

序列E,点击“OK”。

图1—5生成残差序列

然后在“Quick”菜单中选“Graph”选项，再在弹出的对话框中输入“XE八2”,并

单击“OK”即可得至可

图1—6残差序列图示法

再在"GraphType”框中选择散点图(ScatterDiagram),并单击"OK”即可得至lj：

图1—7残差序列的散点图

(2)Goldfeld-Quandt检验

首先将时间定义为1978-1985,方法如下：在“Workfile”对话框中选择“Procs”菜单

的“sample”选项，弹出如下窗口并把期间改为“19781985”。

图1—8样本范围的设定

再在Eviews命令区输入命令"LSYCX”回车得到:

EVievs-[Equation:HWTITLEDWorkfile:UMTITLED]回区]

I1FileEditObjectsViewProcsQuickOptionsWindowHelp—D1X

ViFrocmObjectsFrintNHJTIeFi-eezeEstimateForecast三tat三Fl•isids

DependentVariable:Y

Method:LeastSquares

Date:02/09/07Time:22:19

Sample:19781985

Includedobservations:8

VariableCoefficientStd.Errort-StatisticProb.

C-145.441516.65952-8.7302340.0001

X0.3971190.01561825.426930.0000

R-squared0.990805Meandependentvar255.7500

AdjustedR-squared0.989273S.D.dependentvar146.0105

S.E.ofregression15.12284Akaikeinfocriterion8.482607

Sumsquaredresid1372.202Schwarzcriterion8.502468

Loglikelihood-31.93043F-statistic646.5287

Durbin-Watsonstat1.335534Prob(F-statistic)0.000000

Path=d：\eviews3DB=noneWF=untitled

图1—91978-1995年数据的回归结果

即用OLS方法可求得下列结果：

Y=-145.4415+0.3971X(1978-1995)

(-8.7302)(25.4269)

R2=0.9908WX=1372.202

其次用相同的方法将时间定义为1991-1998,回归得到如下结果:

钞EVie・s-[Equation:USTITLEDTorkfile:UNTITLED]匚]叵|区|

[1FileEditObjectsViewProcsQuickOptionsWindowHelp-臼X

View|Procs|Objects|Print|Name|Freeze|Estimate|Forecast|Stats|Resids|

DependentVariable:Y

Method:LeastSquares

Date:02/09/07Time:22:29

Sample:19911998

Includedobservations:8

VariableCoefficientStd.Errort-StatisticProb.

C-4602.367908.4882-5.0659620.0023

X1.9525190.10606118.409420.0000

R-squared0.982604Meandependentvar10847.12

AdjustedR-squared0.979705S.D.dependentvar6908.102

S.E.ofregression984.1400Akaikeinfocriterion16,83373

Sumsquaredresid5811189.Schwarzcriterion16,85359

Loglikelihood-65.33492F-statistic338.9068

Durbin-Watsonstat0.837367Prob(F-statistic)0.000002

Path=d：\eviews3DB=none||fF=imtitled

图1—101991-1998年数据的回归结果

即：Y=-4602.365+1.9525X(1991-1998)

(-5.0660)(18.4094)

R-=0.9826ge；=5811189

-4334.9370,查F分布表，给定显著性水平a4.05,得临界

e\

值£)05(6,6)=4.28,比较F=4334.9370＞加5(6,6)=4.28则拒绝儿：，表明随机误

差项显著存在异方差。

(3)ARCH检验

在EquationEQ01"窗口的“View”菜单中选择一"ResidualTests”一“ARCHLM

Test”选项，然后在弹出的对话框中选择滞后阶数为3阶，即可得到下图：

(g?EViews-[Equation:UMTITLEDlorkfile:UHTITLED]匚]回区]

□FileEditObjectsViewProcsQuickOptionsWindowHelp-&X

View|Procs|Objects]Print|Name|Freeze|Estimate|Forecast|Stats]Resids|

ARCHTest:

F-statistic6.083602Probability0.007182

Obs*R-squared10.18624Probability0.017048

TestEquation:

DependentVariable:RESIDA2

Method:LeastSquares

Date:02/09/07Time:22:37

Sample(adjusted):19811998

Includedobservations:18afteradjustingendpoints

—

VariableCoefficientStd.Errort-StatisticProb.

C242407.2372654.80.6504870.5259

RESIDA2(-1)1.2299160.3298333.7289050.0022

RESIDA2(-2)-1.4089920.378753-3.7200810.0023

RESIDA2(-3)1.0187540.3275423.1103020.0077

R-squared0.565902Meandependentvar971588.3

AdjustedR-squared0.472881S.D.dependentvar1130306.

S.E.ofregression820635.6Akaikeinfocriterion30,26668

Sumsquaredresid9.43E+12Schwarzcriterion30.46454

Loglikelihood-268.4001F-statistic6.083602

Durbin-Watsonstat2.125335Prob(F-statistic)0.007182

v

IJPath=d：\eviews3DB=noneWF=untitied

图1—11ARCH检验结果

从中可知。加*f=10.186,P值为0.017,表明模型随机误差项存在异方差性。

3.异方差的修正

(1)WLS估计法

选择“Equation”对话框中“Estimate”菜单的“Option”选项，填入权重XN-0.5)即可

得到下图：

EVios-[Equation:UNTITLED¥orkfile:UHTITLED].回凶

FileEditObjectsViewProcsQuickOpti)nsWindowHelp-回X

View|Procs|Objects|Print|Name|Freeze|EstimateForecast|Stats|ResidsI

DependentVariable:Y

Method:LeastSquares

Date:02/12/07Time:14:20

Sample:19781998

Includedobservations:21

Weightingseries:XA(-0.5)

VariableCoefficientStd.Errort-StatisticProb.

C-1378.962220.3181-6.2589590.0000

X1.4818760.08389617.663260.0000

WeightedStatistics

R-squared0.909336Meandependentvar2384,938

AdjustedR-squared0.904564S.D.dependentvar2695,511

S.E.ofregression832,7163Akaikeinfocriterion16.37766

Sumsquaredresid13174913Schwarzcriterion16.47713

Loglikelihood-169,9654F-statistic311,9908

Durbin-Watsonstat0.165765Prob(F-statistic)0,000000

UnweightedStatistics

R-squared0.960704Meandependentvar4533.238

AdjustedR-squared0.958636S.D.dependentvar6535.103

S.E.ofregression1329.123Sumsquaredresid33564815

Durbin-Watsonstat0.237190

Path=d:\eviews3DB=noneWF-untitled

图1-12WLS估计结果

(2)对数变换法

在“Equation”窗口中“Estimate”菜单的对话框直接输入“LOG(Y)CLOG(X)”，再单

击“OK”后，就可以得到线性模型对数变换后的结果如下图：

EViews-[Equation:U1TITLEDlockfile:UITITLED]目叵|冈

^3FileEditObjectsViewProcsguickOptionsWindowHelp-51X

View|Procs|Objects|Print|Name；Freeze|Estimate|Forecast|Strts|Resids|

DependentVariable:LOG(Y)

Method:LeastSquares

Date:02/12/07Time:14:23

Sample:19781998

Includedobservations:21

VariableCoefficientStd.Errort-StatisticProb.

C-6.8391360.237565-28.788450.0000

LOG(X)1.7871490.03003359.506800.0000

R-squared0.994663Meandependentvar7.195082

AdjustedR-squared0.994382S.D.dependentvar1.746173

S.E.ofregression0.130880Akaikeinfocriterion-1.138677

Sumsquaredresid0.325463Schwarzcriterion-1.039199

Loglikelihood13,95611F-statistic3541.059

Durbin-Watsonstat0.642916Prob(F-statistic)0.000000

Path=d:\eviews3DB=noneHF=untitled

图1/3对数变换估计结果

比较上述两种修正方法,对数变换后的结果在拟合优度和系数显著性都要好于加权最小

二乘法得到的结果，这说明人均收入与人均储蓄的关系更接近于对数关系。

实验二虚拟变量在金融数据处理中的作用

一、实验目的：

了解虚拟变量、方差分析模型、协方差分析模型、虚拟变量陷阱、季节调整、分段线性

回归、级差截距、级差斜率系数、周内效应等基本概念及虚拟变量的引入原则、虚拟变量模

型中参数的意思。

掌握虚拟变量模型在回归分析中的应用，及如何在Eviews中实现相应的操作。

二、基本概念：

由于其不能直接度量，为研究方便，可构造一个变量，令其取值为1或为0,取值为0

时表示某一性质出现(不出现)，取值为1时表示某性质不出现(出现)，该变量即为虚拟变

量(dummyvariables)，也称指标变量(indicatorvariables)>二值变量(binaryvariables)、定

性变量(qualitativevariables)和二分变量(dichotomousvariables)，通常我们记为D。一般

的，在虚拟变量的设置中，基础类型、否定类型取值为“0”，称为基底(base)类、基准

(benchmark)类或参考(reference)类；而比较类型、肯定类型取值“1"。

许多按月度或季度数据表示的金融时间序列，常呈现出季节变化的规律性，如公司销售

额、通货膨胀率、节假日储蓄额等。在研究中，有时需要消除季节性因素的影响，即需要进

行季节调整(seasonaladjustment),利用虚拟变量进行季节调整是较为简单的一种。另外，

在金融理论中，常常会出现一种情况：当某影响因素越过某一临界值，或时间过了某一临界

点之后，因变量对影响因素的变化率将发生变化，在图形中就表现为斜率不同的两段连续折

线，利用虚拟变量模型进行分段线性回归可有效地解决在分界点处两边因变量取值不相等，

与理论图形不一致这个问题。

三、实验内容及要求：

内容：我们利用上海股票市场上证指数1997年1月1日到2004年12月31日的日收盘

价数据，共1926个观测值，通过建立虚拟变量模型来检验实行涨跌停板制度后的上海股票

市场是否存在周内效应。

要求：(1)深刻理解上述基本概念

(2)思考：虚拟变量模型的各种不同运用情形，及虚拟变量法与邹式检验的异

同

(3)熟练掌握相关Eviews操作

⑷根据教材(表4-4)即我国1994第一季度一2004第四季度的零售物价指数

(以上年同期为100)数据，请利用虚拟变量模型进行季节调整(如果需

要)。

四、实验指导：

1.简单理论回顾

根据Fama的有效市场理论，在有效后场中，山于股票价格能够及时地反映所有的信息，

因此股价将会呈现出随机波动的特征。并且在有效市场中，由于投资者能够随时获取所需要

的信息，因此将不存在套利的机会，股票的价格将反映价值。按照有效市场理论，一周内每

天的收益率将是随机波动、没有规律的。

自从Famal965年提出有效后场概念以来，各国学者分别利用各国的证券市场数据对其

进行了实证检验，结果发现许多与有效市场理论相背离的现象，周内效应就是其中之一。

在我国，许多学者也利用上海股票市场、深圳股票市场的数据对周内效应进行了检验，

检验结果大多表明存在周内效应。下面我们将利用虚拟变量模型对这•现象进行实证检验。

2.实证检验

(1)数据说明

我们利用的是上海股票市场上证指数1997年1月1日到2004年12月31日的日收盘价

数据，共1926个观测值。之所以采用1997年来的日数据，是因为1996年12月16日股票

市场实施了涨跌停板制度，而上证指数也具有广泛的代表性。收益率的计算我们采用的是连

续收益率法，计算公式如下：

Rt=lnPt-lnPt-i，其中Pt为t时期的收盘价，PM为t-i时期的收盘价。

(2)数据导入

打开Eviews软件，选择“File”菜单中的“New-Workfile”选项，出现“WorkfileRange”

对话框，在aWorkfilefrequencyw框中选择"Undatedorirregular",在**Startobservationw和

"Endobservation"框中分别输入“1”和“1926”，单击“OK”，出现一个新的工作文件。

然后选择"File"菜单中的"Import-ReadText-Lotus-Excel”选项，找到要导入的名为

EX43.xls的Excel文档，单击"打开"出现"ExcelSpreadsheetImportw对话框并在其中输

入“DI”“D2”“D4”“D5”和“R”，如下图所示:

图2—1数据导入

再单击“OK”完成数据导入。

(3)数据统计特征描述

下面分别描述上证指数1997.1.1-200422.31日收益率(R)的统计特征以及日收益率按

时间排列的序列图，具体操作如下：

首先双击“r”序列，出现如下窗口：

图2—2序列R的统计数据

其次选择“Series:R”窗口的"View”菜单中的uDescriptive-Statistic-histogramandstats”

选项，可以得到日收益率（R）的统计特征图：

EVievs-[Series:RTorkfile:UKTITLED]回冈

I1FileEditObjectsViewProcsQuickOptionsWindowHelp.fi1X

View|Procs|Objects|Print|Name|Freeze|Sample|Genr|Sheet|Stats|工dent|Line|Bar|

Series:R

Sample11925

Observations1925

Mean0.000166

Median0.000209

Maximum0.094010

Minimum-0.093350

Std.Dev.0.015415

Skewness-0.039554

Kurtosis8.998717

Jarque-Bera2886.767

Probability0.000000

Path=d：\eviews3|DR=noneWF=untitied

图2—3日收益率（R）的统计特征图

即（表4-1）上证指数日收益率统计特征描述

均值0.000166中位数0.000209

最大值0.094010最小值-0.093350

标准差0.015415偏度-0.039554

峰度8.998717Jarque-Bera值2886.767

再选择“Series:R”窗口的“View”菜单中的“LineGraph”选项，可得到日收益率线

性图:

图2—4日收益率（R）的线性图

（4）回归数据估计方程

我们建立如下的虚拟变量模型：

Rt=ao+a1D11+a2D%+sD4t+a4Dst+&

其中Rt表示t时刻的收益率，虚拟变量Dit（i=l,2,4,5）的取值在每周的第i天（一周五

天）取值为1,其余时刻取值为0,从模型可以看到，°（）表示的是周三的平均收益，而

。1、。2、。3、分别表示的是星期一、星期二、星期四、星期五与星期三平均收益

的差异。若差异是显著的，则可以表明上海股票市场存在周内效应。

使用Eviews3.1软件对上述模型进行OLS回归，具体操作如下：

在Eviews命令窗口中输入“LSRCD1D2D4D5”并回车，得到如下结果：

融EVie,s-[Equation:UWTITLED»orkfile:UNTITLED]目叵区

^3FileEditObjectsViewProcs@uickOptionsWindowHelp-o1X

Yiew|Procs〔Objects|Print|Name।Freeze|Estimate|Forecast|Stats|Resids

DependentVariable:R

Method:LeastSquares

Date:02/12/07Time:20:45

Sample(adjusted):11925

Includedobservations:1925afteradjustingendpoints

VariableCoefficientStd.Errort-StatisticProb.

C0.0011070.0007841.4128580.1579

D1-0.0014950.001111-1.3457190.1786

D2-0.0007930.001106-0.7171140.4734

D4-0.0019820.001111-1.7835570.0747

D5-0.0004450.001112-0.4001980.6891

R-squared0.002138Meandependentvar0.000166

AdjustedR-squared0.000059S.D.dependentvar0.015415

S.E.ofregression0.015414Akaikeinfocriterion-5.504451

Sumsquaredresid0.456192Schwarzcriterion-5.490002

Loglikelihood5303.034F-statistic1.028499

Durbin-Watsonstat2.018794Prob(F-statistic)0.391095

|Path=d:\eviews3|DB=none|VF=untitled

图2—5虚拟变量模型回归结果

即：(括号内为相应的t值)

口司.001107。0014954。0007934-0.001982d-0.00(M45Dt

(1.41)(-1.35)(-0.72)(-1.78)(-0.40)

对模型各系数估计值进行联合F检验，看各系数值是否同时为零，结果的到F值为1.03,

其概率值为0.39,因此不能拒绝各系数值同时为零的假设，则可以得出结论，上海股票市场

不存在周内效应。

实际上，这个模型是相当粗糙的，因此结论也可能不具有代表性。因为在使用最小二

乘法进行回归时，我们假定随机误差项满足同方差的假定，但大量的研究表明，金融数据中

这一假定往往不能得到满足。更深入的研究涉及到自回归条件异方差模型(ARCH)以及扩

展的自回归条件异方差模型(GARCH),我们将在后面的章节中予以介绍，有兴趣的同学那

时也可以重新对上海股票市场的周内效应做出检验。

实验三金融数据的平稳性检验实验指导

一、实验目的：

理解经济时间序列存在的不平稳性，掌握ADF检验平稳性的方法。认识不平稳的序列

容易导致伪回归问题，掌握为解决伪回归问题引出的协整检验，协整的概念和具体的协整检

验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，

掌握误差纠正模型方法。理解变量之间的因果关系的计量意义，掌握格兰杰因果检验方法。

二、基本概念：

如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两时期的协方

差值仅依赖于该两时期间的距离或滞后，而不依赖于计算这个协方差的实际时间，就称

它为平稳的。强调平稳性是因为将一个随机游走变量（即非平稳数据）对另一个随机游

走变量进行回归可能导致荒谬的结果,传统的显著性检验将告知我们变量之间的关系是

不存在的。这种情况就称为"伪回归"（SpuriousRegression）。

有时虽然两个变量都是随机游走的，但它们的某个线形组合却可能是平稳的，在这

种情况下，我们称这两个变量是协整的。

因果检验用于确定•个变量的变化是否为另个变量变化的原因。

三、实验内容及要求：

用Eviews来分析上海证券市场A股成份指数（简记SHA）和深圳证券市场A股成份

指数（简记SZA）之间的关系。内容包括：

1.对数据进行平稳性检验

2.协整检验

3.因果检验

4.误差纠正机制ECM

要求：在认真理解本章内容的基础上，通过实验掌握ADF检验平稳性的方法，具体的

协整检验过程，掌握格兰杰因果检验方法，以及误差纠正模型方法。

四、实验指导：

1、对数据进行平稳性检验：

首先导入数据，将上海证券市场A股成份指数记为SHA,深圳证券市场A股成份指数

记为SZA（若已有wfl文件则直接打开该文件）。

在workfile中按住Ctrl选择要检验的二变量，右击，选择open—asgroup（＞则此时可在

弹出的窗口中对选中的变量进行检验。检验方法有：

①画折线图:"View”-"graph”—“line”，如图3—1所示。

②画直方图：在workfile中按住选择要检验的变量，右击，选择open,或双击选中的

变量，"view"—udescriptivestatisticv-uhistogramandstats注意到图中的J.B.统计量,

其越趋向于0,则图越符合正态分布，也就说明数据越平稳。如图3—2和3—3所示。

③用ADF检验：方法一："view"一"unitroottest"；方法二：点击菜单中的“quick”一

useriesstatistic—“unitroottest"；分析原则即比较值的大小以及经验法则。点击ok,如

图3―4和3—6所示。

图3—1SHA和SZA原始数值线性图

烈EViev;[Series:SHAlorkfile:OTTITLED]

图3—2SHA原始数值直方图

EViews-[Series:SZAWorkfile:UNTITLED]ED回区）

LDFileEditObjectsViewProcsQuickOptionsWindowHelp5X

View|Procs|ObjectsjPrint|Name|Freeze|Sample|Genr|Sheet|Stats|工dent〔Line；Bar

300-i

Series:SZA

Sample121M99312/31/1999

Observations1826

Mean297.9938

Median319.4905

Maximum561.5640

Minimum95.26100

Std.Dev.126.8986

Skewness-0.066652

Kurtosis1.621318

Jarque-Bera145.9685

Probability0.000000

100200300400500

|」||Path;d：\e，iews3DB:noneWF:untitled

图3—3SZA原始数值直方图

图3—4单位根检验对话框

ADFTestStatistic-1.8248061%CriticalValue*-3.4369

5%CriticalValue-2.8636

10%CriticalValue-2.5679

*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.

AugmentedDickey-FullerTestEquation

DependentVariable:D(SHA)

Method:LeastSquares

Date:10/25/05Time:00:50

Sample(adjusted):1/08/199312/31/1999

Includedobservations:1821afteradjustingendpoints

VariableCoefficientStd.Errort-StatisticProb.

SHA(-1)-0.0035750.001959-1.8248060.0682

D(SHA(-1))-0.0387360.023427-1.6534640.0984

D(SHA(-2))-0.0107970.023308-0.4632170.6433

D(SHA(-3))0.1111270.0232874.7721490.0000

D(SHA(-4))0.0623800.0233992.6659010.0077

C3.9430772.1216731.8584760.0633

R-squared0.018447Meandependentvar0.295316

AdjustedR-squared0.015743S.D.dependentvar27.87568

S.E.ofregression27.65538Akaikeinfocriterion9.480807

Sumsquaredresid1388148.Schwarzcriterion9.498952

Loglikelihood-8626.275F-statistic6.822257

Durbin-Watsonstat2.001095Prob(F-statistic)0.000003

图3—5SHA数值的ADF检验结果

ADFTestStatistic1.3868971%CriticalValue*-3.4369

5%CriticalValue-2.8636

__10%CriticalValue-2.5679

*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.

AugmentedDickey-FullerTestEquation

DependentVariable:D(SZA)

Method:LeastSquares

Date:02/14/07Time:09:28

Sample(adjusted):1/08/199312/31/1999

Includedobservations:1821afteradjustingendpoints

VariableCoefficientStd.Errort-StatisticProb.

SZA(-1)-0.0019990.001441-1.3868970.1656

D(SZA(-1))-0.0286380.023396-1.2240560.2211

D(SZA(-2))0.0296640.0233251.2717550.2036

D(SZA(-3))0.0846500.0233273.6288170.0003

D(SZA(-4))0.0814280.0233903.4813800.0005

c0.6677860.4663621.4319050.1523

R-squared0.015405Meandependentvar0.087348

AdjustedR-squared0.012693S.D.dependentvar7.839108

S.E.ofregression7.789199Akaikeinfocriterion6.946643

Sumsquaredresid110119.0Schwarzcriterion6.964788

Loglikelihood-6318.918F-statistic5.679524

Durbin-Watsonstat1.998663Prob(F-statistic)0.000033

图3—6SZA数值的ADF检验结果

粗略观查数据并不平稳。此时应对数据取对数(取对数的好处在于：即可以将间距很大

的数据转换为间距较小的数据，也便于后面的取差分)，再对新变量进行平稳性检验。点击

Eviews中的"quick”—ugenerateseries"键入logsha=log(sha),同样的方法得到logsza。此

时，logsha和logsza为新变量，对其进行平稳性检验方法如上，发现也是不平稳的。

EViews-[Group:UWTITLEDlorkfile:UWTITLED]□EE

图3—7SHA和SZA对数值线性图

用ADF方法检验logsha和