计量经济学Eviews操作案例集

引言计量经济学作为连接经济学理论与现实数据的桥梁，其方法论的掌握与软件操作技能的熟练程度密不可分。Eviews软件以其强大的数据处理、模型估计与检验功能，在计量经济分析领域得到了广泛应用。本案例集旨在通过一系列贴近实际应用场景的操作案例，系统展示Eviews在计量经济分析中的核心流程与关键技巧。我们将从数据的导入与初步处理开始，逐步深入到经典模型的估计、诊断检验，以及一些进阶应用，力求为读者提供一份实用、严谨且具有启发性的操作指南。希望本案例集能够帮助读者更好地理解计量经济学方法，并将其有效地应用于实际研究工作中。案例一：数据导入与初步处理在进行任何计量分析之前，数据的准备是首要环节。高质量的数据与规范的处理流程是确保后续模型估计有效性的基础。数据导入Eviews支持多种数据格式的导入，包括Excel、文本文件（如CSV、TXT）、数据库文件等。以下以常见的Excel数据和文本数据为例进行说明。1.Excel数据导入：*打开Eviews软件，点击主菜单中的“File”，选择“Open”，然后点击“EViewsWorkfile”。若为新数据，可直接点击“File”->“New”->“Workfile”，在弹出的对话框中选择数据频率（如Annual,Quarterly,Monthly,UndatedorIrregular）并设定样本区间。*建立或打开工作文件后，点击“File”->“Import”->“ImportfromFile”，在文件类型中选择“ExcelFiles(*.xls,*.xlsx)”，选中目标Excel文件。*在弹出的“ExcelImportWizard”中，根据数据结构选择“Importrange”（如数据是否包含表头，数据起始位置等）。通常情况下，第一行作为变量名，数据从第二行开始。确认无误后点击“OK”，数据即被导入到工作文件中，表现为一个个序列对象（Series）。2.文本文件导入：*对于以特定分隔符（如逗号、空格、制表符）分隔的文本文件，操作类似。在“ImportfromFile”时选择相应的文本文件类型。*Eviews会自动检测分隔符，用户也可在弹出的“TextImportWizard”中手动指定分隔符、文本qualifier（如引号）、是否包含表头，并预览数据导入效果。若数据有时间标识，需正确设置日期格式。数据初步观察与描述性统计数据导入后，首要任务是对数据进行初步观察，了解其基本统计特征和分布形态。1.序列查看：双击工作文件中的序列名称，即可打开序列窗口，查看数据的具体数值。通过“View”菜单下的“LineGraph”、“BarGraph”或“HistogramandStats”，可以直观地观察序列的趋势、波动或分布情况。数据变换与新序列生成在实际分析中，常需对原始数据进行变换或生成新的序列以满足模型设定需求。1.生成新序列：点击主菜单“Quick”->“GenerateSeries...”（或在命令窗口直接输入“genr新序列名=表达式”）。例如，若已有序列GDP表示名义GDP，CPI为消费价格指数（以某一年为基期100），要生成实际GDP序列RGDP，可输入“genrRGDP=GDP/CPI*100”。2.常用变换：常见的变换包括对数变换（如“genrlnGDP=log(GDP)”，用于将绝对数转化为增长率形式或缓解异方差）、差分（如“genrdGDP=GDP-GDP(-1)”，用于消除序列的趋势性或构建增长率）、滞后项（如“genrGDP_lag1=GDP(-1)”，用于引入动态效应）等。在生成新序列时，需注意表达式的正确性和经济意义的合理性。案例二：经典线性回归模型（OLS）的估计与结果解读普通最小二乘法（OLS）是估计线性回归模型参数最基本且应用最广泛的方法。本案例将以一个简单的消费函数为例，展示如何在Eviews中进行OLS估计，并对结果进行初步解读。模型设定与数据准备假设我们关注居民消费（CONS）与可支配收入（INC）之间的关系，设定如下消费函数模型：CONSₜ=β₀+β₁INCₜ+μₜ其中，CONSₜ为被解释变量（因变量），INCₜ为解释变量（自变量），β₀为常数项，β₁为边际消费倾向，μₜ为随机扰动项。我们已将CONS和INC两个序列导入Eviews工作文件中，样本区间为1990年至2020年。OLS模型的估计1.打开方程估计对话框：*方法一：在工作文件窗口中，点击主菜单“Quick”->“EstimateEquation...”，弹出“EquationEstimation”对话框。*方法二：在命令窗口直接输入“lsconscinc”，其中“ls”代表最小二乘法，“c”代表常数项，“cons”和“inc”分别为被解释变量和解释变量。2.设定回归方程：*在“EquationEstimation”对话框的“Specification”选项卡中，“DependentVariable”处输入被解释变量“cons”。*在“EstimationSettings”的“Method”下拉菜单中选择“LeastSquares(LS)”。*在“IndependentVariables”处输入解释变量，包括常数项“c”和自变量“inc”。因此，方程设定为“conscinc”。*确认样本区间是否正确，若需调整，可在“Sample”框中修改。3.执行估计：点击“OK”，Eviews将自动进行OLS估计，并弹出一个新的“Equation”窗口，显示估计结果。回归结果解读Equation窗口的输出结果包含多个部分，关键解读如下：1.变量系数（Coefficient）：β₀的估计值对应“C”行的系数，β₁的估计值对应“INC”行的系数。例如，若INC的系数为0.75，则表明在其他条件不变的情况下，可支配收入每增加1单位，消费平均增加0.75单位，即边际消费倾向为0.75。2.标准误（Std.Error）：系数估计值的标准误，用于衡量估计值的抽样波动程度。标准误越小，估计越精确。3.t统计量（t-Statistic）与伴随概率（Prob.）：t统计量用于检验系数是否显著异于零（原假设H₀:βᵢ=0）。其计算公式为系数除以标准误。Prob.值（p值）是在原假设成立的条件下，得到当前t统计量或更极端值的概率。若p值小于设定的显著性水平（如0.05），则拒绝原假设，认为该系数在统计上显著不为零。4.拟合优度（R-squared）：衡量模型对样本数据的拟合程度，其值介于0和1之间。R-squared越接近1，表明模型对数据的解释能力越强。调整后的R-squared（AdjustedR-squared）则考虑了自由度，用于比较包含不同解释变量个数的模型。5.F统计量与Prob(F-statistic)：F检验用于整体检验模型的显著性，即检验所有解释变量（不包括常数项）的系数是否同时为零。若Prob(F-statistic)小于显著性水平，则拒绝原假设，认为模型整体显著。6.其他统计量：如Durbin-Watson(DW)统计量（用于初步判断扰动项自相关）、Akaikeinfocriterion(AIC)、Schwarzcriterion(SC)（用于模型选择）等。案例三：模型诊断与检验OLS估计的有效性依赖于一系列经典假设。当这些假设不满足时，OLS估计量可能不再具有优良性质（如无偏性、有效性）。因此，模型估计之后，必须进行严格的诊断检验。多重共线性检验多重共线性指的是解释变量之间存在高度的线性相关关系。1.简单相关系数矩阵：*打开包含所有解释变量的组对象（如将INC和其他可能的解释变量如资产（ASSET）一起选中，打开为Group）。*点击“View”->“Correlations”->“SimpleCorrelation”，得到各解释变量间的相关系数矩阵。若两个解释变量间的相关系数绝对值接近1，则可能存在严重的多重共线性。2.方差膨胀因子（VIF）：*在方程窗口中，点击“View”->“CoefficientDiagnostics”->“VarianceInflationFactors(VIF)”。*VIF值越大，表明该解释变量受其他解释变量的共线性影响越严重。通常认为VIF>10（或容忍度<0.1）时，存在严重的多重共线性。若存在严重多重共线性，可考虑剔除不重要的变量、合并变量、增加样本容量或采用岭回归等方法处理。异方差性检验异方差性指扰动项的方差随解释变量的变化而变化。1.图示法：*在方程窗口中，点击“Resids”按钮，观察残差图。若残差的波动幅度随某解释变量的变化而明显变化，则可能存在异方差。*更正式的图示：生成残差平方序列（在命令窗口输入“genrresidsq=resid^2”），然后将残差平方对可疑的解释变量（如INC）做散点图。点击“Quick”->“Graph...”，输入“residsqinc”，选择“Scatter”类型。若散点图呈现明显的规律性（如递增或递减），则提示异方差。2.怀特（White）检验：*在方程窗口中，点击“View”->“ResidualDiagnostics”->“HeteroskedasticityTests...”。*在弹出的对话框中，选择“White”，可选择是否包含交叉项（“IncludeWhitecrossterms”）。*Eviews会输出辅助回归的结果，主要关注F统计量和LM统计量（Obs*R-squared）及其伴随概率。若p值小于显著性水平，则拒绝同方差假设，认为存在异方差。若存在异方差，可采用加权最小二乘法（WLS）或稳健标准误法进行修正。在Eviews中，估计方程时，在“EquationEstimation”对话框的“Options”选项卡中，可选择“RobustCovariance”并指定稳健标准误的类型（如White）。自相关检验自相关指扰动项之间存在序列相关性，常见于时间序列数据。1.图示法：观察残差序列图（点击方程窗口的“Resids”），若残差呈现明显的周期性或趋势性，则可能存在自相关。2.杜宾-瓦特森（DW）检验：*OLS回归结果中直接报告DW统计量。DW值的取值范围在0到4之间。若DW≈2，表明无自相关；DW<2，表明可能存在正自相关；DW>2，表明可能存在负自相关。需结合样本容量和解释变量个数查DW临界值表进行判断。3.Breusch-Godfrey（BG）检验（LM检验）：*在方程窗口中，点击“View”->“ResidualDiagnostics”->“SerialCorrelationLMTest...”。*指定滞后期数（如1或2），点击“OK”。*检验结果关注LM统计量（Obs*R-squared）及其伴随概率。若p值小于显著性水平，则拒绝“无自相关”的原假设。若存在自相关，可考虑加入滞后项、采用广义最小二乘法（GLS）或在估计时使用Newey-West等稳健标准误。案例四：时间序列模型的估计与应用（以ARIMA模型为例）时间序列模型常用于分析具有动态变化特征的数据。ARIMA模型（自回归移动平均模型）是一种常用的时间序列预测方法，它将序列的平稳性作为前提。序列平稳性检验（ADF检验）对时间序列数据进行建模前，首先需要检验其平稳性。ADF（AugmentedDickey-Fuller）检验是最常用的方法。1.打开ADF检验对话框：双击需要检验的序列（如GDP增长率序列“d_gdp”），打开序列窗口。点击“View”->“UnitRootTest...”。2.设定ADF检验选项：*在“TestType”中选择“AugmentedDickey-Fuller”。*在“Testforunitrootin”中选择检验形式：“Level”（水平值）、“1stdifference”（一阶差分）或“2nddifference”（二阶差分）。通常从水平值开始检验。*在“Includeintestequation”中选择是否包含常数项（Constant）、常数项和趋势项（Trendandintercept）或两者都不包含（None）。这需要结合序列图形判断。*“Laglength”选择滞后阶数的确定方法（如AIC、SIC或手动指定）。3.执行检验并解读结果：ADF检验的原假设是“序列存在单位根（非平稳）”。若ADF统计量的绝对值大于临界值的绝对值，或p值小于显著性水平，则拒绝原假设，认为序列在该水平上是平稳的。若水平序列非平稳，则对其差分序列进行检验，直至得到平稳序列。记序列需要d次差分才平稳，则ARIMA模型中的“d”即为d。ARIMA模型的识别、估计与诊断假设我们通过ADF检验发现某时间序列（如某商品月度销售量SALE）在一阶差分后平稳（d=1），即序列d_sale=sale-sale(-1)是平稳的。1.模型识别（确定p,q）：*观察平稳序列（d_sale）的自相关函数（ACF）和偏自相关函数（PACF）图。在d_sale的序列窗口，点击“View”->“Correlogram...”，在弹出的对话框中，“Level”选择“DifferencedSeries”（若已差分），滞后阶数可默认或根据需要调整。*ACF图用于识别移动平均项阶数q：若ACF在滞后q阶后截尾，则可能为MA(q)过程。*PACF图用于识别自回归项阶数p：若PACF在滞后p阶后截尾，则可能为AR(p)过程。*例如，若d_sale的ACF在滞后2阶处截尾，PACF在滞后1阶处截尾，则初步判断模型为ARIMA(1,1,2)。2.模型估计：*点击“Quick”->“EstimateEquation...”，在“Method”中选择“ARMA”。*“Dependent