Eviews4章图形和统计量分析

Eviews第4章图形和统计量分析图形对象生成·描述性统计量·单位根检验·Granger因果检验Contents本章目录Eviews第4章·图形和统计量分析01图形对象的建立与管理02描述性统计量分析03单位根检验04Granger因果检验CHAPTER01图形对象的建立与管理从折线图到季节图，掌握EViews六类核心图形的创建、冻结与导出Chapter04·GraphAnalysis图形对象的创建路径与类型选择EViews通过View→Graph菜单提供六种基础图形类型，每种图形对应不同的数据特征和分析目的。正确选择图形类型是数据可视化的第一步，直接影响对数据趋势、波动和季节模式的识别效果。01折线图通过连续线段连接各观测值，最适合展示时间序列的长期趋势和短期波动，是经济数据分析中最常用的图形类型02面积图在折线图下方填充颜色区域，适合强调数据的累积效应和总量变化，常用于GDP、投资等流量指标的可视化03条形图以独立柱状体展示各期数值，适合比较不同时间点或不同组别之间的数值差异，直观呈现数据的离散分布04尖峰图以垂直线段表示每个观测值偏离基线的幅度，适合观察高频数据的波动模式和异常值分布05季节性堆叠图将不同年份的同月或同季数据堆叠展示，便于识别跨年度的季节性规律变化06季节性分割线将时间序列按季节周期分割后并列显示，直观对比各年度同期走势的异同EViews数据分析界面·统计图表展示EViews·Graph折线图生成实例：FDI数据趋势分析以FDI月度数据为例，通过View→Graph→Line路径生成的折线图能够直观呈现外商直接投资的时间趋势。图形显示FDI在2006-2008年间整体上行但伴随周期性波动，验证了折线图在识别趋势与异常值方面的核心价值。操作路径选择序列对象窗口中的View→Graph→Line选项，EViews自动以时间为横轴、变量值为纵轴生成折线图View→Graph→Line增长趋势FDI序列从2006年初约20上升至2008年中期140左右，呈现明显的长期增长趋势20→140季节性波动每年中期出现规律性回落，提示数据可能存在季节性成分，需进一步做季节调整分析季节性成分多维探索工具栏提供Freeze、Sample、Stats等功能，支持不改变原始数据的前提下多维度探索Freeze·Sample·StatsCHAPTER04·GRAPHOPERATIONS图形的冻结与命名保存图形冻结是EViews中将动态视图转化为静态对象的关键操作。通过Freeze功能创建的图形副本独立于原始数据，即使后续修改样本范围或更新观测值，冻结图形仍保持创建时的状态，确保分析结果的可追溯性和报告的稳定性。01动态图形的局限性：通过View→Graph直接生成的图形与原始数据绑定，样本范围调整或数据更新会导致图形自动变化，不利于结果存档View→Graph绑定02冻结操作步骤：在图形对象窗口中点击Freeze按钮，EViews生成当前图形的静态副本，该副本以独立对象形式存在，不再随源数据变动Freeze→独立对象03命名与保存：冻结后点击工具栏Name按钮，在弹出对话框中输入对象名称并确认，图形图标即出现在工作文件窗口中供后续调用Name→工作文件04应用场景：在撰写研究报告或论文时，冻结功能确保引用的图形与分析结论严格对应，避免因数据更新导致图文不一致的问题报告·论文存档GraphicsExport图形的复制与外部导出EViews支持通过菜单路径和右键快捷操作两种方式将图形复制到外部文档。掌握图形导出技能是将EViews分析成果转化为研究报告、学术论文和汇报材料的关键环节，确保数据分析结论能够有效传递。01菜单路径复制在图形对象窗口中选择Proc→Copy选项，弹出参数设置对话框后点击OK，图形即被复制到系统剪贴板。Proc→Copy02右键快捷复制将鼠标移动到图形区域，点击右键弹出上下文菜单并选择Copy，操作更为便捷，适合频繁导出场景。Right-ClickCopy03粘贴应用在Word、PowerPoint等目标文档中通过Ctrl+V或右键粘贴即可嵌入图形，默认以位图形式呈现。Ctrl+V04注意事项复制前应确保图形已完成标题、坐标轴标签等格式调整，以获得最佳的文档嵌入效果和专业呈现质量。FormatFirstGRAPHOPERATIONS图形对象操作要点总结EViews图形管理围绕"创建-冻结-导出"三大核心操作构建完整工作流。六种图形类型覆盖趋势、对比、周期等不同分析需求，冻结功能确保分析结果的稳定性，导出操作实现与外部文档的无缝衔接。创建阶段01通过View→Graph菜单选择六种图形类型，根据数据特征匹配折线图、面积图、条形图、尖峰图或季节图02序列组（Group）对象支持多变量叠加或并列展示，便于在同一图形中比较多个经济指标的走势6种图形类型管理阶段01Freeze功能将动态图形转化为独立静态对象，确保图形不随样本修改或数据更新而发生变化02Name按钮为冻结图形命名并保存到工作文件中，便于后续检索和重复调用Freeze冻结输出阶段01Proc→Copy路径或右键快捷菜单将图形复制到剪贴板，支持粘贴至Word、PPT等外部文档02导出前完成标题、坐标轴和图例的格式调整，确保嵌入外部文档后的专业呈现效果Proc→CopyCHAPTER02描述性统计量分析从均值、方差到正态性检验，全面把握数据分布特征DescriptiveStatistics描述性统计量的核心指标体系描述性统计量通过一组标准化指标全面概括数据分布特征，涵盖集中趋势、离散程度和分布形态三个维度。在EViews中通过View→DescriptiveStats一键获取，是回归建模和时间序列分析前不可或缺的数据预检步骤。集中趋势指标均值（Mean）反映数据的算术中心，中位数（Median）提供不受极端值干扰的位置参考，二者差异可初步判断分布偏态。Mean·Median离散程度指标标准差（Std.Dev.）和方差（Variance）衡量数据围绕均值的波动幅度，是风险评估和模型误差分析的基础参数。Std.Dev.·Variance分布形态指标偏度（Skewness）为零表示对称分布，正值右偏、负值左偏；峰度（Kurtosis）正态分布基准为3，大于3为尖峰分布。Skewness·Kurtosis极值与规模指标最大值（Maximum）与最小值（Minimum）标识数据范围，观测数（Observations）确认样本容量是否满足分析要求。Max·Min·ObservationsCHAPTER04·图形与统计量偏度与峰度的经济学解读偏度和峰度是判断数据分布偏离正态分布程度的关键指标。在经济学和金融数据分析中，偏度揭示变量分布的不对称方向，峰度反映极端事件的发生频率，二者直接影响统计推断方法的选择和风险管理模型的构建。偏度为正（右偏）数据右侧存在长尾，如居民收入、企业利润等经济变量常呈右偏分布，少数高值拉高均值使其大于中位数。SKEW>0·均值>中位数偏度为负（左偏）数据左侧存在长尾，如考试成绩、设备寿命等变量可能出现左偏，均值小于中位数，表明低值异常集中。SKEW<0·均值<中位数峰度大于3（尖峰肥尾）极端值出现概率高于正态分布预期，金融资产收益率典型呈现此特征，对风险管理和VaR计算有重大影响。极端事件高频·VaR风险峰度小于3（平峰瘦尾）数据分布比正态分布更均匀平坦，极端值出现概率低，常见于经过标准化处理或人为控制的生产质量数据。标准化分布·质量管控DescriptiveStatistics·HypothesisTestingJarque-Bera正态性检验Jarque-Bera检验通过综合偏度和峰度信息判断数据是否服从正态分布，是EViews描述性统计输出中内置的假设检验工具。正态性检验结果直接影响后续参数估计方法的选择和统计推断的可靠性，是计量经济学建模的前置必检项目。检验原理JB统计量基于样本偏度和峰度构造卡方分布检验量，衡量实际分布与正态分布（偏度=0、峰度=3）的综合偏离程度。该检验对正态性偏离敏感，适用于大样本场景。S+K→χ²原假设设定H₀为数据服从正态分布，当JB统计量对应的P值小于显著性水平（通常0.05）时拒绝原假设，判定数据非正态。P值越大，正态性证据越充分。P<0.05经济学应用OLS回归的t检验和F检验在小样本下要求误差项正态性，JB检验不通过时需考虑数据变换或采用稳健估计方法。正态性是经典假设检验的理论基础。OLS·稳健估计操作路径在序列对象窗口选择View→DescriptiveStats→HistogramandStats，输出表底部直接显示JB统计量和P值。同时可查看偏度、峰度等辅助指标。View→HistogramEViews第4章·图形和统计量分析描述性统计量的EViews操作与直方图解读EViews提供单序列和多序列两种描述性统计量获取路径，其中HistogramandStats输出同时包含直方图和统计量表，实现数据分布的图形化与数值化双重诊断。养成数据预检习惯是避免后续建模偏差的基础保障。单序列路径打开序列窗口，选择View→DescriptiveStats→HistogramandStats，同步输出频率直方图与完整统计量表格。Histogram直方图解读频率柱状图叠加正态分布密度曲线，若柱状体与曲线贴合度高则数据接近正态，明显偏离则需进一步检验。正态拟合多序列比较选中多个序列后通过Group→View→DescriptiveStats→CommonSample，输出各变量统计量的横向对比表。横向对比最佳实践获取新数据集后首先运行描述性统计，识别异常值、缺失值和分布偏态问题，为数据清洗和模型选择提供依据。数据预检CASESTUDY案例实操：居民收入数据的统计量解读以某城市居民年收入数据为例，通过均值与中位数差异判断偏态方向，结合偏度、峰度和JB检验综合评估正态性，演示从统计量数值到经济学含义的完整解读链条，并据此指导后续数据处理策略的选择。集中趋势分析均值8万元显著高于中位数6.5万元，差值1.5万元表明少数高收入群体拉高了算术平均，中位数更能代表典型收入水平均值8万vs中位数6.5万离散程度评估标准差2.5万元相当于均值的31.25%，变异系数较高，说明居民收入差距较大，数据波动性显著CV31.25%分布形态诊断偏度1.2（明显右偏）与峰度4.8（尖峰肥尾）联合表明收入分布严重偏离正态，极端高收入观测值频率高于正态预期偏度1.2峰度4.8后续处理建议JB检验P值0.001拒绝正态假设，回归建模前应对收入变量取对数（ln_income）以压缩右尾、改善分布对称性ln_incomeCHAPTER04·SUMMARY描述性统计量分析要点总结描述性统计量分析围绕指标解读、正态性检验和操作实践三个层次展开，是计量经济学建模前数据预检的核心能力。指标解读层均值与中位数差异指示偏态方向，标准差与变异系数衡量离散程度，偏度与峰度联合刻画分布形态。经济学变量常呈右偏肥尾分布，需结合业务背景理解统计量含义，避免机械套用数值标准。偏态·肥尾假设检验层Jarque-Bera检验综合偏度和峰度信息判断正态性，P值小于0.05时拒绝正态假设并考虑数据变换。正态性不满足时可选择对数变换、Box-Cox变换或非参数方法，确保统计推断有效性。JB·P<0.05操作实践层HistogramandStats输出兼顾直方图可视化与统计量数值，实现数据分布的双重诊断。养成新数据集优先运行描述性统计的习惯，将异常值识别和分布诊断前置到建模之前。双重诊断Chapter03单位根检验从平稳性概念到ADF检验，建立时间序列分析的基础框架CHAPTER04·STATIONARITY时间序列平稳性的概念与意义平稳性要求时间序列的均值、方差和自相关结构不随时间变化，是经典回归分析和统计推断的前提条件。对非平稳序列直接建模会导致"伪回归"问题，产生虚假的显著性结论，因此平稳性检验是时间序列分析的首要步骤。严平稳与宽平稳严平稳要求联合分布完全不变，实践中通常只需满足宽平稳（协方差平稳），即均值恒定、方差恒定、自协方差仅与滞后阶数有关。协方差平稳平稳序列特征数据围绕固定均值波动，波幅基本一致，无明显的趋势性上升或下降，无持续扩大的波动范围。固定均值非平稳序列危害对两个独立的非平稳序列做OLS回归，可能得到高R²和显著t值，即"伪回归"（SpuriousRegression），结论完全不可靠。伪回归平稳化方法差分运算可将随机游走型非平稳序列转化为平稳序列，对数变换可稳定方差随时间递增的序列。差分运算UNITROOTTEST单位根的定义与检验原理单位根是时间序列非平稳性的数学表征——当自回归系数ρ=1时，序列呈随机游走特征，外部冲击永不衰减。单位根检验通过假设检验框架判断ρ是否显著小于1，ADF检验是最经典且应用最广泛的单位根检验方法。01数学定义在AR(1)模型yt=ρ·yt-1+εt中，当ρ=1时序列存在单位根，等价于随机游走过程，冲击效应不衰减，序列非平稳。ρ=102DF检验原理原假设H₀:ρ=1（存在单位根），构造t统计量检验ρ是否显著小于1，但DF统计量不服从标准t分布，需使用Dickey-Fuller临界值。H₀:ρ=103ADF检验扩展在DF检验基础上加入因变量的高阶滞后项Δyt-k以消除残差自相关，使检验在更一般的ARMA过程下仍然有效。ARMA04检验决策规则若ADF统计量小于临界值（或P值小于0.05），拒绝原假设，认为序列平稳；否则不能拒绝存在单位根的非平稳假设。P<0.05UNITROOTTESTEViews中ADF检验的操作步骤EViews通过View→UnitRootTest菜单提供一站式的ADF检验操作界面，用户需根据序列特征选择检验方程形式和滞后阶数策略。01操作路径打开序列对象窗口，选择View→UnitRootTest，弹出检验设置对话框，默认执行标准ADF检验。View→UnitRootTest02三种检验方程形式含截距和趋势项（InterceptandTrend）、仅截距（Intercept）、无外生变量（None），需根据序列图形特征选择。Trend·Intercept·None03形式选择依据若序列图形呈现明显上升或下降趋势，选择含趋势项形式；若围绕非零均值波动但无趋势，选择仅截距形式。图形特征判断04滞后阶数设置可选AutomaticSelection由EViews基于信息准则自动确定，或Manual指定固定阶数，AIC准则倾向选择较多滞后项。AIC准则INTERPRETATIONADF检验结果的解读方法ADF检验输出包含t统计量、P值和三个显著性水平的临界值，通过统计量与临界值的比较或P值判断来做出平稳性结论。正确解读需注意ADF统计量为负值且"越小越拒绝"的特性。01临界值比较法将ADFt统计量与1%、5%、10%临界值逐一比较，统计量小于临界值（更负）则在对应水平下拒绝单位根假设。t-stat<CriticalValue02P值判断法输出表中的Prob.值直接给出拒绝原假设的最小显著性水平，P<0.05通常作为序列平稳的判断标准。P<0.0503典型结果示例ADF统计量-3.52、5%临界值-2.89、P值0.008，因为-3.52<-2.89且P<0.05，拒绝H₀，序列在5%水平下平稳。−3.52/0.00804报告规范学术论文中应完整报告检验形式（含截距/趋势）、滞后阶数、ADF统计量值和临界值，确保结果可复现。ReproducibleUnitRoot&IntegrationOrder高阶单整检验与差分平稳化当水平序列存在单位根时，需逐阶差分并重复ADF检验以确定序列的单整阶数。大多数宏观经济变量为一阶单整I(1)，确认单整阶数是进行协整分析和构建误差修正模型的前提条件。单整阶数定义若序列水平值非平稳但d阶差分后平稳，则该序列为d阶单整过程I(d)，单整阶数决定序列可参与的建模方法。I(d)逐阶检验流程水平ADF检验不通过→取一阶差分重新检验→仍不通过则取二阶差分，直到ADF检验拒绝单位根假设。ADF经济变量常见阶数GDP、消费、投资、货币供应量等宏观变量通常为I(1)过程，价格水平有时为I(2)，利率多为I(1)或I(0)。I(1)协整分析前提多个I(1)变量之间可能存在协整关系（长期均衡关系），但要求所有参与变量具有相同的单整阶数。协整CaseStudy·UnitRootTest案例实操：GDP序列的单位根检验全流程以中国GDP数据为例演示单位根检验的完整操作流程：水平值ADF检验不通过→取一阶差分→差分序列ADF检验通过，确认GDP为I(1)过程。01水平值ADF检验对GDP水平值执行ADF检验，含截距和趋势项，AIC确定滞后阶数为2，ADF统计量−1.23、P值0.89，不能拒绝H₀ADF=−1.23·P=0.8902一阶差分ADF检验对GDP取一阶差分（ΔGDP），选择仅截距形式，ADF统计量−4.67、P值0.0002，强烈拒绝H₀ADF=−4.67·P=0.000203结论判定GDP水平值非平稳但一阶差分平稳，确认GDP为一阶单整I(1)过程，可用其增长率进行短期分析I(1)过程确认04后续指引消费、投资等变量也需逐一执行相同流程，确认同为I(1)后方可进行协整检验和构建误差修正模型（ECM）协整检验·ECMSummary单位根检验要点总结单位根检验是时间序列分析的守门环节，通过ADF检验判断序列平稳性并确定单整阶数。从检验形式选择、滞后阶数确定到结果解读和逐阶差分，构成完整的平稳性诊断流程，为协整分析和ECM建模奠定基础。理论基础01平稳性要求均值、方差和自相关结构不随时间变化，非平稳序列直接回归会产生伪回归问题02单位根（ρ=1）是序列非平稳的数学表征，ADF检验通过扩展DF框架消除残差自相关后检验ρ<1Stationarity操作要点01根据序列图形特征选择检验方程形式，趋势明显选含趋势项，围绕非零均值波动选仅截距02滞后阶数推荐使用AIC或SIC信息准则自动选择，避免人为设定导致的检验偏误AIC/SIC结果应用01P<0.05时拒绝单位根假设，判定序列平稳02水平非平稳序列需逐阶差分确定单整阶数，I(1)变量间可进一步做协整检验P<0.05CHAPTER04Granger因果检验从因果关系定义到VAR框架下的Granger检验操作与解读Chapter4·CausalityGranger因果关系的核心定义Granger因果关系定义为：若X的滞后值能显著改善对Y的预测精度，则X是Y的Granger原因。这本质上是"预测意义上的因果"而非真实因果，检验基于VAR框架下的F检验，要求变量平稳或具有协整关系。01定义本质在包含Y自身滞后项的预测模型中，若加入X的滞后项后模型拟合优度显著提升，则X对Y存在Granger因果关系02预测因果vs真实因果Granger因果仅表示X在统计上先于Y发生且包含预测Y的有用信息，不等同于X在机制上导致了Y03双向检验特性Granger因果检验总是成对进行，可能得出单向因果、双向因果或无因果三种结论，需分别报告两个方向的检验结果04前提条件参与检验的变量必须是平稳序列（I(0)）或存在协整关系的同阶单整序列，对非平稳非协整变量做检验结论无效STATISTICALMETHODGranger因果检验的数学原理Granger因果检验通过比较受限模型与非受限模型的残差平方和，构造F统计量判断X的滞后信息是否显著改善Y的预测。受限模型仅用Y的p阶滞后项回归Y自身，得到残差平方和RSSR，代表仅基于Y历史信息的预测能力RSSR非受限模型在受限模型基础上加入X的p阶滞后项，得到残差平方和RSSU，代表结合X历史信息后的预测能力RSSUF统计量构造F=[(RSSR−RSSU)/p]/[RSSU/(n−2p−1)]，服从F(p,n−2p−1)分布，衡量X滞后项的边际解释力F(p,n−2p−1)判断标准F统计量对应的P值小于0.05时拒绝原假设H₀:X不是Y的Granger原因，认为X对Y具有统计显著的预测能力P<0.05CHAPTER04·GRANGERCAUSALITYEViews中Granger因果检验操作步骤EViews通过Group对象的View→GrangerCausalityTest菜单执行Granger因果检验，自动输出双向检验结果。操作的关键在于正确选择序列组合和滞后阶数，滞后阶数可通过VAR模型的信息准则预先确定以确保检验效力。01操作路径选中两个序列后右键OpenasGroup，在Group窗口选择View→GrangerCausality/BlockExogeneityTestsOpenasGroup02滞后阶数设定弹出对话框输入滞后阶数p，建议先估计VAR模型获取AIC/SIC推荐的最优阶数，再以此作为Granger检验的输入AIC/SIC03输出结构EViews自动输出两个方向的检验结果——'XdoesnotGrangerCauseY'和'YdoesnotGrangerCauseX'各一行双向检验04稳健性检验尝试2-3个不同滞后阶数，观察结论是否一致；若不同阶数下结论矛盾，需在论文中报告并讨论原因2-3阶数GRANGERCAUSALITYTESTGranger因果检验结果的四种情形Granger因果检验的双向输出可能产生四种结论组合：单向因果（X→Y或Y→X）、双向因果（X↔Y）和无因果（X⊥Y）。每种情形对应不同的经济学含义和政策启示，但均需结合经济理论和现实背景审慎解读。单向因果（X→Y）X的P值<0.05且Y的P值>0.05，X的历史信息能预测Y但反之不能，如货币政策变量单向影响产出X→Y反向单向因果（Y→X）Y的P值<0.05且X的P值>0.05，Y领先于X变化，如经济增长带动能源消费而非相反Y→X双向因果（X↔Y）两个方向的P值均<0.05，变量间存在反馈机制，如汇率与进出口之间的相互影响和动态调整X↔Y无因果关系（X⊥Y）两个方向的P值均>0.05，变量在统计预测意义上相互独立，但不排除非线性或其他形式的关联X⊥YCASESTUDY案例实操：货币供应量与GDP的因果关系检验以M2与GDP为例演示Granger因果检验全流程：确认变量单整阶数→对平稳差分序列执行检验→解读双向F统计量和P值。结果显示M2增长率单向Granger导致GDP增长率，为货币政策的产出效应提供了统计层面的经验证据。前置准备单位根检验确认M2和GDP均为I(1)过程