Eviews数据统计与分析教程4章

EviewsTutorialEviews数据统计与分析教程第4章·图形和统计量分析Contents目录Eviews数据统计与分析核心方法概览01描述性统计量分析02相关分析方法03单位根检验04Granger因果检验CHAPTER01图形对象的创建与管理掌握EViews中Graph对象的生成、冻结与复制操作EViews·Chapter04图形(Graph)对象的生成Graph对象是EViews数据可视化的核心载体，支持多种生成路径与丰富的图形类型选择。合理选择图形类型和分组方式，能够有效揭示数据的趋势特征、分布形态和变量间关系，为后续统计分析提供直观的视觉依据。EViews图形对象操作界面01生成途径通过Quick菜单选择Graph、在序列窗口View中选择Graph选项、或在命令行直接输入graph命令并指定参数Quick·View·Command02图形类型支持线图、散点图、条形图、饼图、面积图、箱线图等十余种图形类型10+ChartTypes03类型选择趋势观察选线图，分布特征选直方图，变量关系选散点图，结构占比选饼图Line·Scatter·Bar·Pie04分组选项Withingraph将各变量绘制在同一坐标系，Asgroup分别生成独立子图Within·AsGroupDATAVISUALIZATION常用图形类型与应用场景不同图形类型对应不同的分析需求：线图揭示时间趋势，散点图探索变量关系，条形图与饼图呈现分类对比与结构占比。正确选择图形类型是高效数据分析的前提，直接影响分析结论的可靠性和直观性。趋势与分布类图形01线图适用于时间序列趋势分析，可叠加多条序列进行走势对比，是宏观经济数据分析的首选图形02直方图展示单一变量的频率分布，配合正态分布曲线可直观判断数据是否服从正态分布Trend&Distribution关系探索类图形01散点图用于探索两个连续变量间的相关关系，散点分布形态可初步判断线性、非线性或无相关关系02XY配对图可同时展示多个变量两两之间的散点关系矩阵，快速识别变量组内的相关结构RelationshipExploration分类对比类图形01条形图适用于不同类别或时期的指标对比，支持簇状、堆叠等多种排列方式以呈现不同维度的信息02饼图直观展示各组成部分在总量中的占比结构，适合产业构成、支出结构等比例分析场景Comparison&CompositionGRAPH·FREEZE图形的冻结(Freeze)操作Freeze操作将动态视图转化为静态Graph对象，是EViews图形管理中的核心机制。动态视图vs冻结图形动态视图(View)随底层数据变化自动更新，冻结图形(Freeze)则是某一时刻的静态快照，独立于原始数据。View→Freeze两种冻结方式在图形窗口点击Freeze按钮，或在命令行输入freeze命令并指定新图形对象的名称。GUI/CLIGraph对象独立属性冻结后可自由修改标题、坐标轴、颜色、线型等显示设置，不影响原始数据序列。标题·坐标轴·线型学术引用规范学术论文和研究报告中，所有引用的图形都应经过Freeze操作，确保图形稳定性和可复现性。稳定·可复现CHAPTER4·GRAPHICSOUTPUT图形的复制与导出EViews提供多层次的图形输出方案，从剪贴板复制到多格式文件导出，满足不同场景的使用需求。掌握图形编辑与导出技巧，能够显著提升研究报告和学术论文中数据可视化的专业质量。剪贴板复制位图格式适用于快速粘贴，元图格式保留图形元素的可编辑性，适合在Office中进一步调整。Bitmap/Metafile文件导出支持PNG、JPEG、TIFF等位图格式以及EPS、PDF等矢量格式，学术论文建议使用矢量格式保证印刷质量。EPS·PDF图形编辑修改坐标轴范围与刻度、添加图例与注释、调整线条颜色与粗细、设置背景网格等精细化操作。Options批量管理利用Group对象同时生成多个变量的图形组合，配合表格化输出提升数据处理效率。GroupCHAPTER02描述性统计量分析运用EViews计算和解读数据的集中趋势、离散程度与分布形态DESCRIPTIVESTATISTICS描述性统计量概述描述性统计量从集中趋势、离散程度和分布形态三个维度量化数据特征，是数据分析的基础环节。在建模分析之前进行描述性统计，能够帮助研究者快速了解数据质量、识别异常值，并为选择合适的模型提供依据。集中趋势均值、中位数和众数从不同角度反映数据中心位置，其中均值对极端值敏感而中位数更稳健Mean·Median·Mode离散程度标准差、方差、极差和变异系数量化数据围绕中心值的分散程度Std.Dev·Variance分布形态偏度反映分布的对称性，峰度反映分布的尖峭或扁平程度Skewness·KurtosisEViews操作路径序列窗口选择View→DescriptiveStatistics→HistogramandStats，一次性输出全部统计量和频率分布直方图View→StatsCHAPTER04·DESCRIPTIVESTATISTICS核心统计量的解读方法正确解读描述性统计量需要综合考量多个指标的相互关系：均值与中位数的差异提示分布偏态，偏度与峰度的数值反映分布偏离正态的程度。CENTRALTENDENCY集中趋势解读均值与中位数接近时数据分布较对称，两者差距大则提示存在偏态或极端值，应进一步检查数据质量对于收入、房价等右偏分布数据，中位数比均值更能代表"典型水平"，报告中应同时列出两个指标均值·中位数DISPERSION离散程度解读标准差需结合均值理解——变异系数（CV）消除了量纲影响，适合比较不同量级数据的离散程度极差（Max−Min）对极端值高度敏感，存在异常值时可能严重高估数据的实际波动范围CV·极差DISTRIBUTIONSHAPE分布形态解读偏度为0表示完全对称，正值表示右偏，负值表示左偏；金融收益率数据通常呈现负偏态特征峰度大于3（超额峰度＞0）表示尖峰厚尾分布，金融资产收益率普遍存在此特征，对风险管理有重要影响偏度·峰度DescriptiveStatistics·Testing描述性统计量检验Jarque-Bera正态性检验是描述性统计分析中最关键的推断工具，利用偏度和峰度构造检验统计量判断数据是否服从正态分布。JB检验原理基于样本偏度(S)和峰度(K)构造联合检验统计量，通过比较实际分布与正态分布的偏离程度进行假设检验检验统计量公式检验统计量公式JB=N·[S²/6+(K-3)²/24]原假设下渐近服从χ²(2)分布EViews输出软件直接输出JB统计量及其对应的P值，用户只需根据显著性水平做出统计决策，无需手动计算复杂公式P<0.05拒绝原假设P≥0.05无法拒绝拒绝时考虑对数变换或检查异常值回归影响残差正态性是经典线性回归的重要假设，直接影响参数估计量的有效性及假设检验的可靠性OLS估计t检验F检验置信区间正态性不满足时考虑稳健标准误或Bootstrap方法替代方法EViews平台集成多种正态性检验方法，建议结合多种检验综合判断，提高结论的稳健性和可信度K-S检验Kolmogorov-SmirnovS-W检验Shapiro-WilkJ-B检验Jarque-Bera大样本优先JB，小样本推荐S-WChapter12·EViews序列组(Group)描述性统计Group对象的描述性统计将分析视野从单一变量扩展到多变量联合分析，不仅输出各序列的独立统计量，还提供协方差矩阵和相关系数矩阵。三层输出Group统计输出含独立描述统计量、协方差矩阵与相关系数矩阵三个层面3层矩阵对比协方差受量纲影响不便比较；相关系数消除量纲，取值[−1,1]更易解读[−1,1]View菜单CovarianceAnalysis同时输出两种矩阵，并支持ANOVA均值检验与Bartlett方差齐性检验ANOVA+Bartlett快捷创建命令窗口输入groupg1x1x2x3即可将三个序列组合为序列组对象groupg1x1x2x3CHAPTER03相关分析方法量化变量间线性关系的强度与方向，为因果推断奠定基础CorrelationAnalysisPearson相关系数与EViews实现Pearson相关系数量化了两个连续变量间线性关系的强度与方向，是实证研究中最常用的关联度度量。但相关不等于因果，高相关系数仅表明变量间存在统计关联，确证因果关系需要进一步的Granger检验或结构模型分析。计算公式r等于两变量协方差除以各自标准差之积，取值[-1,1]，绝对值越大表示线性关系越强[-1,1]强度判断标准|r|≥0.7为强相关，0.4≤|r|<0.7为中等相关，|r|<0.4为弱相关，标准因学科领域而异≥0.7EViews操作路径建立Group对象后选择View→CovarianceAnalysis→Correlation，输出相关系数矩阵并可显示P值View→Corr分析局限性仅度量线性关系，对非线性关联不敏感；高相关可能是共同趋势或遗漏变量导致的虚假相关SpuriousChapter4·AdvancedCorrelation相关分析的进阶方法与注意事项Pearson相关系数存在虚假相关和非线性盲区，需结合偏相关、Spearman秩相关和散点图诊断；时间序列数据尤须先做平稳性检验。01·虚假相关共同趋势与虚假相关时间序列数据中共同趋势可导致虚假高相关，应先进行单位根检验或去趋势处理后再计算相关系数。单位根检验02·视觉诊断Anscombe四重奏四组完全不同的数据可具有相同相关系数，因此相关分析前必须先绘制散点图进行视觉诊断。散点图诊断03·替代度量Spearman秩相关基于数据排序而非原始值计算，对极端值稳健且能捕捉单调非线性关系，适合有序变量或非正态数据。排序稳健04·替代度量偏相关分析在控制第三变量影响后计算两变量的净相关，EViews可通过命令行或编程实现多阶偏相关的计算。净相关CHAPTER04单位根检验判断时间序列的平稳性，避免伪回归并确定正确的建模策略CHAPTER04·STATIONARITY平稳性与单位根的概念时间序列平稳性是经典回归分析的前提条件，含有单位根的非平稳序列会导致伪回归问题，使传统统计推断完全失效。01弱平稳条件均值、方差不随时间变化，自协方差仅依赖滞后期数而非具体时间点，是大多数时序模型的基本假设。WeakStationarity02单位根过程DGP:yₜ=yₜ₋₁+εₜ，冲击对序列的影响是永久性的，序列不具有均值回复特性。UnitRootProcess03伪回归问题两个独立单位根序列因共同随机趋势表现高度相关，OLS的R²和t统计量失去标准分布。Granger与Newbold的蒙特卡洛模拟显示，此类回归的R²分布向右偏斜严重，DW统计量趋近于零。SpuriousRegression04实证数据特征GDP、物价指数、货币供应量等宏观变量通常含单位根，利率、失业率等可能平稳，需逐一检验。检验方法包括ADF检验、PP检验和KPSS检验，不同检验的备择假设存在差异，实际应用中建议多种方法交叉验证。MacroVariablesUNITROOTTESTADF检验原理与EViews操作ADF检验通过检验序列差分回归中滞后水平项系数的显著性来判断单位根的存在，是最经典且应用最广泛的平稳性检验方法。正确选择检验模型形式以及滞后阶数，是确保检验结论可靠的关键。01原假设与统计量H₀为序列含有单位根（非平稳），H₁为序列平稳；检验统计量不服从标准t分布，需使用Dickey-Fuller临界值进行判断。H₀:单位根02模型形式选择先观察序列图形：围绕零值波动选无常数无趋势型，围绕非零均值波动选含常数型，有明显线性趋势选含常数和趋势型。3种形式03EViews操作路径序列窗口View→UnitRootTest→选择ADF检验→设定模型形式和滞后阶数（可选AIC/SIC自动选择），输出统计量与临界值。View→UnitRoot04判断规则ADF统计量绝对值大于临界值绝对值（或P值<显著性水平），则拒绝原假设，认为序列平稳；否则不能拒绝含单位根的假设。|ADF|>|CV|UNITROOTAPPLICATION单位根检验结果的应用策略单位根检验的结果直接决定了后续的建模路径选择：平稳序列可直接回归，同阶单整序列可进一步做协整检验，不同阶单整序列则需特殊处理。建立从单位根检验到模型选择的系统化决策框架，是时间序列实证研究的核心方法论。平稳序列的建模I(0)平稳序列可直接使用OLS回归、ARMA模型等标准方法，传统统计推断(t检验、F检验)有效。若关注短期波动而非长期水平，也可对平稳序列进行差分建模，但需注意过度差分可能引入不必要的MA结构。I(0)非平稳序列的建模同阶单整(如均为I(1))的多个序列可进行协整检验(Johansen或EG两步法)，若存在协整关系则建立VECM误差修正模型。不同阶单整序列不能直接做协整分析，可采用ARDL边界检验法或将高阶单整序列差分降阶后统一处理。VECM其他单位根检验方法PP检验使用非参数方法修正序列相关，适合误差项存在复杂自相关结构的情况，与ADF检验互补使用。KPSS检验的原假设与ADF相反(H₀为平稳)，建议将ADF与KPSS联合使用以提高结论的稳健性。ADF+KPSSUNITROOTTEST常见单位根检验方法比较不同单位根检验方法在原假设设定、序列相关处理方式和检验功效上各有差异，实际研究中应多种方法联合使用以增强结论的稳健性。ADF与KPSS的互补使用是当前学术界最推荐的检验策略。EViews中常用单位根检验方法对比检验方法原假设核心特点适用场景ADF检验含单位根参数化方法，通过加入滞后差分项消除序列相关最通用，适合大多数情况PP检验含单位根非参数方法，使用Newey-West修正异方差和自相关误差项结构复杂时KPSS检验趋势平稳原假设为平稳，与其他方法互补验证与ADF联合使用DF-GLS检验含单位根先去趋势再做ADF检验，功效更高含趋势序列的高功效检验ERS检验含单位根基于点最优检验理论，对小样本功效好样本量较小的情况五种检验方法中ADF和PP原假设相同但处理方式不同，KPSS原假设相反，DF-GLS和ERS在小样本和含趋势场景下功效更优UNITROOTTEST·CASESTUDY单位根检验实操案例：GDP序列通过中国GDP序列的完整检验流程，展示从图形观察→模型选择→滞后阶数确定→结果判读→差分再检验的标准化操作链。01绘制线图观察趋势—发现GDP存在明显上升趋势，选择含截距和线性趋势项的ADF检验模型截距+趋势项02SIC准则自动定阶—在设定的最大滞后阶数范围内，由EViews自动选取使SIC最小的最优阶数SchwarzIC03水平序列不平稳—ADF统计量=−2.15，大于5%临界值−3.52，不拒绝单位根原假设ADF=−2.1504一阶差分平稳—D(GDP)选择不含趋势项模型，ADF=−4.83<−3.52，拒绝原假设，GDP为I(1)序列I(1)确认计量经济学上机实验教学场景Chapter05Granger因果检验基于预测能力的因果关系检验，揭示变量间的信息传导方向第4章·因果分析基础Granger因果关系的定义与原理Granger因果关系基于"预测能力改善"来定义因果：若X的历史信息能显著提升对Y的预测精度，则X是Y的Granger原因。这一定义仅在统计预测意义上成立，不等同于真实因果机制。Definition形式化定义在信息集Ωₜ中加入X的历史值后，Y的条件分布发生变化：F(Yₜ₊₁|Ωₜ,Xₜ,Xₜ₋₁,…)≠F(Yₜ₊₁|Ωₜ)，则XGranger导致Y。Method检验方法基于双变量VAR模型，估计受限模型（仅含Y滞后项）与非受限模型（加入X滞后项），用F检验判断X的滞后项系数是否联合显著。Outcomes四种可能结果X→Y单向因果、Y→X单向因果、X↔Y双向因果（反馈关系）、以及X与Y无Granger因果关系。Limitation核心局限Granger因果不等于真实因果，可能受遗漏变量、共同驱动因素或样本期间选择影响；且要求序列平稳或存在协整关系。Chapter04·GrangerCausalityGranger因果检验的EViews实现EViews的Granger因果检验通过Group对象的内置功能实现，操作简洁但需注意平稳性与滞后阶数选择，正确解读双向结果可揭示变量间信息传导方向。前置条件序列须为平稳I(0)或同阶单整且存在协整关系；非平稳无协整序列应差分平稳化后再检验，否则结论不可靠。I(0)或同阶单整操作路径建立Group对象→View→LagLengths→GrangerCausality/BlockExogeneityTests→设定滞后阶数。Group→View→Tests结果解读输出含双向F检验，关注P值列：P<0.05拒绝"X不Granger导致Y"的原假设，认为存在该方向因果。P<0.05→拒绝原假设应用注意滞后阶数对结论影响显著，建议用LR、FPE、AIC、SC、HQ等准则综合判断；样本期选择也会影响稳定性，建议滚动窗口验证。LR·FPE·AIC·SC·HQCHAPTER04·CASESTUDY实证案例：货币供应与GDP因果关系通过中国M2与GDP的Granger因果检验案例，完整展示从数据准备→平稳性检验→协整检验→因果检验的实证研究全流程。01研究问题：检验中国货币供应量(M2)与实际GDP之间是否存在Granger因果关系及其方向，以判断货币政策对实体经济的传导效果02数据预处理：对M2和GDP季度数据取对数后做ADF检验，确认均为I(1)序列；Johansen协整检验表明存在至少一个协整关系03因果检验结果：M2→GDP方向F统计量显著(P=0.02<0.05)，拒绝无因果原假设；GDP→M2方向不显著(P=0.35)，结论为单向Granger因果04经济学解读：结果支持货币供给驱动论——货币供应量的扩张对后续经济增长有预测作用，央行通过调控M2可影响实体经济产出中国人民银行·货币政策调控核心机构CHAPTERREVIEW本章知识体系总结第4章构建了从数据可视化到统计推断的完整分析链：图形分析提供直觉认知，描述性统计量量化数据特征，相关分析探索变量关联，单位根检验保障建模前提，Granger因果检验揭示信息方向。五大模块层层递进，构成计量实证研究的标准前置分析流程。数据可视化层图形对象的生成、冻结与复制操作，掌握线图、散点图、条形图等常用图形的选择策略和编辑技巧图形分析为后续统计分析提供直觉认知，帮助发现趋势、异常值和非线性特征等数据模式Graph·直觉认知统计描述层描述性统计量（均值、标准差、偏度、峰度）的计算与解读，Jarque-Bera正态性检验判断分布假设的合理性Group对象的多变量联合统计提供协方差和相关系数矩阵，是理解变量关系的起点J-B·正态性检验推断检验层相关分析量化变量间线性关联强度，需警惕虚假相关和非线性盲区，结合散点图和偏相关分析提升可靠性单位根检验（ADF/PP/KPSS）确保时间序列平稳性，Granger因果检验揭示变量间预测意义上的因果方向ADF·GrangerSTANDARDWORKFLOW数据分析标准流程与决策路径从数据获取到模型建立之间存在一套标准化的分析流程：可视化→描述统计→相关分析→平稳性检验→因果检验。每一步的输出都是下一步的输入依据，形成环环相扣的决策链。STEP01图形分析绘制时间序列线图、散点图和分布图，直观识别趋势特征、异常值和非线性模式，为后续分析提供方向VisualSTEP02描述性统计计算均值、标准差、偏度、峰度，执行JB正态性检验，评估数据质量和分布假设的合理性DescribeSTEP03相关分析计算Pearson/Spearman相关系数矩阵，初步判断变量间关联强度，同时通过散点图排除虚假相关CorrelateSTEP04单位根检验对时间序列执行ADF/KPSS联合检验，确定单整阶数，决定采用标准回归、差分还是协整分析StationaritySTEP05Granger因果检验在平稳性或协整条件满足后，检验变量间预测因果关系方向，为理论假说提供实证支持CausalityChapter04·QuickReferenceEViews核心操作速查表本章涉及的EViews操作可归纳为菜单驱动和命令行两种方式，菜单操作适合初学者逐步学习，命令行操作则提供更高的效率和灵活性。熟练掌握两条路径，能够在不同场景下灵活选择最合适的操作方式。第4章EViews操作命令与菜单路径汇总分析任务菜单路径命令行方式创建图形Quick→Graph/序列窗口View→Graphgraphg1linex1x2冻结图形图形窗口→Freeze按钮freezeg2g1描述性统计序列窗口View→DescriptiveStatsx1.statsGroup统计Group窗口View→DescriptiveStatsgroupg1x1x2/g1.stats相关系数矩阵Group窗口View→CovarianceAnalysisgroupg1x1x2/g1.corADF检验序列窗口View→UnitRootTestx1.adfGranger因果Group窗口View→GrangerCausalitygroupg1x1x2/g1.cause(2)7项核心操作覆盖本章所有分析任务，建议同时掌握菜单和命令行两种操作方式以提高分析效率LEARNINGOUTCOMES本章学习目标达成清单本章围绕EViews图形与统计量分析展开，目标是使学生掌握从数据可视化到初步统计推断的完整技能链。图形操作独立创建线图、散点图、条形图，掌握冻结与导出，制作专业级可视化图表CHART描述统计计算均值、标准差、偏度、峰度，执行Jarque-Bera正态性检验评估模型假设STATS相关分析计算Pearson与Spearman系数矩阵，结合散点图识别虚假相关，理解相关≠因果CORRELATION单位根检验执行ADF/PP/KPSS检验判断序列平稳性，据此选择回归、差分或协整建模路径ADF因果检验满足前置条件下执行Granger检验，正确解读双向结果并结合经济理论解释