Eviews 应用实例PPT课件

1、Eviews时间序列分析示例，本节的主要内容是解释如何使用Eviews软件进行分析。1.指数平滑就是一个例子。指数平滑实际上是历史数据的加权平均值。它可以用于任何没有明显函数规律但有一定相关性的时间序列的短期预测。由于许多其他分析方法不具备这一特点，指数平滑法在时间序列预测中仍然占据着非常重要的地位。()一次指数平滑一次指数平滑也称为单次指数平滑。它最突出的优点是方法非常简单，甚至预测结果只要在样本末尾平滑就可以得到。主要指数平滑的特点是它可以跟踪数据变化。所有索引都共享此功能。在预测过程中加入最新的样本数据后，新的数据应该取代旧的数据，旧的数据将逐渐占据次要地位，直至被淘汰。这样，预测值总是

2、反映最新的数据结构。一次性指数平滑有局限性。一是预测值不能反映趋势变化和季节性波动等规律性变化；其次，这种方法更适合短期预测，而不是中长期预测。第三，由于预测值是历史数据的平均值，它滞后于实际序列的变化。指数平滑预测是否理想在很大程度上取决于平滑系数。Eviews提供了两种确定指数平滑系数的方法：自动设置和手动确定。选择自动给定，系统将根据预测误差平方和最小的原则自动确定系数。如果系数接近1，则意味着序列近似为纯随机序列，那么最新的观测值就是最理想的预测值。为了预测，有时系统给出的系数不理想，用户需要自己指定平滑系数值。平滑系数的合适值是多少？一般来说，如果序列平滑地变化，平滑系数应该较小，例

3、如小于0.1；如果序列剧烈变化，平滑系数可以更大，例如0.30.5。如果平滑系数的值大于0.5，则可以跟上序列的变化，这表明序列具有很强的趋势性，不能用指数平滑来预测。例1企业食盐销售预测。现在，我们有了过去连续30个月的历史数据(见表1)，并试图预测下个月的销售量。表1企业单位食盐销售量：吨解决方案：使用Eviews分析数据，第一步是建立工作文件并输入数据。相关操作已在本章第一节中解释过，因此在此不再重复。假设已经建立了一个工作文件，并且已经生成了具有采样周期l30的序列，该序列被命名为SALES。Series SALES包含示例1中要分析的数据。第二步，绘制序列图形。在序列对象窗口中，单击

4、视图线图。屏幕显示图1所示的图表。图1:企业近30个月的动态销售数据。从图1可以看出，该企业近30个月的销售额没有明显的趋势，也没有明显的季节性趋势。因此，可以直观地判断，第一指数平滑法可以用来预测企业下个月的销售量。第三步是扩大采样周期。在本例中，需要预测下个月的销售量，工作文件的样本期为130天。在Eviews中，首先需要更改采样周期。改变采样周期的操作在本章第一节已经说过，这里将把采样周期改为l31。第四步是指数平滑。指数平滑有两种菜单操作方式：一种是在主工作文件窗口打开时，在主窗口中点击快速序列统计指数平滑；其次，在序列对象窗口中单击程序组件平滑。点击后，屏幕上会出现如图2所示的指数平

5、滑对话框。指数平滑对话框包含五个选项：平滑方法、平滑参数、平滑序列、估计样本范围和季节性变化周期。对话框左上角的平滑方法包括：单第一指数平滑双第二指数平滑霍尔特温特斯季节性叠加模型霍尔特温特斯季节性乘积模型的平滑参数包括阿尔法、贝塔和伽玛。平滑系数可由系统自动给出或由用户指定。默认状态由系统自动给出。如果用户需要指定，只需在相应参数的位置填入指定值即可。在本例中，的值分别指定为0.3和0.5。当指定的平滑系数为0.3时，预测残差的平方和为137.2978；当平滑系数为0.5时，预测残差平方和为165.0685。因此，这里选择平滑系数为0.3时的预测结果。根据指数平滑法的预测，企业下个月的销售量

6、应该是29.2吨。图2指数平滑对话框，(2)二次指数平滑二次指数平滑也称为双指数平滑。与第一次指数平滑相比，第二次指数平滑能够预测具有一定线性趋势的序列，且预测周期较长。例2一家公司从1990年到2001年的实际销售额如表2所示。请根据这一数据预测2002年和2003年的企业销售额。表2公司销售单位：万元。解决方案：第一步是建立工作文件，样本期为1990-2001年的年度数据。在新建立的工作文件中，生成了一个名为SALES的新序列。打开SALES序列对话框，在表2中输入数据。第二步是绘制序列图形。从图中可以看出，该企业的销售额有明显的增长趋势(见图3)。序列的波动不是很剧烈。由此看来，用二次指

7、数平滑法进行预测更为合适。第三步是扩大采样周期。由于此示例需要预测未来两年的销售额，因此工作文档的样本期更改为1990-2003年。图3企业从1990年到2001年的销售变化第四步是指数平滑。根据前面示例中的方法，用户可以进入如图2所示的指数平滑对话框。在本例中，选择二次指数平滑法，系统自动确定系数。结果如表3所示。SALES原始系列有12个观察值，即1990年至2001年的企业销售额。当执行二次指数平滑时，系统根据这12个值自动确定最佳平滑系数0.244。此时，残差平方和和和二次指数平滑预测的均方根误差分别为101.3594和2.906306。当Eviews给出指数平滑结果的统计表(见表3)

8、时，它并不直接给出2002年和2003年的销售预测值。这两个值存储在系统生成的平滑序列SALESSM中，用户只需打开序列就可以看到二次指数平滑法的预测结果。结果表明，该企业2002年和2003年的销售额分别为566万元和594万元。表3第二次指数平滑结果，如果第二次指数平滑的预测结果和原始观察值一起显示在同一张图片上，用户可以看得更清楚。首先，在工作文件菜单中选择两个序列，SALES和SALESSM，首先单击一个序列，然后按键盘上的Shift键，然后单击另一个序列。然后单击工作文件菜单工具栏中的显示，并在弹出的对话框中单击确定。此时，系统将弹出一个类似于序列对象窗口的组窗口(见图4)，其中SA

9、LES和SALESSM都以Excel表格的形式显示。最后，单击窗口顶部的视图线(参见图5)。图4组对象窗口，图5实际销售额和平滑值系列之间的比较图，2。趋势延伸法的例子，时间序列的趋势是时间序列随时间变化的基本规律和特征。对于趋势序列，我们通常可以选择合适的模型进行分析和预测。()线性趋势线性趋势模型是最常用和最成熟的方法之一。该模型的基本结构是：在Ytabt公式中，A和B是模型的参数。该模型结构简单例3 1992-2002年一个城市的鸡蛋销售量如表4所示。试着预测一下2003年这个城市的鸡蛋销量。表4城市鸡蛋销售单位：10，000公斤解决方案：第一步是建立一个新的工作文件，样本期为1992-

10、2002年。生成系列SALES，并在表4中输入销售观察值。在第二步中，打开销售序列对象窗口，点击视图线图绘制一个序列散点图(见图6)。图6系列散点图，Eviews中没有直接绘制散点图的菜单选项。当你需要画散点图时，你需要先画一个线图。图形对象窗口显示在屏幕上后，用鼠标左键双击图形的任意位置，或右键单击，然后从弹出菜单中选择选项。此时，系统将弹出图形属性对话框。“图形属性”对话框中有许多选项。用户可以轻松地更改图形类型、图形姿态、线图格式、条形图格式等。在这里，选择图形类型为线形图，然后选择线形图格式的符号1。单击确定。从散点图可以看出，该序列基本上呈现线性增长趋势，因此建议采用线性趋势延伸法进

11、行预测。在第三步中，生成时间变量t。最小二乘法通常用于估计模型参数，其中观测值为因变量，序列T为自变量。有许多方法可以生成新的序列，或者通过菜单操作，或者直接在主窗口中输入命令行。菜单操作的方法在本章的第一节已经解释过了，其中序列t是以命令行的形式生成的。Eviews用命令数据生成序列，用户只需在主窗口输入命令数据T。对于序列t，用户可以在打开的对象窗口中为其赋值，例如赋值1、2和3。如果用户需要直接生成包含值的序列t，他也可以使用函数来生成序列，并在主窗口中输入命令行(参见图7)。图7，序列生成命令和值的情况被缩写，genr T=趋势。系统自动生成序列t，并从0开始计数，其值依次为0、1、2

12、和3。第四步，模型估计。在Eviews中，最小二乘回归的命令是最小二乘，其基本编写格式是：最小二乘因变量C独立变量，其中C代表模型中的常项，无需编写无常项的模型。在这个例子中，下面的命令用于回归。根据表5中的结果，得到以下模型：sale31.2272.391T 5，进行预测。根据上述模型结果，很容易给出2003年鸡蛋销售的预测结果。将T11代入上述模型，计算结果显示该企业2003年鸡蛋销售额为57.5万元。(二)曲线趋势经济序列中有许多曲线趋势。线性趋势的估计相对简单，而曲线趋势的估计更常用。指数曲线、二次曲线、三次曲线和Gompers曲线是市场经济序列中常见的模型，它们的估计是相似的。这里，

13、以指数曲线为例，介绍如何利用Eviews对模型进行估计。例4一个城市近9年的灯具销售量如表6所示。试着预测一下2002年的销售量。解决方案：第一步是建立一个新的工作文件，其样本期为1993年至2001年。生成系列SALES，并在表中输入销售观察值。表6城市中灯具的销售单位：10，000个步骤2:打开SALS序列对象窗口，单击视图线图绘制序列散点图(见图8)。图8销售散点图从绘制的散点图可以看出，该企业灯具销售的变化呈现有规律的加速增长。根据经验，预测企业下一年的销售数据，可以采用指数趋势模型。如果计算销售数据的逐月增长率，则可以更有把握地选择指数模型。本章重点介绍各种方法的软件实现。对选型感兴

14、趣的读者可以参考本书前面的相关章节。在第三步中，生成时间变量t。在这种情况下，系统自动生成命令：genr Ttrend。第四步是转换因变量序列。在改变因变量序列之前，我们必须先弄清楚我们为什么要改变。指数模型的基本形式如下：从统计学的角度来看，传统的估计方法不能直接估计该模型的参数，因此有必要对模型的形式进行变换，以便对参数进行估计。指数趋势模型可以通过变换转化为线性模型，因此指数模型被称为线性化模型。指数模型转换的结果是log(Yt)log(a)log(b)t，细心的读者会发现该模型与前面介绍的线性趋势模型非常相似，只是模型左侧的因变量经历了对数转换。因此，转换因变量的原因实际上来自模型的转

15、换，而转换的目的是用传统的估计方法来估计模型的参数。对于指数模型，因变量通常转化为对数。在Eviews中，将生成一个新序列，新序列的值正好等于原始观察序列值的对数结果。按命令操作，在主窗口中输入以下命令：genrlales=log (sales) lsales是新生成序列的名称。如果你画一个lsales的散点图，你会发现变换后的序列基本上是一条直线。这里有兴趣的读者可以试一试。第五步是模型估计。在主窗口中输入以下命令：LS lsales c t注意，这里，转换后的序列和时间变量t实际上用于线性回归，估计结果是参数log(a)和log(b)的值(见表7)。表7线性回归结果、步骤6，进行预测。根据

16、表7中的结果，可以得到以下模型：log(Sales)2.14630.2225T将T9代入上述模型，log(Sales)为4.1488。可以预测，该企业2002年的销售额为63.36万件。(3)季节指数法示例()季节模型类型季节模型是反映季节变化规律的时间序列模型。季节变化通常是指以一年为周期的变化。引起季节变化的主要因素是季节的变化。季节性变化是许多产品市场的普遍现象，最典型的季节性产品市场是冷饮、服装、空调等。传统的时间序列分析将时间序列的波动归结为四个因素：趋势变化、季节变化、周期变化和不规则变化。周期性变化是指具有几年周期的变化，它不一定有固定的变化周期和确定性的变化规律，但通常指经济周期。不规则的变化是随机的变化。四个变量因子对序列的影响可以归纳为两个经典模型：乘法模型YTSI