经典线性回归模型的Eviews操作

经典线性回归模型经典回归模型在涉及到时间序列时，通常存在以下三个问题：1）非平稳性→ADF单位根检验→n阶单整→取原数据序列的n阶差分（化为平稳序列）2）序列相关性→D.W.检验/相关图/Q检验/LM检验→n阶自相关→自回归ar(p)模型修正3）多重共线性→相关系数矩阵→逐步回归修正注：以上三个问题中，前两个比较重要。整体回归模型的思路：1）确定解释变量和被解释变量，找到相关数据。数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。2）把EXCEL里的数据组导入到Eviews里。3）对每个数据序列做ADF单位根检验。4）对回归的数据组做序列相关性检验。5）对所有解释变量做多重共线性检验。6）根据上述结果，修正原先的回归模型。7）进行模型回归，得到结论。Eviews具体步骤和操作如下。一、数据导入1）在EXCEL中输入数据，如下：除去第一行，一共2394个样本。2）Eviews中创建数据库：File\new\workfile,接下来就是这个界面（2394就是根据EXCEL里的样本数据来），OK3）建立子数据序列程序：Datax1再enter键就出来一个序列，空的，把EXCEL里对应的序列复制过来，一个子集就建立好了。X1是回归方程中的一个解释变量，也可以取原来的名字，比如lnFDI，把方程中所有的解释变量、被解释变量都建立起子序列。二、ADF单位根检验1）趋势。打开一个子数据序列，先判断趋势：view\graph，出现一个界面，OK。得到类似的图，下图就是有趋势的时间序列。-.8-.6-.4-.2.0.2.410002000300040005000X12）ADF检验。直接在图形的界面上进行操作，view\unitroottest，出现如下界面。在第二个方框内根据时序的趋势选择，Intercept指截距，Trend为趋势，有趋势的时序选择第二个，OK，得到结果。上述结果中，ADF值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。若大于5%，则存在单位根。按照这个做法将所有的序列都操作一遍。3）修正。倘若原序列存在单位根，就对原序列进行一阶差分。程序：genrdx1=D(x1)Enter键后，Eviews里会自动生成子序列dx1，x1只是解释变量，可以自己命名。再对该一阶差分序列进行ADF检验，若所得均显著，即为一阶单整序列，此序列不存在单位根。按照一阶单整序列建立模型，模型的数据序列是平稳的。三、模型回归程序：datayx1x2Y是模型的被解释变量，后面的解释变量随模型的具体情况而定。Enter键，出来一个数据组合，我这里DX11做为被解释变量。接下来是回归的操作。点击Proc/makeequation，出来界面，直接点确定。其中，dx11是被解释变量，其余都为解释变量。得到结果，形式如下。结果说明：coefficient是每个解释变量对应的系数，第四列是t统计值，最后一列是伴随概率。R-squared是拟合优度，下面那个是调整的拟合优度。分析时遵循下列原则：1模型总体拟合优度R2，一般而言50%以上就很好。这个说明的是方程解释变量总体对被解释变量的解释力度好，即你的模型建立的比较正确。F值和此类似，判断方法和t统计值的一样，看伴随概率。2系数。看t值和伴随概率，如果伴随概率小于自己设定的显著性水平（1%、5%、10%），则拒绝原假设，说明该一个解释变量对被解释变量有显著的贡献度。注：R2看的是整体（所有解释变量），t注重的是单个解释变量的贡献度。四、序列相关性检验序列相关性指的是模型回归后产生的残差序列（resid序列）具有自相关性，即前一个时间段的残差对现今的残差有影响，因此需要进行修正。方法有下列4种：D.W.统计量检验，相关图，Q检验，LM检验。可随机选一种，但要注意：D.W.检验法方便但比较粗糙，而且只能针对一阶自回归，无法进行高阶自回归的验证和模型自带滞后项的验证。LM检验能克服以上问题。另外，相关图和Q检验也较常用。1）D.W.检验——只针对一阶自相关DW值直接在模型回归结果中显示，下述红色值。Sample(adjusted):25957Includedobservations:5956afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.DX10.9638650.006527147.67940.0000DX20.0069640.0018683.7273610.0002DX30.0020060.0013651.4699240.1416DX130.0048760.0011014.4305840.0000DX40.0241390.0065763.6708630.0002C1.01E-064.96E-060.2037370.8386R-squared0.994890Meandependentvar6.02E-05AdjustedR-squared0.994886S.D.dependentvar0.005341S.E.ofregression0.000382Akaikeinfocriterion-12.90144Sumsquaredresid0.000868Schwarzcriterion-12.89470Loglikelihood38426.50Hannan-Quinncriter.-12.89910F-statistic231679.7Durbin-Watsonstat2.398212Prob(F-statistic)0.0000002）相关图与Q检验在模型回归后的界面上进行操作，view\ResidualDiagnostics\Correlogram-Q-statistics弹出对话框后直接OK，出现下述结果。AC代表自相关系数，PAC表示偏自相关系数，判断模型是几阶自相关，看其AC和PAC图形有多少超出区域，图中有临界值线，这张图不是很清楚。也可以观察Q值和伴随概率，若小于5%就显著，拒绝原假设。但是，这个方法在一些模型结果中不太明显，所以不清楚的时候进行LM检验比较直观。3）LM统计量检验同样，在回归结果界面操作，view\ResidualDiagnostics\SerialCorrelationLMtest弹出对话框，意在选择阶数，在不确定具体是几阶自相关时，可以一步一步来。这是一阶的检验，结果中会给出RESID(-1)的结果，且t统计值的伴随概率Prob小于5%，即拒绝原假设（不存在自相关性），说明该模型存在自相关性。继续进行二阶的检验，重复上述操作，在对话框输入2，得到结果。仍然拒绝假设，再进行操作，直到RESID（-n）的t值不显著。当进行到6阶的时候，RESID(-6)的t值不显著，故该模型的自相关阶数为5阶。4）修正。对于自相关模型的修正，也有一系列方法，但是建立自回归模型ar(p)比较简单。操作如下，在原模型数据组界面进行操作，即进行简单回归的界面。点击Proc/makeequation，出来界面，根据模型自相关阶数，进行修改如下。在出来的结果中，可以看到模型的拟合优度R2有所提高，且模型的DW值接近2。一般而言，DW值为2时说明该模型不存在自相关性。（可与上面的结果比较）DependentVariable:DX5Method:LeastSquaresDate:04/29/15Time:18:26Sample(adjusted):75957Includedobservations:5951afteradjustmentsConvergenceachievedafter4iterationsVariableCoefficientStd.Errort-StatisticProb.DX10.9606150.006150156.19740.0000DX20.0068040.0016324.1685340.0000DX30.0020380.0012441.6385560.1014DX130.0036910.0009673.8155730.0001DX40.0283100.0062444.5336680.0000C1.25E-062.96E-060.4220180.6730AR(1)-0.2491230.012972-19.204700.0000AR(2)-0.1965370.013365-14.705750.0000AR(3)-0.0841370.013549-6.2097730.0000AR(4)-0.0487470.013350-3.6514270.0003AR(5)-0.0410690.012971-3.1661960.0016R-squared0.995270Meandependentvar6.04E-05AdjustedR-squared0.995262S.D.dependentvar0.005342S.E.ofregression0.000368Akaikeinfocriterion-12.97650Sumsquaredresid0.000803Schwarzcriterion-12.96413Loglikelihood38622.56Hannan-Quinncriter.-12.97220F-statistic124979.4Durbin-Watsonstat2.000095Prob(F-statistic)0.000000InvertedARRoots.32+.43i.32-.43i-.20+.50i-.20-.50i-.49这样回归出来的结果就自动进行了序列相关性的修正。做分析结果时，直接按照上述结果的系数就可以，不存在系数不可信的问题。五、多重共线性检验多变量的线性回归模型可能存在多重共线性问题，即模型的解释变量之间存在相关性，可通过相关系数矩阵进行检验。1）相关系数矩阵建立解释变量的数据组，程序：datadx1dx2dx3dx13dx4Enter键，跳出数据组。其中，dx1dx2dx3dx13dx4是我模型中的解释变量，其他模型视具体情况而定。点击Quick\GroupStatistics\Correlations在弹出的对话框内输入需要进行相关关系检验的解释变量：dx1dx2dx3dx13dx4，OK在弹出的对话框中点击YES，出现结果。以上就是相关系数矩阵。通常认为，两变量的相关系数在0.8以上属于强相关系。如上，DX1与DX4之间属于有相关性，因此模型存在多重共线性。2）修正。采用逐步回归法、差分法、岭回归法。但是三种方法都有缺点，逐步回归法会改变模型系数的经济意义，差分法会带来模型的自相关性，岭回归引入偏误。注：在做实证分析时，拟合优度和多重共线性并不是很大的问题，即若拟合优度比较低、多重共线性的存在不是大问题，而单位根检验和序列自相关是比较重要的。