经典线性回归模型的Eviews操作.doc

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：
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）
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
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。

数据导入
在EXCEL中输入数据，如下：

除去第一行，一共2394个样本。

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），OK

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。

ADF单位根检验
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。

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。
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。

模型回归
程序：datayx1x2
Y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。
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