下载

0下载券

加入VIP
  • 专属下载券
  • 上传内容扩展
  • 资料优先审核
  • 免费资料无限下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 EViews6完整操作手册

EViews6完整操作手册.doc

EViews6完整操作手册

我不屑一看
2017-10-16 0人阅读 举报 0 0 0 暂无简介

简介:本文档为《EViews6完整操作手册doc》,可适用于职业岗位领域

EViews完整操作手册EViews操作手册目录第一章序论第二章EViews简介第三章EViews基础第四章基本数据处理第五章数据操作第六章EViews数据库第七章序列第八章组第九章应用于序列和组的统计图第十章图、表和文本对象第十一章基本回归模型第十二章其他回归方法第十三章时间序列回归第十四章方程预测第十五章定义和诊断检验第十六章ARCH和GARCH估计第十七章离散和受限因变量模型第十八章对数极大似然估计第十九章系统估计第二十章向量自回归和误差修正模型第一章绪论EViews为我们提供了基于WINDOWS平台的复杂的数据分析、回归及预测工具通过EViews能够快速从数据中得到统计关系并根据这些统计关系进行预测。EViews在系统数据分析和评价、金融分析、宏观经济预测、模拟、销售预测及成本分析等领域中有着广泛的应用。操作手册共分五部分:第一部分:EViews基础介绍EViews的基本用法。另外对基本的Windows操作系统进行讨论解释如何使用EViews来管理数据。第二部分:基本的数据分析描述使用EViews来完成数据的基本分析及利用EViews画图和造表来描述数据。第三部分:基本的单方程分析讨论标准回归分析:普通最小二乘法、加权最小二乘法、二阶最小二乘法、非线性最小二乘法、时间序列分析、方程检验及预测。第四部分:扩展的单方程分析介绍自回归条件异方差(ARCH)模型、离散和受限因变量模型、和对数极大似然估计。第五部分:多方程分析描述利用方程组来估计和预测、向量自回归、误差修正模型、状态空间模型、截面数据时间序列数据、及模型求解。第二章EViews简介什么是EViewsEViews是在大型计算机的TSP(TimeSeriesProcessor)软件包基础上发展起来的新版本是一组处理时间序列数据的有效工具。年QMS(QuantitativeMicroSoftware)公司在MicroTSP基础上直接开发成功EViews并投入使用。虽然EViews是由经济学家开发的并大多在经济领域应用但它的适用范围不应只局限于经济领域。EViews得益于WINDOWS的可视的特点能通过标准的WINDOWS菜单和对话框用鼠标选择操作并且能通过标准的WINDOWS技术来使用显示于窗口中的结果。此外还可以利用EViews的强大的命令功能和它的大量的程序处理语言进入命令窗口修改命令并可以将计算工作被叫做条件方差。()中给出的条件方差方程是一个下面三项的函数:(均值:(用均值方程的残差平方的滞后来度量从前期得到的波动性的信息:(ARCH项)(上一期的预测方差:(GARCH项)。GARCH(,)中的(,)是指阶数为的GARCH项(括号中的第一项)和阶数为的ARCH项(括号中的第二项)。普通的ARCH模型是GARCH模型的特例即在条件方差方程中不存在滞后预测方差的说明。二、ARCHM模型方程()中的x代表在均值方程中引入的外生或先决变量。如果我们把条件方差引进到均值方程中就可以得到ARCHM模型(Engle,Lilien,Robins,):()ARCHM模型的另一种不同形式是将条件方差换成条件标准差。ARCHM模型通常用于关于资产的预期收益与预期风险紧密相关的金融领域。预期风险的估计系数是风险收益交易的度量。三、GARCH(p,q)模型高阶GARCH模型可以通过选择大于的p或q得到估计记作GARCH(p,q)。其方差表示为:()这里p是GARCH项的阶数q是ARCH项的阶数。在EViews中估计ARCH模型估计GARCH和ARCH模型首先通过ObjectNewObjectEquationEquation建立方程然后在Method的下拉菜单中选择ARCH即得到相应的对话框。一、均值方程均值方程的形式可以用回归列表形式列出因变量及解释变量。如果需要一个更复杂的均值方程可以用公式的形式输入均值方程。如果含有ARCHM项就要点击对话框右上方对应的按钮。二、方差方程在VarianceRegressors栏中可以选择列出要包含在指定方差中的变量。注意到EViews在进行方差回归时总会包含一个常数项作为回归量所以不必在变量表中列出C。三、ARCH说明在ARCHSpecification标栏下选择ARCH项和GARCH项的阶数。Eviews默认为选择阶ARCH和阶GARCH进行估计这是目前最普遍的形式。标准GARCH模型需点击GARCH按钮。其余的按钮将进入更复杂的GARCH模型的变形形式。四、估计选项点击Options按钮选择估计‎‎方法的设置:回推在缺省的情况下MA初始的扰动项和GARCH项中要求的初始预测方差都是用回推方法来确定初始值的。如果不选择回推算法EViews会设置残差为零来初始化MA过程用无条件方差来设置初始化的方差和残差值。系数协方差点击HeteroskedasticityConsistentCovariances用Bollerslev和Wooldridge()的方法计算极大似然(QML)协方差和标准误差。如果怀疑残差不服从条件正态分布就应该使用这个选项。只有选定这一选项协方差的估计才可能是一致的才可能产生正确的标准差。注意如果选择该项参数估计将是不变的改变的只是协方差矩阵迭代估计控制ARCH模型的似然函数不总是正规的所以用默认的设置进行估计可能不会收敛。这时可以利用选项对话框来选择迭代算法(马尔科夫、BHHH高斯牛顿)、改变初值、增加迭代的最大次数或者调整收敛准则。ARCH估计的结果可以分为两部分:上半部分提供了均值方程的标准结果下半部分即“方差方程”包括系数标准误差z统计量和方差方程系数的p值。在方程中ARCH的参数对应于GARCH的参数对应于。在表的底部是一组标准的回归统计量使用的残差来自于均值方程。注意如果在均值方程中不存在回归量那么这些标准例如也就没有意义了。ARCH模型的视图和方法一旦模型被估计出来EViews就会提供各种视图和方法进行推理和诊断检验。一、ARCH模型的视图在方程和检验的章节已做介绍。二、ARCH模型的方法(构造残差序列将残差以序列的名义保存在工作文件中可以选择保存普通残差或标准残差。残差将被命名为RESIDRESID等等。可以重新命名序列残差。(构造GARCH方差序列将条件方差以序列的名义保存在工作文件中。条件方差序列可以被命名为GARCHGARCH等等。取平方根得到如ViewConditionalSDGragh所示的条件标准偏差。(预测使用估计的ARCH模型计算因变量的静态的和动态的预测值它的预测标准误差和条件方差。为了在工作文件中保存预测值要在相应的对话栏中输入名字。非对称ARCH模型在市场中我们经常可以看到向下运动通常伴随着比同等程度的向上运动更强烈的波动性。为了解释这一现象Engle和Ng()描述了如下形式的对好消息和坏消息的非对称信息曲线。一、TARCH模型TARCH或者门限(Threshold)ARCH模型由Zakoian()和GlostenJafanathanRunkle()独立的引入。条件方差指定为:()其中当时否则。在这个模型中好消息和坏消息对条件方差有不同的影响:好消息有一个的冲击坏消息有一个对的冲击。如果我们说存在杠杆效应如果则信息是非对称的。估计这个模型要以一般形式指定ARCH模型但是应该点击TARCH(asymmetric)按钮。模型中的TARCH项即杠杆效应项是由输出结果中的(RESID)*ARCH()项描述。二、EGARCH模型EGARCH或指数(Exponential)GARCH模型由Nelson()提出。条件方差被指定为:()等式左边是条件方差的对数这意味着杠杆影响是指数的而不是二次的所以条件方差的预测值一定是非负的。杠杆效应的存在能够通过的假设得到检验。如果则影响是非负的。杠杆效应项在输出结果中记作RESSQRGARCH()。三、合成ARCH模型GARCH(,)模型中的条件方差:()表示了在所有时期均值都是常数的。而合成的模‎‎型允许均值是变动的:()此处仍然是波动率而代替了它是随时间变化的长期变动。第一个等式描述了暂时分量它将随的作用收敛到零。第二个等式描述了长期分量它将在的作用下收敛到。在EViews中估计合成模型选择方程指定对话框中的ComponentARCH或AsymmetricComponent选项。为了在方差方程中包括进外生回归变量要在VarianceRegressors栏内按以下顺序输入外生变量的名称:首先列出包含在长期方程中的外生变量名称接着输入标志然后列出包含在暂时方程中的外生变量名称。例如要把变量hol包括在长期方程中把janen包括在暂时方程中输入:holjanen若仅把jan包括在暂时方程中输入:jan。输出结果中的Perm的系数:表示长期方程的系数Tran:表示暂时方程的系数。第十七章离散和受限因变量模型前面所描述的回归方法要求能在连续和无限制的规模上观察到因变量。然而也经常出现违背上述条件的情形即产生非连续或受限因变量。我们将会识别三种类型的变量:(定性(在离散或排序的规模上)(审查或截断(整数估值(计数数据)。在这章里我们讨论这几‎‎种定性和受限因变量模型的估计方法。EViews提供了二元或排序(普罗比特probit、逻辑logit、威布尔gompit)审查或截断(托比特tobit等)和计数数据模型的估计程序。二元因变量模型二元因变量模型(BinaryDependentVariableModels)估计方法主要发展与世纪年代初期。普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策领域的研究。例如公共交通工具和私人交通工具的选择问题。选择利用公共交通工具还是私人交通工具取决于两类因素:一类是诸如速度、耗费时间、成本等两种交通工具所具有的属性一类是决策个体所具有的属性诸如职业、年龄、收入水平、健康状况等。从大量的统计中可以发现选择结果与影响因素之间具有一定的因果关系。研究这一关系对制定交通工具发展规划无疑是十分重要的。在本节介绍的模型中因变量y只具有两个值:或者。y可能是代表某一事件出现的虚拟变量或者是两种选择中的一种。例如y可能是每个人(被雇佣或不被雇佣)雇用状况的模型每一人在年龄、教育程度、种族、婚姻状况和其它可观测的特征方面存在差异我们将其设为x。目标是将个体特征和被雇用的概率之间的关系量化。假定一个二元因变量y具有和两个值。y对x简单的线性回归是不合适的。而且从简单的线性回归中得到的的拟合值也不‎‎局限于和之间。替代地我们采用一种设定用于处理二元因变量的特殊需要。假定我们用以下模型刻画观察值为的概率为:Pr这里F是一个连续、严格单调递增的函数它采用实际值并返回一个介于和之间的数。F函数的选择决定了二元模型的类型。可以得到Pr给出了这样的设定以后我们能用极大似然估计方法估计模型的参数。极大似然函数为极大似然函数的一阶条件是非线性的所以得到参数估计需要一种迭代的解决方法。缺省地EViews使用二阶导数用于参数估计的协方差矩阵的迭代和计算。有两种对这种设定的重要的可选择的解释。首先二元变量经常作为一种潜在的变量规定被生成。假定有一个未被观察到的潜在变量它与x是线性相关的:这里是随机扰动。然后被观察的因变量由是否超过临界值来决定为了估计一个二元因变量模型从主菜单中选择ObjectNewObjectEquation选项。从EquationSpecification对话框中选择Binaryestimationmethod。EViews既允许你计算拟合概率也可以计算指标的拟合值或预测值。排序因变量模型在实际经济生活中经常会遇到多元离散选择问题。例如一类问题是将选择对象按照某个准则排队由决策者从中选择称为排序因变量模型(OrderedDependentVariableModels)。在排序因变量模型中被观察的y指出了代表排序或排列的种类的结果。例如我们可以观察选择处于四种教育结果之一的个体:低于高中、高中、大学、高级学位。或者我们也可以观察被雇用、半退休、全退休的个体。或者是选举问题选举哪一个候选人。如同在二元因变量模型中我们可以通过考虑线性地依赖于解释变量y的潜在变量x模仿被观察的反应。这里是一个独立的分布可识别的随机变量。被观察的由根据以下规则确定是临界值。M是分类的个数。为了估计这个模型从EquationSpecification对话框选择估计方法Ordered。检查回归模型受限被解释变量(Limiteddependentvariable)指被解释变量的观测值是连续的但是受到某种限制得到的观测值并不反映被解释变量的实际状态。例如在一些环境中只能部分地观察到因变量。在调查数据中在特定水平之上的收入数据经常被编成密码以保护其机密性。这类问题经常出现在“检查”、“调查”活动中因此也称为“检查(CensoredRegressionModels)。例如以居民对某一种商品的需求量为解释变量建立需求函数模型。需求量的观测值是无法得到的一般用实际购买量作为需求量的观测值。如果这种商品是限量购买的正象我国过去长期所实行的那样比如每户最多只能购买那么得到的观测值将处于与之间而且会有相当比例的观测值为。对于购买量小于的个体有理由认为这个购买量代表了他的需求但是对于购买量等于的个体他的需求量很可能是大于所以这个购买量并不代表了他的需求量。也就是说凡是实际需求量大于的都用作为样本观测值等于是将大于的观测值作了归并。这类问题在微观经济活动调查中普遍存在。从这样的样本数据出发如果采用经典的方法估计模型显然是不合适的。EViews提供了工具用于完成这些模型的最大似然估计并将这些结果用于进一步分析。考虑下面的潜在变量回归模型这里是一个比例参数。注意同二元因变量模型相比比例参数被识别出来并将同一起被估计。在规范的检查回归模型中被称作tobit被观察的数据y由下式给出:换句话说的所有负值被定义为值。我们称这些数据在处进行了左归并(leftcensored)。更一般地Eviews允许在任意有限点上的左边和右边截取(归并)所以这里是代表归并点的固定数值。为估计此模型从EquationSpecification对话框选择Censored估计方法。截断回归模型截断回归模型(TruncatedRegressionModels)也是受限因变量模型的一种。截断问题即“掐头”或“去尾”。即不能从全部个体而只能从一部分个体中随机抽取因变量的样本观测值而这部分个体的观测值都大于或者小于某个确定值。例如用居民收入为因变量建立居民收入模型。从理论上讲居民收入样本数据应该从到无穷大但是由于客观条件所限只能在收入处于某一数值以上或者某一数值以下的个体中取得样本观测值。当因变量小于一个临界值或大于另一个临界值观察值都无法观察到。一般的两个有限点的截断回归模型可以表示如下:。如果没有较低的截断点那么我们将设。如果没有较高的截断点那么我们将设。为估计此模型从EquationSpecification对话框选择Censored估计方法。再选择Truncatedsample选项估计截断模型。计数模型当y取代表事件发生次数的整数值时使用计数模型(CountModels)。例如一个公司提出申请的专利的数目和在一个固定的时间间隔内经历的失业人数段的数目。Eviews提供了对于计数数据的几个模型估计的支持。除了标准泊松和负的二项式的极大似然(ML)设定Eviews为计数数据提供了大量的准极大似然(QML)的估计量。为估计此模型从EquationSpecification对话框选择Count估计方法在对话框中键入因变量和解释变量回归项必须通过列表指定模型然后选择一种计数模型的类型如果需要的话设置Option选项项。第十八章对数极大似然估计为了能解决一些特殊的问题EViews提供了对数极大似然估计这一工具来估计各种不同类型的模型。对数极大似然估计提供了一个一般的开放的工具可以通过这个工具极大化相关参数的似然函数对一大类模型进行估计。使用对数极大似然估计时我们用EViews序列生成器的‎‎将样本中各个观测值的对数似然贡献描述为一个未知参数的函数。可以给出似然函数中一个或多个参数的解析微分也可以让EViews自动计算数值微分。EViews将寻找使得指定的似然函数最大化的参数值并给出这些参数估计的估计标准差。在本章我们将详细论述对数极大似然估计并说明其一般特征。概论用对数极大似然估计来估计一个模型主要的工作是建立一个用来求解似然函数的说明文本。似然函数的说明只是一系列对序列的赋值语句这些赋值语句在极大化的过程中被反复的计算。我们所要做的是写下一组语句在计算时这些语句将描述一个包含每个观测值对似然函数贡献的序列。首先我们简单地回顾一下线性回归模型的对数极大似然估计方法。考虑多元线性回归模型的一般形式t=,,„„,T()其中k是解释变量个数T是观测值个数随机扰动项‎‎,设模型的参数估计量已经求得为那么服从如下的正态分布:,()其中Y的随机抽取的T个样本观测值的联合概率为()这就是变量Y的似然函数。对似然函数‎‎求极大值和对对数似然函数求极大值是等价的对数似然函数为()注意到我们能将对数似然函数写成所有观测值t的对数似然贡献的和的形式()这里每个观测值的贡献由下面的式子给出:()以只含一个解释变量的方程为例。假定知道模型参数的真实值并且想用EViews产生一个包含每个观测值的贡献的序列。可以将已知的参数赋值给系数向量的c()到c()元素然后把下面的赋值语句作为EViews的命令或程序来执行。Seriesres=yc()c()*xSeriesvar=c()SerieslogL=log(**var)(res^var)前面两行语句描述了用来存储计算时的中间结果的序列。第一个语句创建了残差序列:res而第二个语句创建了方差序列:var。而序列logL包含了每个观测值的对数似然贡献的集合。EViews将对不同参数值重复执行说明中的赋值语句使用迭代法来求使得对数似然贡献最大的一组参数值。当EViews再不能提高全部的似然贡献时它将停止迭代并在估计输出中报告最终参数值和估计标准差。似然说明要创建一个似然对象选择ObjectsNewObjectLogL或者在命令窗口输入“logL”。似然窗口将打开一个空白说明视图。说明视图是一个文本窗口在这个窗口里可以输入描述统计模型的说明语句还可以设置控制估计程序各个方面的选项。一(似然的定义正如概述中所描述的那样似然说明的主线是一系列赋值语句在计算时这些赋值语句将产生一个包含样本中每个观测值的对数似然贡献的序列。赋值语句的多少可以由自己决定。每个似然说明都必须包含一个控制语句该语句命名了保存似然贡献的序列。语句的格式为:logLseriesname这里seriesname是保存似然贡献的序列的名字可以写在似然说明的任何位置。如果想在估计完成后删除说明中的一个或多个序列可以使用temp语句:tempseriesnamesereisname这个语句告诉EViews在对说明的计算完成后删除列表中的序列。二(参数名在上面的例子中我们使用了系数c()到c()作为未知参数的名称。更一般的出现在说明中一个已命名的系数向量中的每一个元素都将被视为待估参数。可以使用不同的系数向量用命令创建命名的系数向量如coef()beta则定义了beta()beta()beta()beta()个待估计系数。例如似然说明可写为:logLlogLres=ybeta()beta()*xbeta()*zvar=beta()logL=log(dnorm(ressqrt(var)))log(var)由于说明中的已命名的系数向量的所有元素都将被视为待估参数必须确定所有的系数确实影响了一个或多个似然贡献的值。如果一个参数对似然没有影响那么在试图进行参数估计时将遇到一个奇异错误。注意到除了系数元素外所有的对象在估计过程中都将被视为固定的不可改变的。例如假定omega是工作文件中一个已命名的标量如果将子表达式var定义如下:var=omegaEViews将不会估计omegaomega的值将被固定在估计的开始值上。三(估计的顺序logL说明包含了一个或多个能够产生包含似然贡献的序列的赋值语句。在执行这些赋值语句的时候EViews总是从顶部到底部执行所以后面计算要用到的表达式应放在前面。EViews对整个样本重复的计算每个表达式。EViews将对模型进行重复计算时采用方程顺序和样本观测值顺序两种不同方式要用方程顺序来计算仅加一行关键字“byeqn”则EViews将先用所有的观测值来计算第一个赋值语句然后用所有的观测值计算第二个赋值语句„„。要用样本顺序来计算可以用关键字“byobs”EViews用观测值顺序来计算模型此种方式是先用第一个观测值来计算所有的赋值语句接下来是用第二个观测值来计算所有的赋值语句如此往复直到估计样本中所有观测值都使用过。如果没有给出计算顺序关键字那么系统默认为“byobs”。四(解析导数默认情形下当极大化似然函数和形成标准差的的估计时EViews计算似然函数关于参数的数值微分。可以用deriv语句为一个或多个导数指定解析表达式该语句格式为:derivpnamesnamepnamesname这里pname是模型中的一个参数名称而sname是由模型产生的对应的导数序列的名称。五(导数步长如果模型的参数没有指定解析微分EViews将用数值方法来计算似然函数关于这些参数的导数。在计算导数时的步长由两个参数控制:r(相对步长)和m(最小步长)。用表示参数在第i次迭代时的值那么在第i次迭代时的步长由下式定义:()双侧数值微分被定义为:()而单侧数值微分则由下式计算:()这里f是似然函数。双侧导数更加精确但它要对似然函数进行的计算量大概是单侧导数的两倍运行时间上也是如此。derivstep可以用来控制‎‎步长和在每次迭代时计算导数的方法。关键字derivstep后面必须设置三项:被设置的参数名(或用关键字all代替)相对步长最小步长。默认的最小步长被设置为机器的平方根(e)而最小步长为m,。估计定义了一个似然对象后可以在似然窗口工具栏中单击Estimate打开估计对话框。一(初值默认情况下EViews使用储存在系数向量或已估计的其它系数向量中的值。如果在说明中用了param语句那么就使用该语句指定的值来代替。二(估计样本在估计对数似然函数的参数时Eviews将在EstimationOption对话框里指定了当前工作文件的观测值样本需根据滞后次数。重新确定样本区间。LogL视图likelihoodSpecification:显示定义和编辑似然说明的窗口。EstimationOutput:显示通过最大化似然函数得到的估计结果。CovarianceMatrix:显示参数估计的协方差矩阵。这是通过计算在最优参数值下一阶导数的外积的和的逆求得的。可以用cov这个函数将其保存为(SYM)矩阵。WaldCoefficientTest:执行Wald系数限制检验。参看第章系数检验关于Wald检验的讨论。Gradients:如果模型没有被估计显示当前参数值下logL的梯度(一阶导数)视图若模型已经被估计则显示收敛的参数值下logL的梯度视图。当你处理收敛问题时这些图将成为有用的鉴别工具。CheckDerivatives:如果使用了param语句显示在初值下数值微分和解析微分(如果可获得)的值如果没有使用param语句则给出在当前值下数值微分和解析微分的值。LogL过程Estimate:弹出一个设置估计选项的对话框并估计对数似然函数的参数。MakeModel:建立一个估计对数似然函数说明的未命名的模型对象。MakeGradientGroup:在参数估计值下创建一个未命名的对数似然函数的梯度组(一阶导数)。这些梯度常用来构造拉格朗日乘数检验。UpdateCoefsfromLogL:用似然函数对象得出的估计值来更新系数向量。该过程让你可以将极大似然估计结果作为其他估计问题的初始值。大多数这些过程和EViews的其他估计对象相似。下面我们将着重介绍LogL对象所独有的特征。(估计输出LogL对象的标准输出除了包含系数和标准差估计外还描述了估计的方法估计使用的样本估计的日期和时间计算顺序以及估计过程收敛的信息。(梯度梯度概要、图表、表格视图可以检查似然函数的梯度。如果模型尚未估计那么就在当前参数值下计算梯度若模型已经估计出来了就在收敛的参数值下计算。第十九章系统估计本章讲述的内容是估计联立方程组参数的方法。包括最小二乘法LS、加权最小二乘法WLS、似乎不相关回归法SUR、二阶段最小二乘法TSLS、加权二阶段最小二乘法WLS、三阶段最小二乘法LS、完全信息极大似然法FIML和广义矩法GMM等估计方法。理论背景模型系统就是一组包含未知数的方程组。以一个由国内生产总值(Y)、居民消费总额(C)、投资总额(I)、政府消费额(G)和短期利率(r)等变量构成的简单的宏观经济系统为例:()其中前两个方程是行为方程第三个方程表示国内生产总值在假定进出口平衡的情况下由居民消费、投资和政府消费共同决定是一个衡等方程也称为定义方程。这就是一个简单的描述宏观经济的联立方程模型。在联立方程模型中对于其中每个方程其变量仍然有被解释变量与解释变量之分。但是对于模型系统而言已经不能用被解释变量与解释变量来划分变量。对于同一个变量在这个方程中作为被解释变量在另一个方程中则可能作为解释变量。对于联立方程系统而言将变量分为内生变量和外生变量两大类外生变量与滞后内生变量又被统称为前定变量。一般的联立方程系统形式是:()这里是一个内生变量向量是外生变量向量可以是序列相关的扰动项向量。估计的任务是寻找参数向量的估计量。EViews提供了估计系统参数的两类方法。一类方法是使用前面讲过的单方程法对系统中的每个方程分别进行估计。第二类方法是同时估计系统方程中的所有参数这种同步方法允许对相关方程的系数进行约束并且使用能解决不同方程残差相关的方法。这里应该区分系统和模型的差别。模型是一组描述内生变量关系的已知方程组给定了模型中外生变量的值可以使用模型对内生变量求值。系统估计方法下面的讨论是以线性方程的组成的平衡系统为对象的但是这些分析也适合于包含非线性方程的非平衡系统。若一个系统含有M个方程用分块矩阵形式表示如下:()这里ym是T维向量Xm是T×km矩阵βm是km维的系数向量误差项的协方差矩阵是‎‎MT×MT的方阵V。我们简单的将其表示为:()在标准假设下系统残差的协方差阵为:()式中算子表示克罗内克积(KroneckerProduct)简称叉积还有一些的残差方差的结构不满足标准假设。首先不同方程的残差可能是异方差的其次他们除了异方差还可能是同期相关的。我们可以定义不同的M×M的同期相关矩阵来对这两种情况‎‎进行区分的第i行第j列的元素是对所有t都成立。如果残差是同期不相关的若ij,则V可以写成:()更一般的如果残差是异方差且同期相关的则V可以写成:()最后最一般的情况是存在异方差、同期相关的同时残差是自相关的残差的方差矩阵应写成:()这里是第i个方程和第j个方程的自相关矩阵。系统中方程可以是线性的也可以是非线性的还可以包含自回归误差项。下面是各种估计方法。一、普通最小二乘法(OrdinaryLeastSquares,LS)这种方法是在联立方程中服从关于系统参数的约束条件的情况下使每个方程的残差平方和最小。如果没有这样的参数约束这种方法和使用单方程普通最小二乘法估计每个方程式一样的。二、加权最小二乘法(WeightedLeastSquares,WLS)这种方法通过使加权的残差平方和最小来解决联立方程的异方差性方程的权重是被估计的方程的方差的倒数来自未加权的系统参数的估计值。如果方程组没有联立约束(参数、异方差)该方法与未加权单方程最小二乘法产生相同的结果。三、似乎不相关回归(SeeminglyUnrelatedRegression,SUR)该方法也称作多元回归法或Zellner法既考虑到异方差性也考虑到不同方程的误差项的相关性。对联立方程协方差阵的估计是建立在对未加权系统的参数估计基础上的。注意到因为EViews考虑了联立方程间的约束所以可以估计更为广泛的形式。四、二阶段最小二乘法(TwoStageLeastSquares,TSLS)系统二阶段最小二乘法方法(STSLS)是前面描述的单方程二阶段最小二乘估计的系统形式。当方程右边变量与误差项相关但既不存在异方差误差项之间又不相关时STSLS是一种比较合适的方法。EViews在实施联立方程约束同时对未加权系统的每个方程进行二阶段最小二乘估计如果没有联立方程的约束得到的结果与未加权单方程的最小二乘(TSLS)结果相同。五、加权二阶段最小二乘法(WeightedTwoStageLeastSquares,WTSLS)该方法是加权最小二乘法的二阶段方法。当方程右边变量与误差项相关并且存在异方差但误差项之间不相关时WLS是一种比较合适的方法。EViews首先对未加权系统进行二阶段最小二乘根据估计出来的方程的方差求出方程的权重如果没有联立方程的约束得到的一阶段的结果与未加权单方程的最小二乘结果相同。六、三阶段最小二乘法(ThreeStageLeastSquares,SLS)SLS是SUR的二阶段最小二乘。当方程右边变量与误差项相关并且存在异方差同时残差项相关时LSL是有效方法。EViews对未加权系统进行二阶段最小二乘并实施任何联立方程参数的约束。得到的估计结果被用来形成完全联立方程的协方差矩阵估计用估计的协差矩阵转换方程以消除联立方程误差项之间的相关。最后TSLS被用于转换后的模型。七、完全信息极大似然法(FullInformationMaximumLikelihood,FIML)在同期误差项假定为联合正态分布的情况下FIML估计出似然函数如果似然函数能准确的描述该方法非常有效。FIML是一种系统估计方法同时处理所有的方程和所有的参数。八、广义矩法(GeneralizedMethodofMoments,GMM)广义矩估计是M估计法的一种即使判别函数最小化。因为不需要知道扰动项的确切分布信息所以该方法很实用。GMM估计基于假设方程组中的扰动项和一组工具变量不相关。GMM估计是将准则函数定义为工具变量与扰动项的相关函数使其最小化得到的参数为估计值。如果在准则函数中选取适当的权数矩阵广义矩法可用于解决方程间存在异方差和未知分布的残差相关。建立和说明系统一、建立系统:建立了工作文件后单击ObjectNewObjectsystem或者在命令窗口输入system系统对象窗口就会出现如果是第一次建立系统窗口是空白的在指定窗口输入方程。规则:方程组中变量和系数可以是非线性的。通过在不同方程组中使用相同的系数进行约束。规则:系统方程可以包含自回归误差项(注意不是MA、SAR或SMA误差项)用系数来说明每一个AR项(方括号等号系数逗号)规则:方程中的等号可以出现在方程的任意位置。规则:如果方程没有误差项则该方程就是恒等式系统中不应该含有这样的方程如果必须有的话应该先解出恒等式将其代入行为方程。规则:应该确信系统中所有扰动项之间没有衡等的联系即应该避免联立方程系统中某些方程的线性组合可能构成与某个方程相同的形式。二、工具变量:如果用LS、LS或者GMM来估计参数必须对工具变量做出说明。说明工具变量有两种方法:若要在所有的方程中使用同样的工具说明方法是以inst开头后面输入所有被用作工具变量的外生变量。例如:instgdp(to)xgov如果系统估计不需要使用工具则这行将被忽略。若要对每个方程指定不同的工具应该在每个方程的后面附加“”并且后面输入这个方程需要的工具变量。例如:cs=c()c()*gdpc()*cs()cs()inv()govinv=c()c()gdp()c()*govgdp()gov三、附加说明:不管是否说明常数总是被作为每个方程的工具变量方程右边的所有外生变量都应该被列出来作为工具变量方程右边的变量至少要与所列的工具变量一样多。四、初始值:如果系统中包括非线性方程可以为部分或所有的参数指定初始值可以用param开头的语句来设定。例如:paramc()b()。为c()和b()设定初值。如果不提供初值EViews使用当前系数向量的值。五、系统估计:创建和说明了系统后单击工具条的Estimate键在弹出的对话框中选择估计方法和各个选项。六、迭代控制:对于WLS、SUR、WLSLSGMM估计法和非线性方程的系统有附加的估计问题包括估计GLS加权矩阵和系数向量。(一次确定加权矩阵(Updateweightsonce,then„)()选项Iteratecoefstoconvergence是缺省选项EViews使用一阶段迭代得到的残差形成一个加权矩阵并保持不变。在过程的第二阶段EViews使用估计的加权矩阵估计新的系数。如果模型是非线性的EViews迭代系数估计直到收敛。()选项Updatecoefsonce在第一阶段估计系数并构成加权矩阵的估计量。在第二阶段只进行系数的一步迭代。(迭代权数和系数选择(IterateWeightsandCodfs)()选项Simultaneous每次迭代都更新系数和加权矩阵直到系数和加权矩阵都收敛。()选项Sequential反复执行上述()的缺省方法直到系数和加权矩阵都收敛。(SLSEstimatesGMMSE若存在异方差或残差相关同时存在时能估计有效的协方差和标准误差。(如果选择了GMMTimeserie(sHAC)项对话框将会增加选项来说明加权矩阵:选项Prewhitening在估计之前运行一个初步的VAR()从而“吸收”矩条件中的相关性。选项KernelOption计算加权矩阵时自协方差的权重由Kernel函数决定。选项Bandwidthselection自协方差的权重给定后权重如何随着自协方差的滞后而变化由该选项决定。如果选择Fixed项可以输入带宽值或输入nw从而使用Newey和West的固定带宽选择准则。(在option选项中可以设定估计的选项包括收敛标准最大的迭代次数和导数计算的设定。七、估计结果输出:系统估计输出的结果包括系统参数估计值、标准差和每个系数的t统计值。另外EViews还给出了残差的协方差矩阵的行列式的值对于FIML估计法还提供它的极大似然值。除此之外EViews还给出了每个方程的简要的统计量如DurbiRnWstson统计值回归标准差残差平方和等等。系统的应用得到估计结果后系统对象提供了检查结果的工具依次进行参考和详细讨论。系统的查看(View):与单方程的查看相类似。ViewSystemSpecification:显示系统说明窗口也可以通过直接单击菜单中的Spec来显示。ViewsEstimationOutput:显示系统的估计值和统计量也可以直接单击菜单中的Stats来显示。ViewsResidualsGraph:显示系统中每个方程的残差图形。ViewsResidualsCorrelationMatrix:计算每个方程残差的同步相关系数。ViewsResidualsCovarianceMatrix:计算每个方程残差的同步协方差。ViewCoefficientCovarianceMatrix:查看估计得到的协方差矩阵。ViewWaldCoefficientTests„:做系数假设检验详细讨论见第章。ViewsEndognousTable:列出系统中所有的内生变量。ViewsEndognousTable:列出系统中所有的内生变量的图形。系统的过程(Procs)系统与单方程的显著区别是系统的Procs内没有预测如果要进行模拟或预测必须使用模型对象。ProcsMakeModel:EViews将打开由已估计系统转化的模型(参数已知)然后可以用这个模型进行模拟和预测。ProcsEstimate„:打开估计系统的对话框也可以通过直接单击Estimate进行估计。ProcsMakeResiduals:显示系统中每个方程的残差项序列。ProcsMakeEndogenousGroup:建立包含内生变量的未命名的组对象。命令如要建立一个系统在system后面输入系统名:systemdemand。这样就建立一个名为demand的系统如果要对系统进行估计在系统名后输入一个点并输入估计系统所需要的估计方法如输入:sysfiml就可以对系统sys用完全信息极大似然法进行估计。如要获得建立系统对象所需的完整命令表和选项请参考命令和语法参考。第二十章向量自回归和误差修正模型联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。但是经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。并且内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型。就是这一章讲述的向量自回归模型(VectorAutoregression,VAR)以及向量误差修正模型(VectorErrorCorrection,VEC)的估计与分析。同时给出一些检验几个非稳定变量之间协整关系的工具。向量自回归理论向量自回归(VAR)常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。VAR方法通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型从而回避了结构化模型的需要。一个VAR(p)模型的数学形式是:()这里是一个k维的内生变量是一个d维的外生变量。和B是要被估计的系数矩阵。是扰动向量它们相互之间可以同期相关但不与自己的滞后值相关及不与等式右边的变量相关。作为VAR的一个例子假设工业产量(IP)和货币供应量(M)联合地由一个双变量的VAR模型决定并且让常数为唯一的外生变量。内生变量滞后二阶的VAR()模型是:()其中是要被估计的参数。也可表示成:估计VAR模型及估计输出选择QuickEstimateVAR„或者在命令窗口中键入var并在出现对话框内添入适当的信息:(选择说明类型:UnrestrictedVAR(无约束向量自回归)或者VectorErrorCorrection(向量误差修正)(设置样本区间。(在适当编辑框中输入滞后信息。这一信息应被成对输入:每一对数字描述一个滞后区间。(在相应的编辑栏中输入适当的内生及外生变量。VAR视图和过程在VAR窗口的ViewLagStructure和ViewResidualTests菜单下将提供一系列的诊断视图。(一)LagStructure(滞后结构)(ARRootsTableGraph(AR根的图表)(PairwiseGrangerCausalityTests(Granger因果检验)Granger因果检验主要是用来检验一个内生变量是否可以作为外生变量对待。(LagExclusionTests(滞后排除检验)(LagLengthCriteria(滞后长度标准)(二)ResidualTests(残差检验)(相关图显示VAR在指定的滞后数的条件下的被估计的残差交叉相关图(样本自相关)。交叉相关图能以三种形式显示:()TabulatebyVariable()TabulatebyLag()Graph。(自相关检验计算与指定阶数所产生的残差序列相关的多变量Q统计量同时计算出Q统计量和调整后的Q统计量。在原假设是滞后h期没有序列相关的条件下两个统计量都近似的服从自由度为的统计量其中p为滞后阶数。(自相关LM检验:计算与指定阶数所产生的残差序列相关的多变量LM检验。(正态检验:计算JB残差正态检验的多变量范围。(White异方差检验这些检验是针对系统方程的White’s检验范围这个回归检验是通过残差序列每一个回归量交叉项乘积的回归来实现的并检验回归的显著性。NoCrossTerms选项仅仅用于原始回归量的水平和平方检验。WithCrossTerms选项包括被检验方程中原始回归变量所有的非多余的交叉乘积。脉冲响应函数(一)脉冲响应函数方法对第i个变量的冲击不仅直接影响第i个变量并且通过VAR模型的动态结构传导给所有的其它内生变量。脉冲响应函数刻画的是在一个扰动项上加上一次性的一个冲击对内生变量的当前值和未来值所带来的影响。设VAR(p)模型为()这里是一个k维内生变量向量是方差为的扰动向量。的VMA()的表达式()假如VAR(p)可逆的VMA的系数可以由‎‎VAR的系数得到。设q=,,,„则y的第i个变量可以写成:()其中k是变量个数。下面仅考虑两个变量(k=)的情形:现在假定在基期给一个单位的脉冲‎‎即:––………t由的脉冲引起的的响应函数:因此一般地由对的脉冲引起的的响应函数可以求出如下:(二)由VAR产生脉冲响应函数从VAR工具栏中选择ImpulseResponse„得到的对话框有两个菜单:(Display菜单提供下列选项:DisplayFormat:选择以图或表来显示结果。DisplayInformation:输入希望产生扰动的变量和希望观察其脉冲响应的变量。为了显示累计的响应需要选中AccumulateResponse框。ResponseStandardError:提供计算脉冲响应标准误差的选项。(ImpulseDefinition菜单提供了转换脉冲的选项:()ResidualOneUnit设置一单位残差的冲击。()ResidualOneStdDev设置残差的一单位标准偏差的冲击。()Cholesky用正交于脉冲的Cholesky因子的残差协方差矩阵的逆。dfadjustment:在估计的残差协方差矩阵除以Cholesky因子时进行小样本的自由度修正。nodfadjustment:在估计的残差协方差矩阵除以Cholesky因子时不进行小样本的自由度修正。()GeneralizedImpluses:描述Pesaran和Shin()构建的不依赖于VAR中等式的次序的正交的残差矩阵。()StructuralDecomposition:用结构因子分解矩阵估计的正交转换矩阵。()UserSpecified:在这个选项中允许自己定义冲击。方差分解脉冲响应函数描述的是VAR中的一个内生变量的冲击给其他内生变量所带来的影响。而方差分解是把内生变量中的变化分解为对VAR的分量冲击。因此方差分解给出对VAR中的变量产生影响的每个随机扰动的相对重要性的信息。一、方差分解的基本思路()式中各括号()中的内容是第j个扰动项从无限过去到现在时点对第i个变量影响的总和。求其方差因为无序列‎‎相关故j=,,,k()这是把第j个扰动项对第i个变量的从无限过去到现在时点的影响用方差加以评价的结果。此处还假定扰动项向量的协方差矩阵是对角矩阵。于是的方差是上述方差的k项简单和()的方差可以分解成k种不相关的影响因此为了测定各个扰动相对的方差有多大程度的贡献定义了RVC(RelativeVarianceContribution)(相对方差贡献率),根据第j个变量基于冲击的方差对的方差的相对贡献度来作为观测第j个变量对第i个变量影响的尺度。实际上不可能用直到s=的来评价只需有限的s项。i,j=,,„,k()如果大时意味着第j个变量对第i个变量的影响大相反地小时可以认为第j个变量对第i个变量的影响小。二、如何由VAR计算方差分解从VAR的工具栏中选ViewVariancedecomposition项。应当提供和上面的脉冲响应函数一样的信息。VAR过程在这里仅就对VAR是唯一的过程进行讨论。MakeSysterm:产生一个包括等同于VAR详细定义的对象。ByVariable选项产生一个系统其详细的说明和系数的显示是以变量的次序来显示。ByLag产生一个以滞后数的次序来显示其详细的说明和系数的系统。向量误差修正及协整理论Engle和Granger(a)指出两个或多个非平稳时间序列的线性组合可能是平稳的。假如这样一种平稳的或的线性组合存在这些非平稳(有单位根)时间序列之间被认为是具有协整关系的。这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。向量误差修正模型(VEC)是一个有约束的VAR模型并在解释变量中含有协整约束因此它适用于已知有协整关系的非平稳序列。当有一个大范围的短期动态波动时VEC表达式会限制内生变量的长期行为收敛于它们的协整关系。因为一系列的部分短期调整可以修正长期均衡的偏离所以协整项被称为是误差修正项。一个简单的例子:考虑一个两变量的协整方程并且没有滞后的差分项。协整方程是:且VEC是:在这个简单的模型中等式右端唯一的变量是误差修正项。在长期均衡中这一项为。然而如果在上一期偏离了长期均衡则误差修正项非零并且每个变量会进行调整以部分恢复这种均衡关系。系数代表调整速度。如果两个内生变量和不含趋势项并且协整方程有截距则VEC有如下形式:另一个VEC表达式假设在序列中有线性趋势并且在协整方程中有常数因此它的形式如下:相似地协整方程中可能有趋势项但在两个VEC方程中没有趋势项。最后如果在每个VEC等式的括号外存在线性趋势项那么序列中便存在着隐含的二次趋势项。协整检验协整检验从检验的对象上可以分为两种:一种是基于回归系数的协整检验如下面将要介绍的Johansen协整检验。另一种是基于回归残差的协整检验如ADF检验。(一)ADF检验考虑k个变量的时间序列我们可以建立三种回归方程:()()()其中为扰动项。在EViews中执行ADF协整检验须先计算残差对进行单位根检验从而确定之间是否有协整关系。(二)Johansen协整检验协整检验的目的是决定一组非稳定序列是否是协整的。考虑阶数为p的VAR模型:()其中是一个含有非平稳的I()变量的k维向量是一个确定的d维的向量是扰动向量。我们可把VAR重写为以下形式:()其中:()Granger定理指出:如果系数矩阵的秩那么存在阶矩阵和它们的秩都是r使得并且是稳定的。其中r是协整关系的数量(协整秩)并且的每列是协整向量‎‎。正如下面解释中的元素是向量误差修正模型VEC中的调整参数。Johansen方法是在无约束VAR的形式下估计矩阵然后求出从而检验出协整秩(秩())得出协整向量。为了完成协整检验从VAR或组的工具栏中选择ViewCointegrationTest„即可。EViews对Johansen考虑的下面五种可能的决定趋势形式提供了检验()序列y没有确定趋势协整方程没有截距::()序列y没有确定趋势协整方程有截距::()序列y有线性趋势协整方程仅有截距::()序列y和协整方程都有线性趋势::()序列y有二次趋势且协整方程有线性趋势::Johansen协整检验结果的解释:表中第一部分的报告结果检验了协整关系的数量并以两种检验统计量的形式显示:第一种检验结果是所谓的迹统计量列在第一个表格中:第二种检验结果是最大特征值统计量列在第二个表格中。对于每一个检验结果第一列显示了在原假设成立条件下的协整关系数第二列是()式中矩阵按由大到小排序的特征值第三列是迹检验统计量或最大特征值统计量最后两列分别是在和水平下的临界值。在迹统计量的输出中检验原假设是有r个协整关系而不是k个协整关系其中k是内生变量的个数r=,,„,k。对原假设是有r个协整关系的迹统计量是按如下的方法计算的:()其中是()式中矩阵的第i个最大特征值在输出表的第二列显示。最大特征值统计量的检验结果表它所检验的原假设是有r个协整关系反之有r个协整关系。统计量是按下面的方法计算的:()向量误差修正模型(VEC)的估计VEC模型是一种受约束的VAR模型是用已知协整的非稳定序列来定义的。(一)如何估计VEC模型为建立一个VEC击VAR工具栏中的Estimate然后从VARVECSpecification中选择VectorErrorCorrection项。在VARVECSpecification栏中应该提供与无约束的VAR相同的信息。VEC的估计分两步完成:第一步从Johansen所用的协整检验估计协整关系第二步用所估计的协整关系构造误差修正项并估计包括误差修正项作为回归量的一阶方差的VAR。(二)VEC估计的输出包括两部分。第一部分输出第一步从Johansen程序所得的结果。第二部分输出从第一步之后以误差修正项作为回归量的一阶差分的VAR。ViewCointegrationGraph输出在VEC中所用的被估计的协整关系的曲线。为了保存这些协整关系作为工作表中以命名的序列用ProcMakeCointegrationGroup即可

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

评分:

/102

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利