使用eviews做线性回归分析
最新推荐文章于 2025-08-27 17:05:21 发布
最新推荐文章于 2025-08-27 17:05:21 发布
·
1.4w 阅读
·
19
·
135
文章标签：
#读书
#C
#C++
#C#
#F#
本文详细介绍了如何使用Eviews进行线性回归分析，包括基本假设、建模方法、模型检验与评价、预测和误差分析。重点讨论了线性回归的R-squared、对数似然值、AIC和SC准则，以及DW检验、Chow检验等关键步骤。此外，还探讨了多重共线性、异方差性和自相关性的诊断与处理方法。
[b]Glossary:[/b]
ls(least squares)最小二乘法
R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整
Adjust R-seqaured()
S.E of regression回归标准误差
Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确
Durbin-Watson stat：DW统计量，0-4之间
Mean dependent var因变量的均值
S.D. dependent var因变量的标准差
Akaike info criterion赤池信息量(AIC)（越小说明模型越精确）
Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确）
Prob(F-statistic)相伴概率
fitted(拟合值)
[b]线性回归的基本假设：[/b]
1.自变量之间不相关
2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布
3.样本个数多于参数个数
[b]建模方法:[/b]
ls y c x1 x2 x3 ...
x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
[b]模型检验：[/b]
1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度
F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。
2）回归系数显著性检验（t检验）：检验每一个自变量的合理性
|t|大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为n-p-1,n为样本数，p为系数位置
3）DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立）
残差：模型计算值与资料实测值之差为残差
0<=dw<=dl 残差序列正相关，du demo中的dw=0.141430 ，dl=1.73369,du=1.7786,所以存在正相关 [b]模型评价[/b] 目的：不同模型中择优 1）样本决定系数R-squared及修正的R-squared R-squared=