eviews学习经典讲义-经管之家官网！

在经典计量经济学模型中，所利用的数据（样本观测值）的一个特征是，或者只利用时间序列数据(time series)，或者只利用截面数据(cross section)。我们经常遇到在同一时间包含不同截面成员信息的数据，或在若干时间区间观测到相关的一些截面成员的数据。例如许多欧洲国家的GDP时间序列数据，或者是一段时间不同地区的失业状态数据。我们称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。有的书中也称这类数据为面板数据(panel data)，指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。处理时间序列/截面数据的EViews对象称为一个Pool。EViews提供了许多专用工具处理Pool数据，包括数据管理，选择时间序列长度和截面成员的多少，以及进行数据估计。
25章将主要介绍怎样建立Pool数据以及定义和处理Pool对象
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。22章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，就是这一章所讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（Vector Error Correction, VEC）的估计与分析。同时也给出一些检验几个非稳定变量之间协整关系的工具。
EViews中的大多数统计工具都是用来建立随机变量的条件均值模型。18章讨论的重要工具具有与以往不同的目的——建立变量的条件方差或变量波动性模型。我们想要建模并预测其变动性通常有如下几个原因: 首先，我们可能要分析持有某项资产的风险；其次，预测置信区间可能是时变性的，所以可以通过建立残差方差模型得到更精确的区间；第三，如果误差的异方差是能适当控制的，我们就能得到更有效的估计。
16章描述了对一个单方程进行预测或计算拟合值的过程。这里描述的技术是利用通过回归方法估计得到的方程来进行预测。
15章我们讨论分析时间序列数据（检验序列相关性，估计ARMA模型，使用分布滞后，非平稳时间序列的单位根检验）的单方程回归方法
14章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计和广义矩估计（GMM）。这里的大多数方法在“联立方程系统”一章中也适用
单方程回归是最丰富多彩和广泛使用的统计技术之一。13章介绍EViews中基本回归技术的使用：说明并估计一个回归模型，进行简单的特征分析并在深入的分析中使用估计结果。随后的章节讨论了检验和预测，以及更高级，专业的技术，如加权最小二乘法、二阶段最小二乘法(TSLS)、非线性最小二乘法、ARIMA/ARIMAX模型、GMM（广义矩估计）、GARCH模型, 和定性的有限因变量模型。这些技术和模型都是建立在本章介绍的基本思想的基础之上的。
EViews的对象（序列、组、方程等）可以用图、表、文本等形式表现出来。这些视图是动态的，即当基础对象或活跃的样本变化时其展现形式也会发生变化。
为防止视图随着对象的改变而改变，人们常将当前的视图保护起来。在EViews中这要靠freezing(固化)来实现。固化一个视图将产生一个对象（这个对象是该视图内容的“瞬象”）。原始视图的多样化产生了不同的对象类型：固化一个图相当于建了一个图对象，固化一个表相当于建了一个表对象，固化一个文本相当于建了一个文本对象。
被固化的视图是对象的表现形式的基础，EViews提供了设计对象的表现形式的工具。12章描述了制作图、表和文本对象的表现形式的方法