人大经济论坛 › 标签 › 区分大小写

标签: 区分大小写经管大学堂：名校名师名课

相关帖子	版块	作者	回复/查看	最后发表

c语言优缺点	长春理工大学经济管理学院	120913313 2012-11-29	10 1108	悠悠仔 2023-2-17 19:33:30
eviews常用命令分享	EViews专版	Frank233 2015-7-10	2 13114	小猫咪的夏天 2017-3-26 22:21:32
关于contains如何选取任意位置字符的问题	SAS专版	BIG钊钊 2016-6-9	3 6226	ifendo 2016-6-16 21:38:05
stat/transfer12转换变量名的大小写问题	爱问频道	wb103 2014-8-7	8 3108	dahuang0210 2015-5-28 10:42:19
【快逸报表】多维分析矩阵	新手入门区	kyrj 2015-1-27	1 1015	11879245 2015-1-27 22:52:23
R语言怎么不区分大小写	数据分析与数据挖掘	285743489 2014-4-22	1 10644	吴海龙 2014-4-22 21:56:11
Python中re模块	HLM专版	Nicolle 2014-10-15	0 995	Nicolle 2012-10-15 23:51:11

更多...

相关日志

分享 eviews命令: zhangbaoqian 2016-6-1 23:33; Eviews 常用命令（对于命令和变量名，不区分大小写） 1 ．创建时间序列的工作文件 a annual ： createa1952 2000 s semi-annual ： creates1952 1960 q quarterly ： createq1951 ： 1 1952 ： 3 mmonthly ： createm1952 ： 011954 ： 11 wweekly: createw 2/15/94 3/31/94 ，自动认为第一天为周一，和正常的周不同。 ddaily (5 day week):created3/15/20083/31/2008 ，和日历上周末一致，自动跳过周末。 7 daily (7 day week):create73/03/20083/31/2008 。 u undated:createu1 33 。创建工作文件时可直接命名文件，即在 create 后面直接键入“文件名 ” ，如 createmyfilenamea1952 2000 或者 workfile myfilenamea1952 2000 系统自动生成两个序列：存放参数估计值 c 和残差 resid 。 2 ．创建数组（ group ）多个序列组合而成，以便对组中的所有变量同时执行某项操作。数组和各个序列之间是一种链接关系，修改序列的数据、更改序列名、删除序列等操作，都会在数组中产生相应的变化。 1 ）创建完文件后，使用 data 建立数据组变量；若有 word 表格数据或 excel 数据，直接粘贴；或者用 Import 从其它已有文件中直接导入数据。 dataxy ， … 可以同时建立几个变量序列，变量值按列排列，同时在表单上出现新建的组及序列，且可以随时在组中添加新的序列。利用组的优点：一旦某个序列的数据发生变化，会在组中和变量中同时更新；数组窗口可以直接关闭，因为工作文件中已保留了有关变量的数据。 2 ）通过已有序列建立一个需要的组： group mygroupxy 可以在组中直接加入滞后变量 group mygroupyx(0 to -1) 3 ．创建标量：常数值 scalar val = 10 show val 则在左下角显示该标量的值 4 ．创建变量序列 seriesx seriesy dataxy seriesz = x + y series fit = Eq1.@coef(1) + Eq1.@coef(2) * x 利用两个回归系数构造了拟合值序列 5 ．创建变量序列 genr 变量名 = 表达式 genr xx = x^2 genr yy = val * y genr zz = x*y ( 对应分量相乘 ) genr zz = log(x*y) ( 各分量求对数 ) genr lnx = log(x) genr x1 = 1/x genr Dx = D(x) genr value = 3( 注意与标量的区别 ) genr hx = x*(x=3)( 同维新序列，小于 3 的值变为 0 ，其余数值不变 ) 1 ）表达式表示方式：可以含有 ,,,=,=,=,and,or 。 2 ）简单函数： D(X):X 的一阶差分 D(X ， n):X 的 n 阶差分 LOG(X) ：自然对数 DLOG(X) ：自然对数增量 LOG(X)-LOG(X(-1)) EXP(X) ：指数函数 ABS(X) ：绝对值 SQR(X) ：平方根函数 RND ：生成 0 、 1 间的随机数 NRND ：生成标准正态分布随机数。 3 ）描述统计函数： eviews 中有一类以 @ 打头的特殊函数，用以计算序列的描述统计量，或者用以计算常用的回归估计量。大多数 @ 函数的返回值是一个常数。 @SUM(X) : 序列 X 的和 @MEAN(X) : 序列 X 的平均数 @VAR(X) : 序列 X 的方差 @SUMSQ(X) : 序列 X 的平方和 @OBS(X) : 序列 X 的有效观察值个数 @COV(X,Y) : 序列 X 和序列 Y 的协方差 @COR(X,Y) : 序列 X 和序列 Y 的相关系数 @CROSS(X,Y) : 序列 X ， Y 的点积 genr val=@cross(x,y) 当 X 为一个数时，下列统计函数返回一个数值；当 X 时一个序列时，下列统计函数返回的也是一个序列。 @PCH(X): X 的增长率（ X-X(-1) ） / X(-1) @INV(X): X 的倒数 1/X @LOGIT(X): 逻辑斯特函数 @FLOOR(X): 转换为不大于 X 的最大整数 @CEILING(X): 转换为不小于 X 的最小整数 @DNORM(X): 标准正态分布密度函数 @CNORM(X): 累计正态分布密度函数 @TDIST(X,n): 自由度为 n ，取值大于 X 的 t 统计量的概率 @FDST(X,n,m): 自由度为（ n ， m ）取值大于 X 的 F 分布的概率 @CHISQ(X,n): 自由度为 n ，不小于 x 的分布的概率 4 ）回归统计函数回归统计函数是从一个指定的回归方程返回一个数。调用方法：方程名后接 . 再接 @ 函数。如 EQ1.@DW ，则返回 EQ1 方程的 D-W 统计量。如果在函数前不使用方程名，则返回当前估计方程的统计量。统计函数见下面： @R2 … @NCOEF 常用。 6 ．向量列向量对象 vector 、行向量对象 rowvector 、系数向量对象 coeff vector vect ：定义了一个一维且取值为 0 的列向量 vector(n) vect ：定义一个 n 维且取值为 0 的列向量 vect.fill1, 3, 5, 7, 9 ：定义了分量的值 vector(n) vect=100 ：定义一个 n 维且取值为 100 的列向量行向量对象 rowvector 、系数向量对象 coeff 类似 7 ．矩阵 matrix mat ：定义一个行和列均为 1 取值为 0 的矩阵 matrix （ m,n ） mat ：定义一个行和列分别为 m ， n 取值为 0 的矩阵 matr.Fill1 2 3 4 59 8 7 6 5 ， ┅ 默认按列输入数据 matrix （ m,n ） mat=5 ：定义一个行和列分别为 m ， n 取值为 5 的矩阵 matrix （ m,n ） mat=5*matr ：定义和 matr 同维但取值为 5 倍的矩阵 8 ．常用命令： 1 ） Covxy ：协方差矩阵。 Corx y ：相关矩阵。 2 ） plotxy ：出现趋势分析图，观察两个变量的变化趋势或是否存在异常值。双击图形可改变显示格式。 3 ） scatxy ：观察变量间相关程度、相关类型（线性、非线性）。仅显示两个变量。如果有多个变量，可以选取每个自变量和因变量两两观察，虽然得到切面图，但对函数形式选择有参考价值。 4 ）排序：在 workfile 窗口，执行主菜单上的 procs/sort series ，可选择升序或降序： Sortx ：则 y 随之移动，即不破坏对应关系。 sort(d)x ：按降序排序，注意所有的其它变量值都会随之相应移动。 5 ）取样 smpl1 11 smpl19902000 smpl @all ：重新定义数据范围，如果修改过，现在改回。 6）追加记录，扩展样本：Expand 20012007 6 ） “ ' ”后面的东西不执行，仅仅解释程序语句。 7 ） Jarque-Bera 统计量 : ，用于检验变量是否服从正态分布。在变量服从正态分布的原假设下， JB 统计量服从自由度为 2 的卡方分布。如果 JB 统计量大于卡方分布的临界值，或对应概率值较小，则拒绝该变量服从正态分布的假设（ where S is the skewness, K is the kurtosis, and k represents the number of estimated coefficients used to create the series ） 9. 回归结果与变量表示： X 800 1100 1400 1700 2000 2300 2600 2900 3200 3500 Y 594 638 1122 1155 1408 1595 1969 2078 2585 2530 Variable Coefficient Std. Error t-Statistic Prob. 变量系数估计值系数标准差:小好 T检验值:大好概率（越小越好） C -103.171717172 98.4059798473 -1.04842934679 0.325079456046 @coefs(1)或c(1) @stderrs(1) @tstats(1) X 0.77701010101 0.0424850982476 18.2890032755 8.2174494e-08 R-squared 0.97664149287 Mean dependent var 1567.4 （拟合优度） =1-(RSS/TSS) :大好（因变量均值）＝ @R2 @mean(y) Adjusted R-squared 0.973721679478 S.D. dependent var 714.1444 （调优）1- :大好（Y标准差） 9 @RBAR2 @sqr(@var(y)*n/(n-1))，var(y) @sddep（被解释变量的标准差） S.E. of regression 115.767020478 Akaike info criterion 12.517893 115.7670^2=13402 赤池信息准则（回归标准差） =@se Sum squared resid 107216.024242 Schwarz criterion 12.5784099883 （残差平方和）施瓦兹信息准则 :小好 @sumsq(resid) Log likelihood -60.5894648487 F-statistic 334.487640812 （对数似然估计值）（总体F检验值）:大好＝2859.544＝@F Durbin-Watson stat 3.12031968783 Prob(F-statistic) 0.0000 （D-W检验值）（ F检验概率）:小好 =@DW @REGOBS ：返回观察值的个数 7 。 @ncoef ：估计系数总个数 2 。注意：系数项可这样计算： genr b1=@cross(x-@mean(x),y-@mean(y))/@sumsq(x-@mean(x)) @cross 计算交叉乘积和， @mean 计算均值， @sumsq 计算平方和。 genr b0=@mean(y)-b1*@mean(x) 。 10. 置信区间估计：变量的显著性检验： = c(2)/@stderrs(2)=@tstats(2) 参数的置信区间的计算：＝0.01，＝3.355，下限： = c(2)-3.355*@stderrs(2) 上限： =c(2)+3.355*@stderrs(2) 总体个别均值的预测值的置信区间的计算 ( 总体条件均值类似 ) ： 1 ） ls y c x ，使内存中存在方程 -103.171717172 + 0.77701010101 2 ）假设＝ 1000 ，下限： =c(1)+c(2)*1000- 2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x))) ＝ 372.03 上限： =c(1)+c(2)*1000+ 2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x))) ＝ 975.65 故总体个别均值的预测值的置信区间为：（ 372.03 ， 975.65 ）。 11 ．预测问题：生成一个以原因变量 y 名 +f 的 y 的预测值 yf ，实际上， yf ＝；同时还得到一张预测图形：图中实线是因变量 y 的预测值，上下两条虚线给出的是近似 95 ％的置信区间。 1) 绝对指标 RMSE 均方根误差，其大小取决于因变量的绝对数值和预测值； 2) 绝对指标MAE平均绝对误差，其大小取决于因变量的绝对数值和预测值； 3) 常用的相对指标MAPE平均绝对百分误差；若 MAPE 的值小于 10 ，则认为预测精度较高； 4) 希尔不等系数：，希尔不等系数总是介于 0-1 之间，数值越小，表明拟合值和真实值间的差异越小，预测精度越高；5) 均方误差 MPE 可分解为其中是预测值的均值，是实际序列的均值，分别是预测值和实际值的标准差，r是它们的相关系数，于是可定义偏差率、方差率和协变率三个相互联系的指标，其取值范围都在0-1之间，并且这三项指标之和等于1，计算公式是：偏差率（OLS中，故BP＝0）、方差率、协变率。BP反映了预测值均值和实际值均值间的差异，VP反映它们标准差的差异，CP则衡量了剩余的误差。当预测比较理想时，均方误差大多数集中在协变率CP上，其余两项较小。若有多种曲线形式可供选择，则应选择其中均方误差最小者为宜。 Functions that return scalar values: @r2 R-squared statistic @rbar2 adjusted R-squared statistic @sestandard error of the regression @ssr sum of squared residuals @dwDurbin-Watson statistic @fF-statistic @logl value of the log-likelihood function @aic Akaike information criterion @scSchwarz information criterion @jstat scalar containing the J-statistic (for GMM) @regobs number of observations in regression @meandep mean of the dependent variable @sddep standard deviation of the dependent variable @ncoef total number of estimated coefficients @coefs(i) coefficient i, where i is given by the order in which the coefficients appear in the representations view @stderrs(i) standard error for coefficient i @tstats(i) t-statistic value for coefficient i @cov(i,j) covariance of coefficients i and j Functions that return vector or matrix objects: @coefs vector of coefficient values @stderrs vector of standard errors for the coefficients @tstats vector of ratios of coefficients to standard errors @covmatrix containing the coefficient covariance matrix For example: series y = eq1.@dw vector tstats = eq1.@tstats matrix mycov = eq1.@cov scalar pvalue = 1-@cnorm(@abs(eq1.@tstats(4))) scalar var1 = eq1.@covariance(1,1); 13 次阅读|0 个评论