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: create a 1952 2000
s semi-annual:create s 1952 1960
q quarterly: create q 1951:1 1952:3
m monthly: create m 1952:01 1954:11
w weekly: create w 2/15/94 3/31/94,自动认为第一天为周一,和正常的周不同。
d daily (5 day week): create d 3/15/2008 3/31/2008,和日历上周末一致,自动跳过周末。
7 daily (7 day week): create 7 3/03/2008 3/31/2008。
u undated: create u 1 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create myfilename a 1952 2000 或者
workfile myfilename a 1952 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。
data x y,… 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 mygroup x y
可以在组中直接加入滞后变量 group mygroup y x(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 series x
series y
data x y
series z = 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.fill 1, 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.Fill 1 2 3 4 5 9 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)Cov x y: 协方差矩阵。
Cor x y: 相关矩阵。
2)plot x y: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)scat x y: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:Sort x: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 smpl 1 11 smpl 1990 2000
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 2001 2007
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
@se standard error of the regression
@ssr sum of squared residuals
@dw Durbin-Watson statistic
@f F-statistic
@logl value of the log-likelihood function
@aic Akaike information criterion
@sc Schwarz 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
@cov matrix 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)