发帖
雷达卡
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)
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
