君，已阅读到文档的结尾了呢~~
Eviews6.0第四讲 向量自回归模型
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
Eviews6.0第四讲 向量自回归模型
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口君，已阅读到文档的结尾了呢~~
eviews教程第15章时间序列回归
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
eviews教程第15章时间序列回归
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口使用eviews做线性回归分析 - 数据分析的日志,人人网,数据分析的公共主页
使用eviews做线性回归分析
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)
线性回归的基本假设：
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
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。
模型检验：
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&dw&4-du 无自相关， 4-dl&dw&=4负相关 ，若不在以上3个区间则检验失败，无法判断 demo中的dw=0.141430 ，dl=1.73369,du=1.7786,所以存在正相关
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=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。 Adjust R-seqaured=1-(n-1)/(n-k)(1-R2) 2）对数似然值(Log Likelihood,简记为L) 残差越小，L越大 3）AIC准则 AIC= -2L/n+2k/n, 其中L为 log likelihood,n为样本总量，k为参数个数。 AIC可认为是反向修正的L，AIC越小说明模型越精确。 4）SC准则 SC= -2L/n + k*ln(n)/n 用法同AIC非常接近
预测forecast
root mean sequared error(RMSE)均方根误差 Mean Absolute Error(MAE)平均绝对误差 这两个变量取决于因变量的绝对值， MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPE&10则认为预测精度较高 Theil Inequality Coefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。 偏差率(bias Proportion)，bp，反映预测值和真实值均值间的差异 方差率(variance Proportion)，vp，反映预测值和真实值标准差的差异 协变率(covariance Proportion)，cp，反映了剩余的误差 以上三项相加等于1。 预测比较理想是bp,vp比较小，值集中在cp上。
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？
1)Chow检验 chow's breakpoint检验 零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变 demo中 Chow Breakpoint Test: 1977Q1&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& F-statistic&&&&&&& 2.42&&&&&&&&&&& Prob. F(3,174)&&&&&&&&&&&&&&& 0.3355 Log likelihood ratio&&&&&&& 8.78&&&&&&&&&&& Prob. Chi-Square(3)&&&&&&&&&&&&&&& 0.0291 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& p值&0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。 问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。 chow's forecast检验 用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。 0假设是：模型与后段样本无显著差异 demo中的1976Q4作为break point,得到两个p值为0，即认为两段样本的系数应该是不同的。 2）自变量的选择 testadd检验： 操作方法是: eqation name.testadd ser1 ser2 ... 0假设：应该将该变量引入方程 检验统计量：wald,LR 结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设 testdrop检验： 操作方法是: eqation name.testdrop ser1 ser2 ... 0假设：应该将该变量剔除 检验统计量：wald,LR 结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设
含定性变量的回归模型 分为：自变量含定性变量，因变量含定性变量。后一种情况较为复杂 建立dummy 变量(名义变量)：用D表示 当变量有m种情况时，需要引入m-1个dummy变量 处理办法：把定性变量定义成0.1.2等数值后和一般变量同样处理
常见问题及对策
1）多重共线性（multicollinearity）:
p个回归变量之间存在严格或近似的线性关系 诊断方法： 1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过 2.某些自变量系数之间的简单相关系数很大 3.回归系数符号与简单相关系统符号相反 以上3条发生都有理由怀疑存在多重共线性 方差扩大因子(variance inflation factor VIFj)是诊断多重共线性的常用手段。 VIFj为矩阵(X& X)-1第j个对角元素cjj=1/(1-R2j)(j=1,2&,p) 其中R2j为以作为cj因变量，其余p-1个自变量作为自变量建立多元回归模型所得的样本决定系数，所以R2j越大则说明自变量之间自相关性越大，此时也越大，可以认为VIFj&10(R2j&0.9)则存在多重共线性。 还可以使用VIFj的平均数作为判断标准，如果avg(VIFj)远大于10则认为存在多...
阅读(9606)|
擦，早拿出来啊，尼玛都考完
人人移动客户端下载苹果/安卓/wp
积分 11663, 距离下一级还需 6637 积分
权限: 自定义头衔, 签名中使用图片, 设置帖子权限, 隐身, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
道具: 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 4 天连续签到: 1 天[LV.2]偶尔看看I
本帖最后由 耕耘使者 于
10:03 编辑
& & 理论上，差分以后再使用ARMA模型。我的疑问是，如果那样操作，得到的回归系数就是差分后的，还得转化成原始的。
软件应该是方便的，即一步到位给出原始序列的系数估计值。
& &&&主要问题是预测，预测的也是差分后序列的值，而不是水平的值，有实际意义上的，我们需要的，是对水平序列的预测。
& & 当然，有了差分后的预测值，手算可以求出水平序列的预测值，即水平值+下一期的差分预测值，如：
水平序列有5期，预测第六期，则：yf6=y5+dyf6
& & yf6为第6期水平序列的预测值，y5为水平序列第5期实际值，dyf6是一阶差分后序列的第6期预测值。
& & 我想学的是，用Evies软件直接求出预测值，那样更方便了。
& & 谢谢大家！
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
利用ARIMA模型得到的是差分后的回归系数，不用转化成原来的啊，你直接得到差分后的关系就可以了。这样才能明显的看出具体的关系，如果你在费力转换成差分前的回归系数，这个简单的关系可能就被掩盖了。不能直接看出具体的关系了。
本帖被以下文库推荐
& |主题: 8540, 订阅: 47
利用ARIMA模型得到的是差分后的回归系数，不用转化成原来的啊，你直接得到差分后的关系就可以了。这样才能明显的看出具体的关系，如果你在费力转换成差分前的回归系数，这个简单的关系可能就被掩盖了。不能直接看出具体的关系了。
热心帮助其他会员
热心帮助其他会员
观点有启发
总评分:&经验 + 20&
论坛币 + 30&
学术水平 + 1&
热心指数 + 1&
&img src=&static/image/smiley/comcom/3.gif& class=&vm& ...
自己差分过之后再estimate是得到差分过的。。。Yt - Yt-1 = ARMA 要换成原来的话就把Yt-1放到另一边就好了0.0
热心帮助其他会员
总评分:&热心指数 + 1&
放羊的小孩001 发表于
利用ARIMA模型得到的是差分后的回归系数，不用转化成原来的啊，你直接得到差分后的关系就可以了。这样才能明 ...那预测呢？预测的也是差分的值，而不是水平的值，还是要转换的。
毕竟，建模最终是为了预测，尤其是时间序列模型。
期待高人！
继续求助！
estimation equation 的时候直接在level上做，这样就能直接预测了
热心帮助其他会员
总评分:&热心指数 + 1&
M.D.Luffy 发表于
estimation equation 的时候直接在level上做，这样就能直接预测了但那就变成了arma模型，而不是arima模型，显然不太靠谱。
耕耘使者 发表于
但那就变成了arma模型，而不是arima模型，显然不太靠谱。比如说level叫做y，对arima（1,1,1）可以这样：d(y) c d(y(-1)) ma(1)
d(y(-1)) 就是1st difference lag-1。
这个我试过，记得是成功的。
M.D.Luffy 发表于
比如说level叫做y，对arima（1,1,1）可以这样：d(y) c d(y(-1)) ma(1)
d(y(-1)) 就是1st difference lag ...您再试试吧，我试了，出不来结果。谢谢
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师}