使用eviews做线性回归方程.doc

使用eviews做线性回归方程.doc:..Glossary:Is(leastsquares)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,>,但是R2随因变量的增多而增大,解决这个问题使用來调整AdjustR-seqaured():残差越小,L值越大,越大说明模型越正确Durbin-Watsonstat:DW统计量,0-(AIC)(越小说明模型越精确)Schwarzctiterion: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)线性冋归的基本假设:•随机误差和互独立,且服从期望为0,标准差为。:Isycxlx2x3・・・xlx2x3的选择先做各序列Z间的简单和关系数计算,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ml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给岀了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或a错误)的概率(收尾概率或相伴概率)p值,若p小于置信度()则可以拒绝0假设,即认为方程显著性明显。2) 冋归系数显著性检验(I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O<=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=,dl=,du=,所以存在正相关模型评价口的:不同模型中择优1)样木决定系数R-squared及修正的R-squaredR-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。AdjustR-seqaured=l-(n-l)/(n~k)(1-R2)2)对数似然值(LogLikelihood,简记为L)残差越小,L越大3)AIC准则AIC二-2L/n+2k/n,其中L为loglikelihood,n为样本总量,k为参数个数。ATC可认为是反向修正的L,ATC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forecastrootmeansequarederror(RMSE)均方根误差MeanAbsoluteError(MAE)平均绝对误差这两个变量取决于因变量的绝对值,MAPE()平均绝对百分误差,一般的认为MAPE<10则认为预测精度较高Thei1InequalityCoefficient(希尔不等系数)值为0T,越小表示拟合值和真实值差异越小。偏差率(biasProportion),bp,反映预测值和真实值均值间的差异方差率(varianceProportion),vp,反映预测值和真实值标准差的差异协变率(covarianceProportion),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±0eviews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?其他l)Chow检验chow,sbreakpoint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ChowBreakpointTest:1977Q1F-**********(3,174)**********-Square(3)&lt:,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?