使用eviews做线性回归分析.doc

使用eviews做线性回归分析关键字:linearregressionGlossary:ls(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,解决这个问题使用来调整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)线性回归的基本假设:,且服从期望为0,:lsycx1x2x3...x1x2x3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()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=,dl=,du=,所以存在正相关模型评价目的:不同模型中择优1)样本决定系数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=1-(n-1)/(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=-2L/n+2k/n,其中L为loglikelihood,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