发布时间 : 星期六 文章EViews6完整操作手册(Word版)更新完毕开始阅读76e2351f4a35eefdc8d376eeaeaad1f34693113c
二、季节ARMA项
对于带有季节移动的季度数据，Box and Jenkins(1976)建议使用季节自回归SAR和季节动平均SMA。
三、ARIMA估计输出
存在AR或MA定义的估计输出和OLS是一样的，只是增加了一个AR，MA多项式的倒根的下部程序块。
四、ARMA估计选择
带有AR或MA的模型用非线性最小二乘法估计。非线性估计方法对所有系数估计都要求初值。作为缺省Eviews决定初值。用户可设置初值，EViews使用C系数向量。也可使用命令安排C向量值定义，例如下面方程的系数
Y c X ma(2) ma(1) sma(4) ar(1) 可定义为 param c(1) 50 c(2 ) 0.8 c(3) 0.2 c(4) 0.6 c(5) 0.1 c(6) 0.5初值：常数是50， X系数的初值是0.8， ar(1)、ma(2)、ma(1)、sma(4) 系数的初值分别是0.2 ， 0.6，0.1，0.5。 §13.6诊断检验
如果ARMA模型定义正确，模型残差将为白噪声。这意味着残差中应不存在序列相关。D-W统计量是当方程右边没有滞后变量时对一阶序列相关的检验。如上所述，对残差中序列相关更多的检验可以如：View/Residual Tests/Correlogram-Q-Statistic和View/Residual Tests/Serial correlation LM Test。 §13.7多项分布滞后（PDLs）
一个分布滞后算子如下
（13.37）
系数描述x对y作用的滞后。在模型中解释变量与随机误差项不相关的情况下，可以直接使用OLS估计参数。在其它情形下，x的当前和滞后值具有高共线性时，直接估计失败。 可以使用多项式分布滞后（PDLS）来减少要估计的参数个数，以此来平滑滞后系数。平滑就是要求系数服从一个相对低阶的多项式。P阶PDLS模型限制多项式
系数服从如下形式的p阶
（13.38）
j = 0 , 1 , 2 , … , k 是事先定义常数：
PDLS有时被称为Almon分布滞后模型。常数仅用来避免共线性引起的数值问题，不影响
的估计。这种定义允许仅使用参数p来估计一个x的k阶滞后的模型（如果p > k，
将显示“近似奇异”错误信息）。
如果定义一个PDL模型，EViews用(13.38)式代入到(13.37)式，将产生如下形式方程
(13.40)
25
其中
(13.41)
一旦从（13.40）式估计，利用（13.38）式就可得到因为
的各系数。这一过程很明了，
是的线性变换。定义一个PDLs有三个元素：滞后长度k，多项式阶数（多项式最
高次幂数）p和附加的约束。 §13.8非平稳时间序列
上述ARMA估计理论都是基于平稳时间序列。如果一个序列的均值和自协方差不依赖于时间，就说它是平稳的。非平稳序列的典型例子是随机游动
，
是平稳随
机扰动项。序列y有一个常数预测值，方差随时间增长。随机游动是差分平稳序列，因为y一阶差分后平稳。
，差分平稳序列称为单整，记为I(d)，d为单整阶数。单整阶数是
序列中单位根数，或者是使序列平稳而差分的阶数。对于上面的随机游动，有一个单位根，所以是I(1)，同样，平稳序列是I(0)。 §13.9单位根检验
EViews提供两种单位根检验：Dickey-Fuller(DF)、增广DF(ADF)检验和Phillips-Perron（PP）检验。 一、ADF检验
为说明ADF检验的使用，先考虑一个AR(1)过程
（13.46）
是参数，
假设为白噪声。如果-1<
<1，y平稳序列。如果
=1，y是非平稳
序列（带漂移的随机游动）。如果这一过程在一些点开始，y的方差随时间增长趋于无穷。如果
的绝对值大于1，序列发散。因此，一个序列是否平稳，可以检验
是否严格小于1。
DF和PP都用单位根作为原假设。设为单边假设
。
因为发散序列没有经济学含义，所以备选假
从方程两边同时减去
其中
（13.47）
26
所以原假设和备选假设可改为 （13.48）
单位根检验可以看作对进行t检验。EViews将DF，ADF检验都看成为ADF检验。ADF检验考虑如下三种回归形式：
即通过在模型中增加的滞后项，以消除残差的序列相关性。在检验回归中包括常数，常数和线性趋势，或二者都不包含。 二、Phillips-Perron(PP)检验
Phillips和Perron（1988）提出一种非参数方法来控制序列中高阶序列相关。对AR(1)的PP检验为：
（13.51）
ADF检验通过在方程右边添加滞后差分项来修正高阶序列相关。PP检验参数的t统计量来修正AR(1)的序列相关。这种修正方法是非参数的，因为我们使用在零频率的谱估计。零频率对未知形式的异方差性和自相关性较稳健。EViews使用Newey-West异方差自相关一致估计
（13.52）
（13.53）
q是截断滞后值。PP统计量由下式计算：
（13.54）
是t统计量；是的标准差；s是检验回归标准差。PP统计量渐进分布同ADF的t统计量一样。EViews显示Mackinnon临界值。对PP检验，必须为Newey-West纠正定义截断滞后因子q，即要包括的序列相关期数。对话框开始包括N-W自动截断滞后选择（floor函数返回的是不超过括号中数的最大整数）
这仅基于检验回归中使用的观测值数，也可定义为任何整数。 §13.10命 令
命令 equation eq_gdp.ls gdp c ar(1) ar (2) ma(1) ma(2)用来用一个arma(2,2)模型拟和序列GDP并把结果储存在方程 EQ_GDP中。 命令 eq1.auto(4)
用来检验方程EQ!残差序列直到四阶的相关系数。 命令 eq1.correlogram(12)
27
用来显示方程直到12阶的残差相关图。 命令 equation eq2.ls gdp c pdl(m1,12,3)
使用一个三次多项式拟和m1直到十二阶的值。 命令 gdp.ruoot(4, c)
用来运行一个带常数和四阶滞后的ADF检验
第十四章 方程预测
本章描述的是用回归方法估计的方程对象对一个单方程进行预测或计算拟合值的过程。 §14.1 EViews中的方程预测
为预测方程的因变量，在方程对象的工具栏中按Forecast按钮，或选择Procs/Forecast…。 然后应提供以下信息：
（1）序列名：将所要预测的因变量名填入编辑框中。EViews默认了一个名字，但可以将它变为任意别的有效序列名。注意序列名应不同于因变量名。
（2）S.E.（Optional）用于是否将预测标准差项保存。 （3）预测方法：动态法、静态法。
（4）结构（Structural）用于是否忽略方程中的任何ARMA项。 （5）样本区间：缺省时，为工作文件样本，可自行输入。
（6）输出：可以选择以表输出或数值输出，或两者同时都输出预测或拟合值。 §14.2图解
本节主要是针对方程预测进行图形的说明，我们将通过实例给予说明。 §14.3预测基础
（1）计算预测值
在作出方程估计后，单击Forecast，给定预测期，然后单击OK。对预测期内的所有观测值，你应该确保等号右边外生变量值有效。如果预测样本中有数据丢失，对应的预测值将为NA。
（2）缺失项调整
对于存在缺失项的预测，如果是静态预测，则对预测没有很大影响；但对于动态预测而言，缺失项的存在将导致其后的所有值都为NA。
（3）预测的误差和方差
预测的误差就是实际值和预测值之差：
。
（4）残差不确定性
测量误差的标准形式是回归标准差（在输出方程中用“S.E.of regression”表示），残差的不确定性是预测误差的主要来源
（5）系数不确定 这是误差的又一来源，系数的不确定的影响程度由外生变量决定，外生变量超出它们的均值越多，预测的不确定性越大。
（6）预测可变性
预测的可变性由预测标准差来衡量forecast se=
（不含滞后因变量或
ARMA项） s为回归标准差。如果赋给预测标准差一个名字，EViews将在你的工作文件中计算并保存一个预测标准差序列。
（7）预测效果评估
这里介绍几个主要的统计指标：
28