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
均方根误差 平均绝对误差 平均相对误差 泰勒不等系数 前两个预测误差值由因变量规模决定。它们应该被作为相对指标来比较同样的序列在不同模型中的预测结果；误差越小，该模型的预测能力越强。 预测均方差可以为
式中
该比值被定义为： 偏差比 方差比 协方差比 a、偏差比表明预测均值与序列实际值的偏差程度。 b、方差比表明预测方差与序列实际方差的偏离程度。 c、协方差比衡量非系统误差的大小。 §14.4含有滞后因变量的预测
对于含有滞后因变量的预测，EViews提供了两种方法：动态预测和静态预测。
（1）动态预测：预测样本的初始值将使用滞后变量Y的实际值，而在随后的预测中将使用Y的预测值。在动态预测中，预测样本初值的选择非常重要。动态预测是真正的多步预测（从第一个预测样本开始），因为它们重复使用滞后因变量的预测值。这些预测可能被解释为利用预测样本开始时的已知信息计算的随后各期的预测值。动态预测要求预测样本中外生变量的各个观测值已知，并且任何滞后因变量预测样本的初值已知。解释变量如有缺失项，通过滞后因变量的动态预测，将使对应期观测值及以后观测值为NA。
（2）静态预测：EViews采用滞后因变量的实际值来计算预测值。静态预测要求外生变
29
分别为和y的平均值和标准差，r为和y的相关系数。
量和任何滞后内生变量在预测样本中的观测值可以获得。
（3）二者对比这两种方法在多期预测中生成的第一期结果相同。只有在存在滞后因变量或ARMA项时，两种方法以后各期的值才不同。 §14.5含有ARMA误差项的预测 （1）结构预测
EViews以默认的方式利用估计出的ARMA结构预测残差值，如果希望ARMA误差项总为零，那么点中Structural(ignore ARMA)，选择结构预测，EViews在计算预测值时将假设误差总为零。如果被估计方程没有ARMA项，该选项对预测没有影响。 （2）含有AR误差项的预测
对包含AR误差项的方程，Eviews将把该方程的残差预测加至基于右边变量的结构模型预测中。为计算残差预测，EViews需要滞后残差值的估计或实际值。对预测样本的第一个观测值，EViews将利用前样本数据计算滞后残差。如果没有用来计算滞后残差的前样本数据，EViews将调整预测样本，把实际值赋给预测序列。 （3）含有MA误差项的预测
利用MA计算预测值的第一步是求得前期预测样本中随机误差项的拟合值。为了计算预测前期的随机误差项，EViews将自动指定估计样本的前q个随机误差项的初值。给定初始值后，EViews将利用向前递归拟合随后各随机误差项的值。 §14.6含有公式的预测方程
EViews可以估计并预测等式左边是由某个公式定义的变量的方程。在对左边是公式的方程进行预测时，由三件事情决定预测过程和可以利用的选项：公式是否为线性或非线性；公式中是否包括滞后变量；公式中是否包括估计系数。
对方程左边的因变量是某个表达式的情况，Eviews提供预测其中的第一个变量的功能。如果对公式中的第一个序列，能从表达式求解出来，那么EViews还可以预测公式中的第一个序列。 §14.7非线性和包含PDL的预测
对线性模型，预测标准差对系数和随机项的不确定都已做出解释。但是，如果模型是非线性的（或它包含PDL），那么标准差就会忽略系数不确定。 §14.8命令
为得到静态（一步向前）预测，在命令窗口中输入待估方程名，后面加一点和命令fit，接着输入拟合序列名，然后随意输入一个标准差的拟合值名，如下： eq1.fit yhat yhat_se
为得到动态预测，在待估方程名后加一点和命令forecast，接着是要预测的序列名，最后随意给预测标准差输一个名： eq1.forecast yh yh _se
在命令和程序参考(Command and Programming Reference)中，可以查到预测可用的所有命令和选项。
第十五章 定义和诊断检验
本章描述的每一检验过程包括假设检验的原假设定义。检验指令输出包括一个或多个检验统计量样本值和它们的联合概率值（p值）。p值说明在原假设为真的情况下，样本统计量绝对值的检验统计量大于或等于临界值的概率。这样，低的p值就拒绝原假设。对每一检验都有不同假设和分布结果。
方程对象菜单的View中给出三种检验类型选择来检验方程定义。包括系数检验、残差检验和稳定性检验。其他检验，如单位根检验（13章）、Granger因果检验（8章）和Johansen协整检验（19章）。
30
§15.1系数检验
一、Wald检验——系数约束条件检验
Wald检验没有把原假设定义的系数限制加入回归，通过估计这一无限制回归来计算检验统计量。Wald统计量计算无约束估计量如何满足原假设下的约束。如果约束为真，无约束估计量应接近于满足约束条件。 考虑一个线性回归模型：
和一个线性约束：
，R
是一个已知的阶矩阵，r是q维向量。Wald统计量在下服从渐近分布
，可简写为：
进一步假设误差
独立同时服从正态分布，我们就有一确定的、有限的样本F-统计量
是约束回归的残差向量。F统计量比较有约束和没有约束计算出的残差平方和。如
果约束有效，这两个残差平方和差异很小，F统计量值也应很小。EViews显示量以及相应的p值。
假设Cobb-Douglas生产函数估计形式如下：
（1）
Q为产出增加量，K为资本投入，L为劳动力投入。 系数假设检验时，加入约束
。
和F统计
为进行Wald检验，选择View/Coefficient Tests/Wald-Coefficient Restrictions，在编辑对话框中输入约束条件，多个系数约束条件用逗号隔开。约束条件应表示为含有估计参数和常数（不可以含有序列名）的方程，系数应表示为c(1)，c(2)等等，除非在估计中已使用过一个不同的系数向量。
为检验规模报酬不变的假设，在对话框中输入下列约束：c(2)+c(3)=1 二、遗漏变量检验
这一检验能给现有方程添加变量，而且询问添加的变量对解释因变量变动是否有显著作用。原假设
是添加变量不显著。选择View/Coefficient Tests/Omitted Variables—Likehood
Ration，在打开的对话框中，列出检验统计量名，用至少一个空格相互隔开。例如：原始回归为 LS log(q) c log(L) log(k) ，输入：K L，EViews将显示含有这两个附加解释变量的无约束回归结果，而且显示假定新变量系数为0的检验统计量。 三、冗余变量
31
冗余变量检验可以检验方程中一部分变量的统计显著性。更正式，可以确定方程中一部分变量系数是否为0，从而可以从方程中剔出去。只有以列出回归因子形式，而不是公式定义方程，检验才可以进行。
选择View/Coefficient Tests/Redundant Variable—likelihood Ratio，在对话框中，输入每一检验的变量名，相互间至少用一空格隔开。例如：原始回归为： Ls log(Q) c log(L) log(K) K L，如果输入K L，EViews显示去掉这两个回归因子的约束回归结果，以及检验原假设（这两个变量系数为0）的统计量。 §15.2残差检验
一、相关图和Q—统计量
在方程对象菜单中，选择View/Residual Tests/Correlogram-Q-Statistics，将显示直到定义滞后阶数的残差自相关性和偏自相关图和Q-统计量。在滞后定义对话框中，定义计算相关图时所使用的滞后数。如果残差不存在序列相关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。 二、平方残差相关图
选择View/Residual Tests/Correlogram Squared Residual，在打开的滞后定义对话框，定义计算相关图的滞后数。将显示直到任何定义的滞后阶数的平方残差的自相关性和偏自相关性，且计算出相应滞后阶数的Q-统计量。平方残差相关图可以用来检查残差自回归条件异方差性（ARCH）。见下面ARCH LM检验。如果残差中不存在ARCH，在各阶滞后自相关和偏自相关应为0，且Q统计量应不显著。 三、直方图和正态检验
选择View/Residual Tests/Histogram Normality，将显示直方图和残差的描述统计量，包括检验正态性的Jarque-Bera统计量。如果残差服从正态分布，直方图应呈钟型，J-B统计量应不显著。
四、序列相关LM检验
选择View/Residual Tests /Serial correlation LM Test定义AR或MA最高阶数。这一检验可以替代Q-统计量检验序列相关。属于渐近检验（大样本）一类，被称为拉格朗日乘数（LM）检验。与D-W统计量仅检验AR(1)误差不同，LM检验可应用于检验高阶ARMA误差，而且不管是否有滞后因变量均可。因此，当我们认为误差可能存在序列相关时，更愿意用它来进行检验。LM检验原假设为：直到p阶滞后，不存在序列相关。 五、ARCH LM检验
Engle(1982)提出对残差中自回归条件异方差（Autoregressive Conditional Heteroskedasticity, ARCH）进行拉格朗日乘数检验 (Lagrange multiplier test)，即 LM检验。选择View/Residual Tests/ARCH LM Tests进行检验，定义要检验的ARCH阶数。ARCH LM检验统计量由一个辅助检验回归计算。为检验原假设：残差中直到q阶都没有ARCH，运行如下回归：
式中e是残差。这是一个对常数和直到q阶的滞后平方残差所作的回归。F统计量是对所有滞后平方残差联合显著性所作的检验。Obs*数乘以检验回归
。
统计量是LM检验统计量，它是观测值
六、White异方差性检验
White (1980)提出了对最小二乘回归中残差的异方差性的检验。包括有交叉项和无交叉
32