计量经济学软件：EViews的使用的目录
\u8ba1\u91cf\u7ecf\u6d4e\u5b66\u4f7f\u7528Eviews\u8f6f\u4ef6\u5206\u6790\u7684\u6848\u4f8b\u6a21\u578b\u5e74\u4efd GDP \u8fdb\u53e3\u603b\u989dIM\uff08\u4eba\u6c11\u5e01\uff09 \u8fdb\u53e3\u603b\u989d
IMdollar\uff08\u7f8e\u5143\uff09 \u6c47\u7387
EXCHANGE
1980 4517.8 298.8000 200.17 149.8400
1981 4862.4 375.3800 220.15 170.5100
1982 5294.7 364.9900 192.85 189.2600
1983 5934.5 422.6000 213.90 197.5700
1984 7171.0 637.8300 274.10 232.7000
1985 8964.4 1257.800 422.52 293.6600
1986 10202.20 1498.300 429.04 345.2800
1987 11962.50 1614.200 432.16 372.2100
1988 14928.30 2055.100 552.75 372.2100
1989 16909.20 2199.900 591.40 376.5100
1990 18547.90 2574.300 533.45 478.3200
1991 21617.80 3398.700 637.91 532.3300
1992 26638.10 4443.300 805.85 551.4600
1993 34634.40 5986.200 1039.59 576.2000
1994 46759.40 9960.100 1156.14 861.8700
1995 58478.10 11048.10 1320.84 835.1000
1996 67884.60 11557.40 1388.33 831.4200
1997 74462.60 11806.50 1423.70 828.9800
1998 78345.20 11626.10 1402.37 827.9100
1999 82067.50 13736.40 1656.99 827.8300
2000 89468.10 18638.80 2250.94 827.8400
2001 97314.80 20159.20 2435.53 827.7000
2002 105172.3 24430.30 2951.70 827.7000
2003 117251.9 34195.60 4127.60 827.7000
\u7ed9\u4f60\u4e2a\u4f8b\u5b50\uff0c\u6ca1\u6709\u529e\u6cd5\u4e0a\u4f20\uff0c\u6709\u90ae\u7bb1\u7684\u8bdd\u7ed9\u4f60\u90ae\u4ef6\u4e00\u4e2a
\u4f60\u597d\uff0c\u5df2\u7ecf\u53d1\u9001\u7ed9\u4f6015\u7bc7\u76f8\u5173\u6587\u732e\uff0c\u8bf7\u67e5\u6536\uff0c\u5e0c\u671b\u5bf9\u4f60\u6709\u5e2e\u52a9\uff01
\u2014\u2014\u767e\u5ea6\u77e5\u9053 \u4e3e\u624b\u4e4b\u52b3\u56e2\u961f \u961f\u957f\uff1a\u6653\u658c11\u84dd\u732b
第一章 关于EViews的基本知识 1
第一节 EViews简介 1
第二节 EViews的计量经济学基本概念 4
第二章 文件的建立和数据的描述 9
第一节 建立一个工作文件 9
第二节 检查数据 19
第三节 数据绘制成曲线 21
第四节 描述的统计量(I)escriptive Statistics) 28
第三章 一元线性回归模型的说明和估计 32
第一节 根据数据作图 32
第二节 简单回归的估计 35
第三节 简单回归的作图 41
第四节 残差图 44
第五节 EViews中简单回归模型的预测 46
第四章 最小二乘估计量的性质 48
第一节 模型中参数估计的方差和协方差 48
第二节 结果存储 50
第三节 最小二乘残差的作图 52
第五章 简单回归模型的假设检验、区间估计和预测
第一节 模型参数的区间估计 54
第二节 模型参数的显著性检验 57
第三节 EViews中简单回归模型的预测 60
第六章 新变量的生成与变量的图形 65
第一节 利用已有的变量生成新变量 65
第二节 缩放数据的运算 70
第三节 变量的图形 73
第四节 随机项正态分布(Normally Distributed)检验 77
第七章 多元回归模型 81
第一节 多元回归模型的最小二乘估计 81
第二节 简单预测 83
第三节 方差的估计(estimation of the error variance) 85
第四节 参数最小二乘估计量的方差与协方差 87
第五节 区间估计 89
第八章 多元回归模型的进一步讨论 92
第一节 多元回归模型的单个系数的假设检验(hypothesis testing)
第二节 衡量拟合优度 95
第三节 F-检验 97
第九章 虚拟变量(二元选择模型) 102
第一节 建立模型 102
第二节 设立时间趋势变量 102
第三节 使用“逻辑”(logical)执行命令，构造虚拟变量 104
第四节 模型的估计和检验 105
第五节 利用部分样本估计模型 107
第六节 利用EViews的chow检验 108
第十章 非线性模型 110
第一节 二个连续变量之间的相互作用 110
第二节 简单非线性模型的参数估计 113
第三节 逻辑增长曲线(Logistic growth curve) 114
第十一章 异方差性(Heteroskedasticity) 118
第一节 异方差的检验 118
第二节 怀特(White)对异方差的修正 123
第三节 广义最小二乘法(加权最小二乘法) 126
第四节戈特菲尔德一奎恩特检验(Goldfeld—Quandt) 130
第十二章 自相关(Autocorrelation) 135
第一节 残差序列图 136
第二节 广义差分最JA-乘法(Generalized Least Squares)的运用 141
第三节 一阶自相关(AR(1))模型的估计 144
第四节 杜宾-瓦尔特森(Durbin——Watson)检验 146
第五节 拉格朗日乘数(Lagrange Multiplier)自相关(Autocorrelation)
检验 147
第六节 一阶自相关(AR(1))模型的预测(Prediction) 149
第十三章 随机自变量 (Random Regressors)模型 153
第一节 豪斯曼(Hausman)检验 154
第二节 消除随机性解释变量影响的方法——工具变量法 157
第十四章 联立方程模型(Simultaneous Equations Models) 159
第一节 对模型约简式的估计(Estimating 4he Reduced Form) 161
第二节 两阶段最小二乘法(Two—Stage Least Squares)的应用
——对模型中单个方程的估计 162
第三节 二阶段最小二乘法的应用——对联立方程模型的估计 165
第十五章 分布滞后模型(Distributed Lag Models) 169
第一节 有限滞后模型(Finite Lag Models) 169
第二节 多项式无限分布滞后模型(Polynomial Distributed Lag Models)
——阿尔蒙Almon估计法 172
第三节 有限滞后模型中滞后期数的判定 178
第四节 KOYCK模型的应用举例 185
第十六章 时间序列模型(Time Series Models) 187
第一节 平稳的时间序列(Stationary’Yime Series)的图形 187
第二节 拟似回归(Spurious Regressions) 190
第三节 运用自相关函数检验数据的平稳性 193
第四节 单位根检验(Dickey-Fuller检验) 195
第五节 协整(Cointegration)检验的应用举例 204
第十七章 合并时间序列数据与截面混合数据 208
第一节 合并数据(Panel Data)模型的基本类型 208
第二节 合并数据库的建立 209
第三节 合并数据模型的估计 214
第十八章 自回归条件异方差(ARCH)模型 221
第一节 ARCH模型 221
第二节 ARCH效应检验 222
第三节 ARCH模型的参数估计 226
第四节 广义自回归条件异方差模型 229
第十九章 向量自回归模型 233
第一节 向量回归模型的概念 233、
第二节 VAR(P)的建立与估计 233
第三节 预测 239
参考文献 244
·收起全部<<
绛旓細绗竴姝ワ細寤虹珛Eviews鏁版嵁鏂囦欢 1銆佸垱寤哄伐浣滄枃浠躲備粠Eviews涓昏彍鍗曚腑鐐瑰嚮File鈫扤ew鈫扺orkfile鈥﹀嵆鍙嚭鐜板伐浣滄枃浠跺垱寤哄璇濇 2銆佽瀹氭枃浠剁殑鏁版嵁绫诲瀷 鍦ㄥ伐浣滄枃浠跺垱寤哄璇濇涓夋嫨宸ヤ綔鏂囦欢鐨勭粨鏋勭被鍨 Unstructured/Undated锛屽湪Data range涓緭鍏ヨ娴嬪肩殑鏁扮洰鈥7鈥濓紝涔嬪悗鐐筄K銆傛鏃朵細寰楀埌涓涓皻鏈懡鍚嶇殑宸ヤ綔鏂囦欢銆3....
绛旓細杩欓鎴戜滑涔熷嚭杩囩被浼肩殑 T缁璁￠噺=瀵瑰簲绯绘暟/瀵瑰簲se銆 鐩稿綋浜庡仛绯绘暟=0鐨則妫楠岋紝绯绘暟灏辨槸鎶ュ憡鐨刢oefficient锛宻e灏辨槸鎶ュ憡鐨剆td error銆侳缁熻閲=R2*(n-k-1)/锛堬紙1-R2锛*k锛 鐩稿綋浜庡仛鍏ㄩ儴绯绘暟绛変簬闆剁殑妫楠屻傚湪杩欓噷k鏄В閲婂彉閲忎釜鏁帮紝浣犺繖閲屾槸3涓В閲婂彉閲忥紝n鏄湪杩欎釜鍥炲綊閲屽寘鎷殑瑙傛祴鍊硷紝涓婇潰涔熺粰浜...
绛旓細璁￠噺缁忔祹瀛 鏈熸湯瀹為獙鎶ュ憡 瀹為獙鍚嶇О:澶т腑鍩庡競鍩庨晣灞呮皯浜哄潎娑堣垂鏀嚭涓庡叾褰卞搷鍥犵礌鐨勫垎鏋 濮撳悕: 瀛﹀彿: 鐝骇: 鎸囧鏁欏笀: 鏃堕棿: 23涓煄甯傚煄闀囧眳姘戜汉鍧囨秷璐规敮鍑 涓庡叾褰卞搷鍥犵礌鐨勫垎鏋 涓銆 缁忔祹鐞嗚鑳屾櫙 杩戝嚑骞存潵,涓浗缁忔祹淇濇寔浜嗗揩閫熷彂灞曞娍澶,鎶曡祫銆佸嚭鍙ｃ佹秷璐瑰舰鎴愪簡鎷夊姩缁忔祹鍙戝睍鐨勨滀笁鏋堕┈杞︹,杩欏凡涓哄悇鐣屾墍鍙栧緱鍏辫瘑銆傞氳繃寤...
绛旓細璁￠噺缁忔祹瀛︿腑锛屸eviews鈥濊繖浜涘瓧姣嶇殑鎰忔濆涓嬶細R-SQUARED 鍒ゅ畾绯绘暟锛岃秺杩1瓒婂ソ銆侫DJUSTED R-SQUARED 璋冩暣鐨勫垽瀹氱郴鏁帮紝澶у鎯呭喌涓嬬暐灏忎簬鍒ゅ畾绯绘暟銆係.E. OF REGRESSION 鍥炲綊鏍囧噯宸紝瓒婂皬瓒婂ソ銆侺OG LIKELIHOOD 浼肩劧浼拌鍊硷紝鏆傚彲涓嶈冭檻銆侱URBIN-WATSON STAT 鏉滃-鐡︾壒妫粺璁￠噺锛屾楠屾槸鍚﹀瓨鍦ㄤ竴闃惰嚜鐩稿叧鐨勬寚鏍...
绛旓細1銆丷-squared涓嶢djusted R-squared鏄柟绋嬫嫙鍚堢▼搴︾殑搴﹂噺锛岃揪鍒0.7宸茬粡鍙互浜嗭紱2銆丄kaike info criterion鍜孲chwarz criterion绛変綅淇℃伅閲忓硷紝鐢ㄦ潵姣旇緝涓嶅悓鐨勬ā鍨嬶紝涓鑸艰秺灏忚秺濂斤紱3銆丏urbin-Watson stat鏄楠屾畫宸嚜鐩稿叧鐨凞W缁忛獙锛屼竴鑸煎湪2闄勪欢姣旇緝鐞嗘兂锛屼綘鍙互鍐嶆煡璇㈠叿浣撶殑DW妫楠岃〃锛屽緱鍒扮簿纭殑妫楠岀粨鏋滐紱4...
绛旓細鎸塯enr锛屽湪瀵硅瘽妗嗛噷闈㈣緭鍏=d(X)锛孹灏辨槸浣犺杩涜宸垎鐨勫彉閲忥紝Y灏辨槸宸垎鍚庝繚瀛樼殑鍙橀噺锛岀劧鍚庢寜Ok灏卞彲浠ヤ簡銆傚鏋滄槸浜岄樁锛屽氨杈撳叆Y=d(X锛2)锛孨闃跺氨鏄痀=d(X锛孨)
绛旓細涓銆佹寚浠ｄ笉鍚 1銆乻pss锛氫负IBM鍏徃鎺ㄥ嚭鐨勪竴绯诲垪鐢ㄤ簬缁熻瀛﹀垎鏋愯繍绠椼佹暟鎹寲鎺樸侀娴嬪垎鏋愬拰鍐崇瓥鏀寔浠诲姟鐨勮蒋浠朵骇鍝佸強鐩稿叧鏈嶅姟鐨勬荤О銆2銆eviews锛氭槸Econometrics Views鐨缂╁啓锛岀О涓璁￠噺缁忔祹瀛﹁蒋浠鍖呫備簩銆佸姛鑳戒笉鍚 1銆乻pss锛氱敤浜庡疄鐜板鏉傛娊鏍风殑璁捐鏂规锛屼互鍙婂鐩稿簲鐨勬暟鎹繘琛屾弿杩般2銆乪views锛氭槸涓撻棬涓哄ぇ鍨...
绛旓細鐢EViews銆侲Views鏄疎conometricsViews鐨缂╁啓锛岄氬父绉颁负璁￠噺缁忔祹瀛﹁蒋浠鍖呫傛槸涓撻棬涓哄ぇ鍨嬫満鏋勫紑鍙戠殑銆佺敤浠ュ鐞嗘椂闂村簭鍒楁暟鎹殑鏃堕棿搴忓垪杞欢鍖呯殑鏂扮増鏈
绛旓細std. error 鏄崟涓獀ariable鐨 Se Regression鏄暣涓猺egression鐨剆.e.
绛旓細鍒╃敤涓婁笅绠ご鍒嗗埆杈撳叆y鍊笺傞渶瑕佹敞鎰忕殑鏄紝杈撳叆y鐨勬渶鍚庝竴涓牱鏈暟鎹悗锛屼粛闇瑕佹寜涓涓嬪悜涓嬬殑绠ご銆備娇鐢ㄥ悓鏍风殑鏂规硶杈撳叆x.5銆佸仛鍥炲綊锛屾搷浣滐細浜岀骇绐楀彛锛峱roc-make equation 閫夋嫨ok鍗冲嚭鐜颁簡缁撴灉銆備互涓婅鐨勬槸鏈绠鍗曠殑涓绉嶏紝澶嶆潅鐨勪綘鍙互闃呰涔﹀垔锛屽寮犳檽宄掍富缂栫殑璁￠噺缁忔祹瀛鍩虹锛屽崡寮澶у鍑虹増绀俱
