在Eviews中如何检验数据分布是不是正态分布？
Eviews中，可以在数据描述中绘制直方图），该软件一并提供了Jarque-Bera（JB）检验结果，其零假设是数据服从正态分布，如果P值过小，表明拒绝零假设，数据不服从正态分布。
如下图所示，系列数据pool（Eviews软件自带数据br2.wf1）只有两类取值：0-1。
根据JB检验（4365.875），其P值为0.000000，完全属于非正态分布。
扩展资料：
正态分布特征
1.图形特征
集中性：正态曲线的高峰位于正中央，即均数所在的位置。
对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。
均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
关于μ对称，并在μ处取最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点，形状呈现中间高两边低，正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。
2.参数含义
正态分布有两个参数，即期望（均数）μ和标准差σ，σ2为方差。
正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ,σ2）。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
3.面积分布
（1）实际工作中，正态曲线下横轴上一定区间的面积反映该区间的例数占总例数的百分比，或变量值落在该区间的概率（概率分布）。不同 范围内正态曲线下的面积可用公式计算。
（2）正态曲线下，横轴区间（μ-σ,μ+σ）内的面积为68.268949%。
P{|X-μ|<σ}=2Φ（1）-1=0.6826
横轴区间（μ-1.96σ,μ+1.96σ）内的面积为95.449974%。
P{|X-μ|<2σ}=2Φ（2）-1=0.9544
横轴区间（μ-2.58σ,μ+2.58σ）内的面积为99.730020%。
P{|X-μ|<3σ}=2Φ（3）-1=0.9974
由于“小概率事件”和假设检验的基本思想 “小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。
由此可见X落在（μ-3σ,μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ,μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。
参考资料来源：百度百科-正态分布
绛旓細Eviews涓锛屽彲浠鍦ㄦ暟鎹鎻忚堪涓粯鍒剁洿鏂瑰浘锛夛紝璇ヨ蒋浠朵竴骞舵彁渚涗簡Jarque-Bera锛圝B锛妫楠缁撴灉锛屽叾闆跺亣璁炬槸鏁版嵁鏈嶄粠姝ｆ佸垎甯冿紝濡傛灉P鍊艰繃灏忥紝琛ㄦ槑鎷掔粷闆跺亣璁撅紝鏁版嵁涓嶆湇浠庢鎬佸垎甯冦傚涓嬪浘鎵绀猴紝绯诲垪鏁版嵁pool锛圗views杞欢鑷甫鏁版嵁br2.wf1锛夊彧鏈変袱绫诲彇鍊硷細0-1銆傛牴鎹甁B妫楠岋紙4365.875锛夛紝鍏禤鍊间负0.000000锛屽畬鍏...
绛旓細1銆佹寜涓嬪垱寤烘枃浠舵寜閽, 鍒涢犱竴涓柊鏂囦欢銆2銆佸湪宸︿笂鏂归夋嫨,鍦ㄥ彸涓婃柟閿叆瑙傚療鏁伴噺銆3銆佸湪鐢靛瓙琛ㄦ牸澶嶅埗瑙傚療鏁版嵁,鍦‥VIEWS鐨勭┖鐧藉璐翠笂銆4銆佸崟鍑诲畬鎴愬悗鍑虹幇濡備笅鍥炬墍绀哄浘鏍枫5銆佸湪宸ュ叿鍒楄〃閫夋嫨妯″瀷鐨勫弬鏁颁及璁°6銆佹渶涓婇潰绌虹櫧澶勯敭鍏ユ兂瑕佷及绠楃殑妯″瀷 (濡備緥:gdp c consumption), yi= 尾0+尾1 * xi, ...
绛旓細1 瀵瑰師濮嬫椂闂村簭鍒楄繘琛屾楠岋紝姝ゆ椂绗簩椤归塴evel锛岀涓夐」閫塏one.濡傛灉娌￠氳繃妫楠岋紝璇存槑鍘熷鏃堕棿搴忓垪涓嶅钩绋锛2 瀵瑰師濮嬫椂闂村簭鍒楄繘琛屼竴闃跺樊鍒嗗悗鍐嶆楠岋紝鍗崇浜岄」閫1st difference锛岀涓夐」閫塱ntercept,鑻ヤ粛鐒舵湭閫氳繃妫楠岋紝鍒欓渶瑕佽繘琛屼簩娆″樊鍒嗗彉鎹紱3 浜屾宸垎搴忓垪鐨勬楠岋紝鍗崇浜岄」閫夋嫨2nd difference 锛岀鍥涢」閫夋嫨...
绛旓細鎵撳紑eviews杞欢锛屽鍏ユ椂闂村簭鍒楁暟鎹銆傚湪eviews鍛戒护绐楀彛涓緭鍏モ済leser 鈥濓紝鐒跺悗鎸変笅鍥炶溅閿紝鎵撳紑鎴堥噷鐟熸楠屽璇濇銆傚湪瀵硅瘽妗嗕腑閫夋嫨鈥淭est type鈥濓紝閫夋嫨瑕佽繘琛岀殑妫楠岀被鍨嬶紝渚嬪鈥淛arque-Bera test鈥濇垨鈥淪hapiro-Wilk test鈥濈瓑銆傚湪瀵硅瘽妗嗕腑閫夋嫨鈥淰ariable鈥濓紝閫夋嫨瑕佽繘琛屾楠岀殑鏃堕棿搴忓垪鍙橀噺銆傜偣鍑烩淥K鈥濇寜閽紝杩...
绛旓細鍦‥views杞欢涓锛岃繘琛孎妫楠鍜孴妫楠屽悗鐨勭粨鏋滃垎鏋愮浉瀵圭洿瑙傘傞鍏堬紝鎵撳紑杞欢鍚庯紝浼氱湅鍒颁互涔嬪墠鍗曟牱鏈琓妫楠屼负渚濇嵁鐢熸垚鐨鏁版嵁琛ㄦ牸銆傝繖涓〃鏍煎垎涓轰袱涓儴鍒嗭細涓鏄崟涓牱鏈殑缁熻鎻忚堪锛岃繖閮ㄥ垎鍖呭惈鐩磋淇℃伅锛屽鏍锋湰鏁伴噺锛圢锛夈佹牱鏈潎鍊煎拰鏍囧噯宸紝杩欎簺鏁版嵁鑳芥竻鏅板湴灞曠ず鏁版嵁闆嗙殑鍩烘湰鐗规с傝繘鍏ュ叧閿儴鍒嗭紝鍗曚釜鏍锋湰妫楠岄儴鍒...
绛旓細姝ラ涓锛氬紓鏂瑰樊鐨勫浘绀妫楠娉 鎵撳紑Eviews 7杞欢锛屼緷娆＄偣鍑讳笂闈㈣彍鍗曟爮鐨勩 File銆戔斺斻 New銆戔斺斻 Workfile...銆戯紝蹇嵎閿槸鈥 Ctrl+N鈥濓紝杩欐椂鍊欏氨浼氬嚭鐜板缓绔鏁版嵁鐨鐣岄潰銆 鎴鐨勬暟鎹鏄1999骞村埌2014骞寸殑鏁版嵁锛 涓鍏辨槸16涓暟鎹紝鍥犱负寮傛柟宸棶棰樹富瑕佹槸閽堝 鎴潰鏁版嵁鐨勶紝绫诲瀷灏遍夋嫨鈥 Integer data鈥濓紝...
绛旓細1. 棣栧厛锛鍦‥Views涓鎵撳紑鏁版嵁鏂囦欢锛屽苟閫夋嫨瑕佽繘琛屽洖褰掑垎鏋愮殑涓闃跺樊鍒嗗簭鍒椼2. 瀵逛竴闃跺樊鍒嗗簭鍒楄繘琛屽崟浣嶆牴妫楠锛屼互纭繚鍏跺凡缁忔垚涓哄钩绋虫椂闂村簭鍒椼傚彲浠ヤ娇鐢ˋDF妫楠屾垨KPSS妫楠岀瓑甯哥敤鐨勫崟浣嶆牴妫楠屾柟娉曘3. 濡傛灉涓闃跺樊鍒嗗簭鍒楀凡缁忛氳繃鍗曚綅鏍规楠屾垚涓轰簡骞崇ǔ鏃堕棿搴忓垪锛屽彲浠ヤ娇鐢ㄥ钩绋虫椂闂村簭鍒楁ā鍨嬭繘琛屽洖褰掑垎鏋愩傚父瑙佺殑骞崇ǔ...
绛旓細闄勪欢鏄垜鐢‥views8.0 鎴浘鐨勬晥鏋溿傝皟鑺俥rror distribution鍗冲彲锛
绛旓細1銆佹墦寮EViews8.0杞欢锛岀偣鍑诲乏涓婅鐨勨渘ew鈥濋夐」锛岀劧鍚庨夋嫨鈥渨orkfile鈥濄2銆佸湪鈥渨orkfile create鈥濈晫闈腑锛岄夋嫨鈥渦nstructured/undated鈥濋夐」锛岀劧鍚庡湪鈥渙bservations鈥濊緭鍏鏁版嵁琛屾暟锛岀劧鍚庣偣鍑烩淥K鈥濇寜閽3銆佽繑鍥炰富鐣岄潰鍚庯紝鐐瑰嚮涓婃柟鐨勨淨uick鈥濋夐」锛岀劧鍚庨夋嫨鈥淓mpty Group鈥濄4銆佺矘璐撮渶瑕佽繘琛屾鐗妫楠岀殑...
绛旓細1.鍗曚綅鏍妫楠岀殑鏄簭鍒楃殑骞崇ǔ锛屽彲浠ヤ竴涓竴涓楠岋紝涔熷彲涓缁勫悓鏃杩涜妫楠锛2.瑕佹牴鎹簭鍒楃殑鍏蜂綋鎯呭喌鏉ラ夛紝姣斿锛屽彲浠鍦╡xcel鐢诲嚭鎶樼嚎鍥撅紝瑙傚療鍥剧嚎鐨勮秼鍔裤傚鏋滃浘鍍忔湁鏄庢樉鐨勮秼鍔垮拰鎴窛锛屽湪ADF妫楠屼腑渚块塼rend and intercept銆3.濡傛灉骞崇ǔ锛屽彲浠ョ洿鎺ュ缓绔嬪洖褰掓ā鍨嬨傚鏋滀笉骞崇ǔ锛屽彲浣滀竴闃跺樊鍒嗭紝鐪嬫槸鍚﹀钩绋筹紝鑻...
