eviews预测 如何用eviews做时间序列模型预测
eviews\u600e\u4e48\u505a\u6570\u636e\u9884\u6d4b1\u3001\u9996\u5148\u9700\u8981\u6253\u5f00eviews\u8f6f\u4ef6\u5efa\u7acb\u5de5\u4f5c\u6587\u4ef6\uff0c\u521b\u5efa\u5e76\u7f16\u8f91\u6570\u636e\u3002
2\u3001\u7136\u540e\u9700\u8981\u5728\u547d\u4ee4\u884c\u8f93\u5165ls y c x\u56de\u8f66\u3002
3\u3001\u7136\u540e\u9700\u8981\u5f39\u51faequation\u7a97\u53e3\uff0c\u5982\u56fe\u6240\u793a\u3002\u89c2\u5bdft\u7edf\u8ba1\u91cf\u3001\u53ef\u51b3\u7cfb\u6570\u7b49\uff0c\u53ef\u77e5\u6a21\u578b\u901a\u8fc7\u7ecf\u6d4e\u610f\u4e49\u68c0\u9a8c\uff0c\u67e5\u8868\u4e0eX\u7684t\u7edf\u8ba1\u91cf\u6bd4\u8f83\u53d1\u73b0\uff0ct\u68c0\u9a8c\u503c\u663e\u8457\u3002\u6a21\u578b\u5bf9Y\u7684\u89e3\u91ca\u7a0b\u5ea6\u9ad8\u8fbe99.3%\u3002
4\u3001\u5c06\u6837\u672c\u671f\u8303\u56f4\u4ece1978-2003\u5e74\u6269\u5c55\u4e3a1978-2004\u5e74\uff1a\u5728workfile\u7a97\u53e3\u4e2d\u4f9d\u6b21\u70b9\u51fbproc->Structure\u3002
5\u3001\u5f39\u51faWorkfile Structure\u7a97\u53e3\uff0c\u5c062003\u6539\u4e3a2004\uff0c\u70b9\u51fbok\u3002
6\u3001\u5728Group\u7a97\u53e3\u4e2d\u8f93\u51652004\u5e74X\u7684\u503c\u3002
7\u3001\u5728equation\u7a97\u53e3\u4e2d\u70b9\u51fbForecast\u3002
8\u3001\u5728\u5f39\u51fa\u7684\u7a97\u53e3\u4e2d\u70b9\u51fbok\u3002
9\u3001\u5728workfile\u7a97\u53e3\u4e2d\u4f1a\u751f\u6210\u4e00\u4e2ayf\u3002
10\u3001\u53cc\u51fb\u6253\u5f00\u5b83\uff0c\u5982\u56fe\u6240\u793a\uff0c\u5373\u53ef\u770b\u5230\u5bf92004\u5e74\u7684\u9884\u6d4b\u503c\u3002
1\u3001\u9996\u5148\u5efa\u7acb\u5de5\u4f5c\u6587\u4ef6\uff0c\u521b\u5efa\u5e76\u7f16\u8f91\u6570\u636e\u3002\u7ed3\u679c\u5982\u4e0b\u56fe\u6240\u793a\u3002
2\u3001\u5728\u547d\u4ee4\u884c\u8f93\u5165ls y c x,\u7136\u540e\u56de\u8f66\u3002
3\u3001\u5f39\u51faequation\u7a97\u53e3\uff0c\u5982\u56fe\u6240\u793a\u3002\u89c2\u5bdft\u7edf\u8ba1\u91cf\u3001\u53ef\u51b3\u7cfb\u6570\u7b49\uff0c\u53ef\u77e5\u6a21\u578b\u901a\u8fc7\u7ecf\u6d4e\u610f\u4e49\u68c0\u9a8c\uff0c\u67e5\u8868\u4e0eX\u7684t\u7edf\u8ba1\u91cf\u6bd4\u8f83\u53d1\u73b0\uff0ct\u68c0\u9a8c\u503c\u663e\u8457\u3002\u6a21\u578b\u5bf9Y\u7684\u89e3\u91ca\u7a0b\u5ea6\u9ad8\u8fbe99.3%\u3002
4\u3001\u5c06\u6837\u672c\u671f\u8303\u56f4\u4ece1978-2003\u5e74\u6269\u5c55\u4e3a1978-2004\u5e74\uff1a\u5728workfile\u7a97\u53e3\u4e2d\u4f9d\u6b21\u70b9\u51fbproc->Structure\u3002
5\u3001\u5f39\u51faWorkfile Structure\u7a97\u53e3\uff0c\u5c062003\u6539\u4e3a2004\uff0c\u7136\u540e\u70b9\u51fbok\uff0c\u5982\u56fe\u6240\u793a\u3002
6\u3001\u5728Group\u7a97\u53e3\u4e2d\u8f93\u51652004\u5e74X\u7684\u503c\uff0c\u5982\u56fe\u6240\u793a\u3002
7\u3001\u5728equation\u7a97\u53e3\u4e2d\u70b9\u51fbForecast\u3002
8\u3001\u5728\u5f39\u51fa\u7684\u7a97\u53e3\u4e2d\u70b9\u51fbok\u3002\u5b8c\u6210\u6548\u679c\u56fe\u3002
http://jingyan.baidu.com/article/1709ad8089a69e4634c4f0ff.html
做计量分析的目的就是为了探寻经济现象内在的相关关系，而预测效果的好坏则是检验这种关系存在与否以及解释力度大小的标准。模型一般分为两类，一是基于单个序列的模型，二则是我们常见常用的多序列模型。
一、单序列模型的预测
最常用的方法就是指数平滑法，这个已经在之前详细阐述。
ARMA模型
时间序列可以通过将时间序列引入转化为多序列模型
二、多序列模型的预测
1、一般理解
当确定了序列之间的回归方程之后即可根据回归方程进行拟合预测。Eviews路径：回归方程窗口-----forecast。
衡量预测效果的标准是预测误差，即预测值与实际值之间的偏差。预测输出界面参数的理解如下：
第一，误差均方根（Root Mean Squared Error）。对预测误差的等可能加权平方和求平方根
第二，平均绝对误差(Mean Absolute Error)。对预测误差的绝对值求平均。
第三，平均相对误差(Mean Abs.Percent Error)。其计算公式与平均绝对方差一样都是对误差采用绝对值，但这里要除以实际值，所以最终度量的是相对误差。因为公式乘以了100，所以输出结果中其值的度量单位为百分比。
第四，Theil不等系数(Theil Inequality Coefficient)。它的计算公式含义也很清晰，分子就是误差均方根，分母则是预测值等可能加权平方和开平方根+实际值等可能加权平方和开平方根。因此这一系数的取值区间为0-1，越靠近0，表示单位误差均方根越小，即预测值与实际值越靠近，模型拟合效果越好。前面三个参数的值也是如此，越小表示模型拟合效果越好，只是怎样才叫小却是无从判定。
预测均方差又可以分解为三个指标之和，偏差比、方差比和协方差比之和为1：
第一，偏差比率(Bias Proportion)
第二，方差比率(Variance Proportion)
第三，协方差比率(Covariance Proportion)
偏差比率表明预测均值与序列实际均值的偏差程度（预测均值与实际均值之差的平方占误差均方的比率）；方差比表明预测方差与序列实际方差的偏离程度（预测值和实际值的分布偏差标准差之差的平方占误差均方的比率）；协方差比率衡量非系统误差的大小（预测值和实际值的分布偏差协方差占误差均方的比率）。
如果预测结果好，那么偏差比率和方差比率应该较小，协方差比率较大。
2、动态预测与静态预测
动态预测是进行多步预测，除了第一个预测值是用解释变量的实际值预测外，其后各期预测值都是采用递推预测的方法，用滞后被解释变量（即所谓的动态项）的前期预测值代入估计（预测）方程来预测下一期的预测值。
静态预测则是对进行一系列的一步预测，即它必须用解释变量的真实值来进行预测，而不能使用被解释变量的预测值作为解释变量进行预测。静态预测要求外生变量和任何滞后内生变量在预测样本中的观测值可以获得。如果没有某期数据，对应该期的预测值为NA。但是，它并不会对以后预测产生影响。所以，如果进行静态预测还需要给出用于预测的解释变量的值以及滞后被解释变量的值。如果要以解释变量的估计值为基础进行预测，则需要先打开解释变量的序列窗口，在预测之前将这些估计值添加进其相应区间。
3、被解释变量为公式的预测
如果被解释变量的公式是简单形式，Eviews在做预测确定预测序列时会给出两个选择：第一，以整个公式整体作为预测序列；第二，以这个公式中第一个出现的序列为预测序列，如公式为x/2y，则以x为预测序列。
但是当公式比较复杂时，Eviews则只能以整个公式作为预测序列。甚至，当公式过于复杂时，Eviews就会自己认怂，给出一条错误信息，表示它已经hold不住场面，无法对这个公式求解了。
绛旓細1銆侀鍏堥渶瑕佹墦寮eviews杞欢寤虹珛宸ヤ綔鏂囦欢锛屽垱寤哄苟缂栬緫鏁版嵁銆2銆佺劧鍚庨渶瑕佸湪鍛戒护琛岃緭鍏s y c x鍥炶溅銆3銆佺劧鍚庨渶瑕佸脊鍑篹quation绐楀彛锛屽鍥炬墍绀恒傝瀵焧缁熻閲忋佸彲鍐崇郴鏁扮瓑锛屽彲鐭ユā鍨嬮氳繃缁忔祹鎰忎箟妫楠岋紝鏌ヨ〃涓嶺鐨則缁熻閲忔瘮杈冨彂鐜帮紝t妫楠屽兼樉钁椼傛ā鍨嬪Y鐨勮В閲婄▼搴﹂珮杈99.3%銆4銆佸皢鏍锋湰鏈熻寖鍥翠粠1978-2003骞存墿...
绛旓細棣栧厛锛鐢‥view浣滈娴嬫槸瑕佺粰瀹氳В閲婂彉閲廥鐨勫硷紝鐒跺悗鍒╃敤鎵寤虹珛鐨勬ā鍨嬪Y 杩涜棰勬祴锛屼篃灏辨槸鐭ラ亾X姹俌鍊锛涗妇渚嬭鏄庯細鏈変簲骞寸殑浜哄彛鏁版嵁锛岄渶瑕佺敤EVIEWS鍘婚娴嬬鍏勾鐨勪汉鍙ｆ暟 棰勬祴绗叚骞寸殑浜哄彛锛屽彧椤诲鍓嶉潰浜斿勾鐨勬暟鎹畻鍑哄钩鍧囧闀跨巼锛岀劧鍚庣敤绗簲骞寸殑鏁版嵁涔樹互1+骞冲潎澧為暱鐜囧嵆鍙傚钩鍧囧闀跨巼鍙互鐢4264锛1+x)^...
绛旓細宸ュ叿锛氱數鑴戜竴鍙帮紝Eviews杞欢 1銆佹暟鎹殑褰曞叆涓庝繚瀛橈細鍒涘缓Workfile锛氱偣鍑籉ile/New/Workfile锛岃緭鍏ヨ捣姝㈡棩鏈熴傚缓绔媜bject杈撳叆鏁版嵁锛氱偣鍑籵bject/new object锛屽畾涔夋暟鎹枃浠跺悕ex4_2骞惰緭鍏ユ暟鎹傚皢Workfile淇濆瓨锛氱偣鍑籉ile/save锛岃宻tore鍙瓨鍌ㄥ璞bject銆2銆佹ā鍨嬪畾闃讹細鐐瑰嚮Quick/Estimate equation杈撳叆绫讳技Y AR(1) ...
绛旓細杩欐槸鐢变簬Eviews閲囩敤浜嗕笁绉嶅父鐢ㄧ殑鏍锋湰澶栭娴嬫柟娉曪紝鍒嗗埆鏄竴姝ラ娴嬶紙one-step ahead forecast锛夈佸姝ラ娴嬶紙multi-step ahead forecast锛夊拰婊氬姩绐楀彛棰勬祴锛坮olling window forecast锛夈1. 涓姝ラ娴嬶紙one-step ahead forecast锛夛細杩欑鏂规硶灏嗗凡鏈夋暟鎹愭娣诲姞鍒版ā鍨嬩腑锛岀劧鍚庨娴嬩笅涓涓暟鎹偣鐨勫笺傞氳繃涓嶆柇閫掕繘鍦...
绛旓細鍦‥views涓紝甯哥敤鐨勯娴嬫ā鍨嬪寘鎷嚜鍥炲綊绉诲姩骞冲潎妯″瀷锛圓RMA锛夈佽嚜鍥炲綊绉垎绉诲姩骞冲潎妯″瀷锛圓RIMA锛夈佸悜閲忚嚜鍥炲綊妯″瀷锛圴AR锛夌瓑銆傞夋嫨鍚堥傜殑妯″瀷鍙互閫氳繃鏁版嵁鍒嗘瀽鍜屾ā鍨嬫楠屾潵杩涜銆3銆佽繘琛屾ā鍨嬬殑鍙傛暟浼拌鍜屾楠屻傚湪寤虹珛妯″瀷鍚庯紝闇瑕佸妯″瀷杩涜鍙傛暟浼拌鍜屾楠岋紝浠ョ‘淇濇ā鍨嬬殑鍑嗙‘鎬у拰鍙潬鎬с4銆佽繘琛屾湭鏉ュ肩殑棰勬祴銆...
绛旓細2銆佸湪涓荤獥鍙ｄ腑鐢ㄥ懡浠ata y x銆3銆佸皢鏁版嵁瀵煎叆Eviews涓紝excel鐨勬暟鎹彲浠ョ洿鎺ュ鍒剁矘璐村埌group涓4銆佺敤鏈灏忎簩涔樹及璁′腑鐨勫懡浠ゆ柟寮弆s y c x锛屽缓绔嬫柟绋嬶紝鍦ㄤ富绐楀彛涓緭鍏s y c x锛岀偣鍑籩nter閿5銆 鍦ㄤ笂闈㈢殑Equation绐楀彛涓夋嫨forecast鎸夐挳锛 寮瑰嚭棰勬祴璁剧疆绐楀彛銆6銆侀夊ソ涔嬪悗锛岀偣鍑籓K锛屾湁棰勬祴鍊兼洸绾垮拰...
绛旓細1銆侀鍏堟墦寮EViews10杞欢锛屾柊寤轰竴涓獁orkfile锛岀劧鍚庡湪銆怱tart date銆戦噷杈撳叆銆1979銆戯紝鍦ㄣ怑nd date銆戦噷杈撳叆銆1997銆戯紝鍏朵綑淇濇寔榛樿鍗冲彲锛岀偣鍑汇怬K銆戯紝鍙互鐪嬪埌濡傚浘鎵绀虹殑鐣岄潰銆2銆佺劧鍚庡湪鍛戒护妗嗛噷杈撳叆鈥渄ata y x鈥濓紝鍐嶆寜鍥炶溅閿紝鍗冲彲鍦℅roup閲屾柊寤篩 X鍒椼3銆佺劧鍚庡鍒朵笅Excel閲岄潰鐨勬暟鎹紝鐩存帴绮樿创鍒拌蒋浠...
绛旓細宸ュ叿/鍘熸枡 鐢佃剳 EViews杞欢 鏂规硶/姝ラ 寤虹珛宸ヤ綔鏂囦欢锛屽垱寤哄苟缂栬緫鏁版嵁銆傜粨鏋滃涓嬪浘鎵绀恒 鍦ㄥ懡浠よ杈撳叆ls y c x,鐒跺悗鍥炶溅銆
绛旓細涓銆佸崟搴忓垪妯″瀷鐨棰勬祴 鏈甯哥敤鐨勬柟娉曞氨鏄寚鏁板钩婊戞硶锛岃繖涓凡缁忓湪涔嬪墠璇︾粏闃愯堪銆侫RMA妯″瀷 鏃堕棿搴忓垪鍙互閫氳繃灏嗘椂闂村簭鍒楀紩鍏ヨ浆鍖栦负澶氬簭鍒楁ā鍨 浜屻佸搴忓垪妯″瀷鐨勯娴 1銆佷竴鑸悊瑙 褰撶‘瀹氫簡搴忓垪涔嬮棿鐨勫洖褰掓柟绋嬩箣鍚庡嵆鍙牴鎹洖褰掓柟绋嬭繘琛屾嫙鍚堥娴嬨Eviews璺緞锛氬洖褰掓柟绋嬬獥鍙---forecast銆傝 閲忛娴嬫晥鏋滅殑鏍囧噯鏄娴嬭宸...
绛旓細eviews鍙互棰勬祴浜斿勾鐨勬暟鎹Eviews鏄疎conometricsViews鐨勭缉鍐欙紝閫氬父绉颁负璁￠噺缁忔祹瀛﹁蒋浠跺寘銆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紝鍙互棰勬祴鍗佸勾浠ュ唴鏁版嵁銆
