Eviews单位根检验结果怎么看 eviews单位根检验的结果怎么看 怎样才是平稳的
Eviews\u600e\u4e48\u505aADF\u5355\u4f4d\u6839\u68c0\u9a8c\uff0c\u600e\u4e48\u770b\u7ed3\u679c\u7684\u5177\u4f53\u64cd\u4f5c\u5177\u4f53\u7684\u64cd\u4f5c\u5728\u9644\u52a0\u4e2d\u3002
\u7ed3\u679c\u7684\u5224\u65ad\u5982\u4e0b\uff1a
\u539f\u5047\u8bbe\u662f\u6709\u5355\u4f4d\u6839\uff0cp\u503c\u5927\u4e8e\u663e\u8457\u6027\u6c34\u5e73\uff080.1 or 0.05\uff09\uff0c\u4e0d\u80fd\u62d2\u7edd\u539f\u5047\u8bbe\uff0c\u5c31\u662f\u6709\u5355\u4f4d\u6839\uff0c\u9700\u8981\u505a\u5dee\u5206\u3002
\u4f8b\u5982\u4e0b\u9762\u8fd9\u4e2a\u7ed3\u679c
\u5c31\u662f\u6709\u5355\u4f4d\u6839\u3002
\u5355\u4f4d\u6839\u68c0\u9a8c\u7684\u5047\u8bbe\u662f\u6570\u636e\u542b\u6709\u5355\u4f4d\u6839\uff0c\u56e0\u6b64\u751f\u6210\u7ed3\u679c\u4e4b\u540e\u770bP\u503c\u5927\u5c0f\uff0c\u4f8b\u5982\u8bf4\uff0cP\u503c\u5c0f\u4e8e0.05\uff0c\u90a3\u4e48\u5c31\u8bf4\u660e\u572895%\u7684\u663e\u8457\u6c34\u5e73\u4e0b\u62d2\u7edd\u539f\u5047\u8bbe\uff0c\u4e5f\u5373\u539f\u5e8f\u5217\u4e0d\u542b\u6709\u5355\u4f4d\u6839\uff0c\u6570\u636e\u662f\u5e73\u7a33\u7684\u3002
看ADF那一行的p值，越接近0越说明序列是平稳的，第一个p=0.0526，在10%上通过平稳性检验，在5%上不通过，第二个p=0.0730，也是在10%上通过5%上不通过今天我们来聊一聊如何使用stata实现HLM（分层线性模型）。HLM=Hierarchical Linear Model，这里译作分层线性模型，它还有很多别的名字，比如多层混合效应线性模型、多水平模型、混合线性模型等等。
首先，先解释一下为什么要使用分层线性模型，线性模型如OLS大家一定都不陌生，所谓“分层”就是通过多个线性模型，将数据的高低/大小/内外关系展现出来。举个栗子，如果我们想使用CEPS中国教育追踪调查数据，研究影响学生学业成绩的因素，由于CEPS包含了来自学生、班级、学校不同层面的各种调查内容，我们会很自然地想使用OLS回归建立一个关于学业成绩的回归方程，这个方程将纳入学生、班级、学校等层面的控制变量，但这样做可能存在一个问题：同一个班级学生学业成绩的相关度可能比不同班级学生学业成绩的相关度大，因为他们身处同样的班级教育环境；同一个学校学生学业成绩的相关度可能比不同学校学生学业成绩的相关度大，因为院校可能在入学时对学生进行了筛选，且同一个学校奉行同样的办学理念等。虽然使用OLS回归时可以使用cluster(group)进行分组减少偏差，但面对更多的层级和更为复杂的影响因素（尤其是在不同层面上影响因素不同时）时，使用HLM分层线性模型就展现出了优越性。
下面我们将通过stata的具体操作语句来解释HLM的原理：stata的主要命令是mixed
在操作之前，请务必确定研究数据有不同的层面，且不同的层面有相应的识别ID。
1.建立零模型，判断是否要使用HLM。有些数据虽然包含了不同层面，如班级和学生，但是班级间的差异并不大，因此可以认为学生来自于同样的班级，这时就无需使用HLM，直接使用OLS即可。
零模型： [公式]
普通OLS： [公式]
scoreij表示个体i在j班级的学业成绩，零模型与OLS的区别就在于零模型中多了u0j这样一个随机项，u0j可以解释为第二层班级对学生学业成绩的影响，eij代表学生层面的扰动项。
在stata中，零模型的语句是：mixed score || classid:,mle variance nostderr
OLS的语句是：mixed score,mle variance nostderr
通过这两个语句可以得到两个mixed-effects ML regression,可以比较Log Likelihood的值，决定是否要选择HLM，LR=2（零模型的log likelihood值-OLS的log likelihood值），自由度是1，如果这个值大于了3.84，则应当使用HLM。或者，可以观察零模型语句后输出结果的最后一行，有一个LR test vs. linear regression，如果这里的卡方检验显著，则推荐使用HLM。需要注意的是，零模型不显著可能是受到了部分变量遮蔽效应的影响，因此在卡方检验不显著时是否使用零模型还需进一步判断研究
就看p值就可以了
绛旓細鏍规嵁EViews杞欢鏌ヨ锛屽湪EViews涓浣跨敤鍗曚綅鏍规楠鏌ョ湅缁撴灉锛屾楠ゅ涓嬶細1銆佹墦寮EViews杞欢锛屽湪鍛戒护绐楀彛杈撳叆鈥渟eriesv=rand(100锛10)鈥濓紝鐢熸垚涓涓寘鍚100涓暟鎹殑鏃堕棿搴忓垪瀵硅薄v銆傚湪EViews涓墦寮瀵硅薄v鐨勬暟鎹紪杈戝櫒锛岃緭鍏ョ浉搴旂殑鏁版嵁銆2銆佺偣鍑烩減roc鈥濊彍鍗曪紝閫夋嫨鈥滃崟浣嶆牴妫楠屸濓紝寮瑰嚭瀵硅瘽妗嗛夋嫨ADF妫楠锛屽苟鐐瑰嚮...
绛旓細鐪婣DF鐨凱鍊笺傛牴鎹煡璇㈢粡绠′箣瀹剁綉绔欐樉绀恒1銆丳鍊煎皬浜0.1锛屽湪鐧惧垎涔嬪崄涓婇氳繃妫楠岋紝鐧惧垎涔嬩簲涓婃病鏈夐氳繃妫楠屻2銆丳鍊煎ぇ浜0.1锛屽湪鐧惧垎涔嬪崄涓婃病鏈夐氳繃妫楠岋紝鐧惧垎涔嬩簲涓婇氳繃妫楠屻傚洜姝eviews鍗曚綅鏍规楠岀粨鏋鐪婣DF鐨凱鍊笺侲Views鏄笓闂ㄤ负澶у瀷鏈烘瀯寮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
绛旓細鍗曚綅鏍规楠鐨勫亣璁炬槸鏁版嵁鍚湁鍗曚綅鏍癸紝鍥犳鐢熸垚缁撴灉涔嬪悗鐪婸鍊煎ぇ灏忥紝渚嬪璇达紝P鍊煎皬浜0.05锛岄偅涔堝氨璇存槑鍦95%鐨勬樉钁楁按骞充笅鎷掔粷鍘熷亣璁撅紝涔熷嵆鍘熷簭鍒椾笉鍚湁鍗曚綅鏍癸紝鏁版嵁鏄钩绋崇殑銆
绛旓細1銆佸厛鍋氬墠鏈熺殑鍗曚綅鏍绛妫楠锛岀劧鍚巚iew閲岄潰鎵惧埌鑴夊啿鍝嶅簲鍒嗘瀽浠ュ強鏂瑰樊鍒嗚В鍒嗘瀽銆Eviews鑴夊啿鍝嶅簲鍚箟鏄紝鍐插嚮瀵规煇涓彉閲忓湪涓嶅悓鏃舵湡鐨勫奖鍝嶆晥鏋滐紝闀挎湡瓒嬩簬绋冲畾琛ㄦ槑鍐插嚮鏁堝簲鍩烘湰涓嶅彉鍖栦簡銆2銆佸鏋滃浘褰㈡槸鍗曞嘲鐨勶紝浠ｈ〃绯荤粺鍏锋湁绠鍗曠殑鍏辨尟棰戠巼锛涘鏋滄槸鍙屽嘲鐨勶紝浠ｈ〃绯荤粺涓瓨鍦ㄤ袱绉嶄笉鍚岀殑鍏辨尟棰戠巼锛涘鏋滄槸瀹屽叏骞崇ǔ鐨勶紝浠ｈ〃...
绛旓細鍙互瑙傚療闆舵ā鍨嬭鍙ュ悗杈撳嚭缁撴灉鐨勬渶鍚庝竴琛岋紝鏈変竴涓狶R test vs. linear regression锛屽鏋滆繖閲岀殑鍗℃柟妫楠屾樉钁楋紝鍒欐帹鑽愪娇鐢℉LM銆傞渶瑕佹敞鎰忕殑鏄紝闆舵ā鍨嬩笉鏄捐憲鍙兘鏄彈鍒颁簡閮ㄥ垎鍙橀噺閬斀鏁堝簲鐨勫奖鍝嶏紝鍥犳鍦ㄥ崱鏂规楠屼笉鏄捐憲鏃舵槸鍚︿娇鐢ㄩ浂妯″瀷杩橀渶杩涗竴姝ュ垽鏂爺绌躲鍗曚綅鏍规楠鏃堕棿搴忓垪 鍗曚綅鏍圭爺绌舵槸鏃堕棿搴忓垪鍒嗘瀽鐨勪竴涓儹鐐...
绛旓細锛堜竴锛夈丄DF鏄鍗曚綅鏍规楠锛岀涓鍒楁暟鎹畒鍋ADF妫楠锛缁撴灉濡備笅NullHypothesis:YhasaunitrootExogenous:Constant,LinearTrendLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 鍦 ...
绛旓細閫氳繃eviews6.0妫楠岋紝鍙戠幇鏈夊崟浣嶆牴銆傚洜涓哄師鍋囪鏄湁鍗曚綅鏍癸紝p鍊煎ぇ浜庢樉钁楁ф按骞筹紙0.1 or 0.05锛夛紝涓嶈兘鎷掔粷鍘熷亣璁撅紝鎵浠ユ湁鍗曚綅鏍广鍗曚綅鏍规楠鏄寚妫楠屽簭鍒椾腑鏄惁瀛樺湪鍗曚綅鏍癸紝鍥犱负瀛樺湪鍗曚綅鏍瑰氨鏄潪骞崇ǔ鏃堕棿搴忓垪浜嗐傚崟浣嶆牴灏辨槸鎸囧崟浣嶆牴杩囩▼锛屽彲浠ヨ瘉鏄庯紝搴忓垪涓瓨鍦ㄥ崟浣嶆牴杩囩▼灏变笉骞崇ǔ锛屼細浣垮洖褰掑垎鏋愪腑瀛樺湪...
绛旓細鍏蜂綋鐨勬搷浣滃湪闄勫姞涓缁撴灉鐨勫垽鏂涓嬶細鍘熷亣璁炬槸鏈鍗曚綅鏍锛宲鍊煎ぇ浜庢樉钁楁ф按骞筹紙0.1 or 0.05锛夛紝涓嶈兘鎷掔粷鍘熷亣璁撅紝灏辨槸鏈夊崟浣嶆牴锛岄渶瑕佸仛宸垎銆備緥濡備笅闈㈣繖涓粨鏋 灏辨槸鏈夊崟浣嶆牴銆
绛旓細涓锛岄鍏堟垜鏍规嵁ADF妫楠岀粨鏋锛屾潵璇存槑杩欎袱缁勬暟鎹鏁版儏鍐典笅鏄惁鏄悓闃跺崟鏁寸殑锛堝悓闃跺崟鏁村嵆璇存槑浜岃呮槸鍗忔暣鐨勶紝杩欐槸涓绉嶅崗鏁存楠岀殑鏂规硶锛夛紝鎴戝浣犵殑涓ょ粍鏁版嵁鍒嗗埆浣滀簡鍗曚綅鏍规楠岋紝缁撴灉濡備笅锛1.LNFDI姘村钩涓嬬殑ADF缁撴灉锛歂ull Hypothesis: LNFDI has a unit root Exogenous: Constant Lag Length: 2 (Automatic...
绛旓細鐪妫楠缁熻閲忕殑鏄捐憲鎬
