-
Eviews
常用命令与函数
CREATE
，弹出创建文件对话框
DATA Y X
，创建并打开群窗口
PLOT Y X
，得到序列的趋势图
SCAT X
Y
，得到两个序列的相关图
LS Y
C X
，用最小二乘法进行方程
Y=C(1)+C(2)*X<
/p>
的参数估计
scalar val =
10
创建标量
show val
则在左下角显示该标量的值
Expand 2001 2007
追加记录，扩展样本
函数（以
@
符号为起始符）
序列描述统计函数：均值
[@MEAN()]
< br>；相关系数
[@COR()]
；协方差
< br>[@COV()]
回
归
统
计
函
数
：
回
归
参
数
标
准
差
[@STDERRS
(i)]
；
回
归
系
数
[@COEFS(i)]
；回归
标准差
[@SE]
；回归可决系数
[@
R2]
；残差平方和
[@SSR]
分
布函数：标准正态分布
[@CNORM()]
；
t
分布
[@TDIST(x
，
v)]
混合运用
series
difx=x-@mean(x)
‘建立
x
与其均值的离差序列
scalar
tlinjie=@qtdist(0.975,18)
‘求出
95%
置信水平下的
T
临
界值
<
/p>
矩阵的定义：
Matrix
；对称矩阵的
定义：
sym
；向量定义：
vecto
r
matrix matrixx=@convert(groupx)
‘将
groupx
数组转换为矩阵
matrix
b=@inverse(xx)*xy
序列、群向矩阵的转换：
Matrix
y=@convert(x)
矩阵的转置：＠
transpose()
矩阵逆的运算：＠
inverse()
Eviews
常用命令
（对于命令和变量名，不区分大小写）
1
．创建
时间序列
的工作文件
a
annual
：
create
a
1952
2000
s
semi-
annual
：
create
s
1952
1960
q
quarterly
：
create
q
1951
：
1
1952
：
3
m
monthly
：
create
m
1952
：
01
1954
：
11
w
weekly:
create
w
2/15/94
3/31/94
，自动认为第一天为
周一，
和正常的周不同。
d
daily (5 day
week):
create
d
3/15/2008
3/31/2008
，和日历上周末
一致，自动跳过周末。
7
daily (7 day
week):
create
7
3/03/2008
3/31/2008
。
u
undated:
create
u
1
33
。
创建工作文件时可直接命名文件，即在
create
后面直接键入
“
文件名
”
，
如
create
myfilename
a
1952
2000
或者
workfile myfilename
a
1952
2000
系统自动生成两个序列：存放参数估计值
c
和残差
resid
。<
/p>
2
．创建数组（
group
）
多个序列组合而成，
以便对组中的所有变量同时执行某项操作。
数组和各个序列
之间是一种链接关系，修改序列的数据、更改序列名、删除序列等操作，都会在
数组中产生相应的变化。
1
）创建完文件后，使用
data
建
立数据组变量；若有
word
表格数据或
excel
数据，直接粘贴；或者用
Import
从其它已有文件中直接导入数据。
data
x
y
，
…
可以同时建立几个变量序列，
变量值
按列排列，
同时在表单上出现新建的组及序
列，
且可以随时在组中添加新的序列。
利用组的优点：
一旦
某个序列的数据发生
变化，
会在组中和变量中同时更新；
数组窗口可以直接关闭，
因为工作文件中已
保
留了有关变量的数据。
2
）通过已有序列建立一个需要的组
：
group mygroup
x
y
可以在组中直接加入滞后变量
group mygroup
y
x(0 to -1)
3
．创建标量：常数值
scalar val = 10
show val
则在左下角显示该标量的值
4
．创建变量序列
series
x
series
y
data
x
y
series
z = x + y
series fit =
Eq1.@coef(1)
+
Eq1.@coef(2)
* x
利用两个回归系数构造了拟合值序列
5
．生成变量序列
genr
变量名
=
表达式
genr xx = x^2
genr yy = val * y
genr zz = x*y
(
对应分量相乘
)
genr zz = log(x*y)
(
各分量求对数
)
genr lnx
= log(x)
genr x1 = 1/x
genr Dx = D(x)
genr value =
3(
注意与标量的区别
)
genr
hx = x*(x>=3)(
同维新序列，小于
3
的值变为
0
，其余数值不变
)
1
）表达式表示方式：可以含有
>,<,<>,=,<=,>=,and,or
。
2
）简单函数：
D(X):X
的一阶差分
D(X
，
n
):X
的
n
阶差分
LOG(X)
：自然对数
DLOG(X)
：自然对数增量
LOG(X)-LOG(X(-1))
EXP(X)
：指数函数
ABS(X)
：绝对值
SQR(X)
：平方根函数
RND
：生成
0
、<
/p>
1
间的随机数
NRND
：生成标准正态分布随机数。
3
）描述统计函数：
eviews
中有一类以
@
打头的特殊函数，用以计算序
列的描述
统计量，或者用以计算常用的回归估计量。大多数
@<
/p>
函数的返回值是一个常数。
@SUM(
X):
序列
X
的和
@MEAN(X):
序列
X<
/p>
的平均数
@VAR(X):
序列
X
的方差
?
?
(
X
i
?
X
)
2
/
n
@SUMSQ(X):
序列
X
的平方和
@OBS(X):
序列
X
的有效观察值个数
@COV(X,Y):
序列
X
和序列
Y
的协方差
@COR(X,Y):
序列
X
和序列
Y
的相关系数
@CROSS(X,Y):
序列
X<
/p>
，
Y
的点积
genr val=@cross(x,y)
当
X
为一个数时，下列统计函数返回一个数值；当
X<
/p>
为一个序列时，下列统计
函数返回的也是一个序列。
@PCH(X): X
的增长率（
X-X(-1)
）
/ X(-1)
@INV(X): X
的倒数
1/X
@LOGIT(X):
逻辑斯特函数
@FLOOR(X):
转换为不大于
X
的最大整数
@CEILING(X):
转换为不小于
X
的最小整数
@DNORM(X):
标准正态分布密度函数
@CNORM(X):
累计正态分布密度函数
@TDIST(X,n):
自由度为
n
，取值大于
X
的
t
统计量的概率
@FDST(X,n,m):
自由度为（
n
，
m
）取值大于
X
的
F
分布的概率
@CHISQ(X,n):
自由度为
n
，不小于
x
的
4
）回归统计函数
回归统计函数是从一个指定
的回归方程返回一个数。调用方法：方程名后接
.
再
接
@
函数。如
EQ1.@
DW
，则返回
EQ1
方程的
D-W
统计量。如果在函数前不
使用方程名，则返
回当前估计方程的统计量。
统计函数见下面：
@R2…
@NCOEF
常用。
分布的概率
@SSR
回归平方和
@DW
DW
统计量
@F
F
统计量的值
@LOGL
对数似然函数值
@REGOBS
回归方程中观测值的个数
@MEANDEP
@SDDEP
@NCOEF
估计系数的总个数
@COVARIANCE(i,j)
协方差
@RESIDCOVA(I,j)
向量自回归中残差之间的协方差
6
．向量
列向量对象
vector
、行向量对象
rowvector
、系数向量对象
coeff
vector
vect
：定义了一个一维且取值为
0
的列向量
vector(n) vect
：定
义一个
n
维且取值为
0
的列向量
1,
3, 5, 7, 9
：定义了分量的值
vector(n) vect=100
：定义一个
n
维且取值为
100
的列
向量
行向量对象
rowvector
、系数向量对象
coeff
类似
7
．矩阵
8
．常用命令：
1
）
Cov
x
y
：<
/p>
cov(
x
,
y
)
?
?
(
x
?
x
)(
y
?
y
)
/
n
协方差矩阵。
i
i
co
r
(
x
,
y
)
?
Cor
x
y
：
矩阵。
?
(
x
i
?<
/p>
x
)(
y
i
?
y
)
?
2
(
x
?
x
)
?
i
< br>2
(
y
?
y
)
相关
?
i
?
2
）
pl
ot
x
y
：出现趋势分析图，观察两个变量的变化趋势或是否存在异常值。
< br>双击图形可改变显示格式。
3
）
scat
x
y<
/p>
：观察变量间相关程度、相关类型（线性、非线性）。仅显示两
个
变量。
如果有多个变量，
可以选取每个自变量和因变量两两观察
，
虽然得到切
面图，但对函数形式选择有参考价值。
4
）排序：在
work
file
窗口，执行主菜单上的
procs/sort ser
ies
，可选择升序或降
序：
Sort
x
：则
y<
/p>
随之移动，即不破坏对应关系。
sort(d)
x
：按降序排序，注意所有的其它变量值都会随之相应移动。
5
）取样
smpl
1
11
smpl
1990
2000
smpl
@all
：重新定义数据范围，如果修改过，现在改回。
6
）追加记录，扩展样本：
Expand
2001
2007
6
）
“'”
后面的东西不执行，仅仅解释程序语句。
7
）
Jarque-
Bera
统计量
:
JB
?
N
?
k
< br>2
2
?
S
?
(
K
?
3
)
4
?
?
?<
/p>
，用于检验变量是否服
6
从正态分布。在
变量服从正态分布的原假设下，
JB
统计量服从自由度为
2
的卡
方分布。如果
JB
统计量大于卡方分布的临界值，或对应概率值较小，则拒绝该
变量服从正态分布的假设（
where S is the skewness, K
is the kurtosis, and k
represents the
number of estimated coefficients used to create
the series
）
9.
回归结果与变量表示：
X
Y
800
1100
1400
1700
2000
2300
2600
2900
3200
3500
594
638
1122
1155
1408
1595
1969
2078
2585
2530
Std. Error
t-Statistic
Prob.
Variable
Coefficient
变量
系数估计值
系数标准差
:
小好
T
检验值
:
大好
概率（越小越好）
C
-103.171717172
98.4059798473
-1.
0.325079456046
0
?
?
S
?
?
?
0
2
?
?
?
?
X
i
2
< br>n
?
x
2
i
?
/
S
t
0
?
?
?
0
?
0
@coefs(
1)
或
c(1)
@stderrs(1)
@tstats(1)
X
0.77701010101
0.6
18.2890032755
8.2174494e-08
?
S
?
?
1
?
1
?
2
?
?
?
?
x
2
i
?
< br>/
S
t
1
?
?
?
1
?
1
R-squared
0.97664149287
2
Mean dependent var
?
1567.4
（拟合优度
R
）
ESS
/
TSS
=1-(RSS/TSS)
:
大好
（因变量均值）
Y
< br>＝
?
?
y
)
/
?
(
y
?
y
)
?
(
y
2
i
i
2
@R2
@mean(y)
714.1444
Adjusted R-squared
0.973721679478
S.D. dependent
var
（调优）
1-
(
RSS
/(
t
?
k
?
1))
/(
TSS
/(
n
?
1))
:
大好
（
Y
标准差）
?<
/p>
(
Y
i
?
Y
)
/(
n
?
1)
9
2
2
@RBAR2
@sqr(@var(y)*n/(n-1))
，
var(y)
?
?
(
Y
i
?
Y
)
/
n
@sddep
（被解释变量的标准差）
S.E. of regression
115.767020478
2
i
Akaike info
criterion
12.517893
?
?
e
i
2
?
2(
k
?
1)
?
?
e
/(
n
?
2)
?
115.7670^2=134
02
赤池信息准则
AIC
?
ln
?
< br>?
n
?
?
n
?
?
（回归标准差）
?
?
?
< br>?
?
e
i
/(
n
?
2)
=
@se
Schwarz criterion
12.5784099883
2
2
Sum squared
resid
1
07216.024242
< br>?
?
e
i
2
?
k
?
1
?
ln
n
:<
/p>
小好
（残差平方和）
< br>RSS
?
?
e
< br>i
施瓦兹
信息准则
SC
?
ln
< br>?
?
n
?
?
n
?
?
@
sumsq(resid)
Log likelihood
-60.5894648487
F-statistic
334.487640812
（对数似然估计值）
（总体
F
检验值）
:
大好
F
?
Durbin-Watson
stat
3.
ESS
/1
＝
2859.544
＝
@F
RSS
/(
n
?
2)
0.0000
Prob(F-statistic)
（
D-W
检
验值）
（
F
检验概
率）
:
小好
d
?
?
(
e<
/p>
?
e
i
i
?
2
n
2
)
i
?
1
?
e
i
?
1
n
2
i
=
@DW
@REGOBS
：返回观察值的个数
7
。
@ncoef
：估计系数总个数
2
。
注意：系数项可这样计算：
genr
b1=@cross
(
x-@mean(x),y-@mean
(y)
)
/@sumsq(x-@mean(x))
@cross
计算交叉乘积和，
@mean
计算均值，
@sumsq
计算平方和。
genr
b0=@mean(y)-b1*@mean(x)
。
10.
置信区间估计：
变量的显著性检验：
?
|
|
?
0.7770101
0101
1
|
t
1
|
?
?
?
18.29
S
?
?
0.6
1
=c(2)/@stderrs(2)=@tstats(2)
?
t
0.05/
2,
n
?
2
?
2.306
?
的置信区间的计算：
参数
?
1
?
?
t
?
＝
0.01
，
t
?
< br>/
2,
n
?
2
＝
3.355
，
?
?
1
?
/
2,
n
?
2
S
?
1
下限：
=c(2)-3.355*@stderrs(2) <
/p>
上限：
=c(2)+3.355*@stderrs(2)
总体个别均值
Y
0
的预测值的置信区间的计算
(
总体条件
均值类似
)
：
?
1
）
ls
y c x
，使内存中存在方程
Y
i<
/p>
?
-103.171717172+0
.77701010101
X
i
?
0
?
t
?
/
2,
n
?
2
?
?
?
y
x
2
）假设
0
＝
1000
，
?
?
?
< br>1
?
0
2
?
x
?
1
?
?
n
?
2
?
?
n
?
i
?
x
?
?
i
?
< br>1
?
?
下限：
< br>=c(1)+c(2)*1000-
2.306*@se*@sqr(1+1/
@OBS(X)
+(1000-@mean(x))^2/@s
umsq(x-@mean(x)))
＝
372.03
上限：
=c(1)+c(2)*1000+
< br>2.306*@se*@sqr(1+1/
@OBS(X)
+(1000-@mean(x))^2/@sumsq(x-@mean(x)))
＝
975.65
故总体个别均值
Y<
/p>
0
的预测值的置信区间为：（
372.0
3
，
975.65
）。
?
i
；
11
．预测问题：
生成一个以原因变量
y
名
+f
的
y
的预测值
yf
，实际上，
yf
＝
y
同时还得到一
张预测图形：图中实线是因变量
y
的预测值，上下两条虚线给出
的
是近似
95
％的置信区间。
n
1)
绝对指标<
/p>
RMSE
均方根误差
RMSE
?
1
?
(
Y
其大小取决于因变量的绝
?
?
Y
)
2
，<
/p>
n
i
i
1
对数值和预测值；
?
?
Y
|
，其大小取决于因变量的绝<
/p>
2)
绝对指标
MAE
< br>平均绝对误差
MAE
?
1
?
|
Y
i
i
n
1
对数值和预测值；
n
?
1
3)
常用的相对指标
MAPE
平均绝对百分
误差
MAPE
?
?
|
Y
i
?
Y
i
?
100
|
；
n
1<
/p>
Y
i
n
若
MAPE
的值小于
10
，则认为预测精度较高；
4)
希
尔不等系数：
Theil
IC
?
1
n
?
2
(
Y
?
Y
)
?
i
i
n
1
1
1
2
2
?
Y
?<
/p>
Y
?
i
n
?
i
n
1
1
n
n
，希尔不等系数总
是介
于
0-1
之间，
< br>数值越小，
表明拟合值和真实值间的差异越小，
预测精度
越高；
5)
均
1
n
?
2
?
?
Y
)
2
?<
/p>
(
?
?
?
?
)
2
?
2(1
?
r
)
?
?
?
方误差
MPE
可分解为
?
(
Y
i
?
Y
i
)
?
(
Y
i
Y
< br>Y
Y
Y
n
1
?
的均值，
y
是实际序列的均值，
?
y
?
是预测值
y
其中
y<
/p>
?
,
?
y
分别是预测值和实际值
的标准差，
r
是它们的相关系数，于是可定义偏差率、方差率和协变率三个相互
联系的
指标，
其取值范围都在
0-1
之间，<
/p>
并且这三项指标之和等于
1
，
计算公式是：
偏差率
B
P
?
?
?
Y<
/p>
)
2
(
Y
1
?
?
Y
)
2
(
Y
?
i
i
n
1
n
?
?
y
，故
BP
＝
0
）、
（
O
LS
中
y
(
?
Y
?
?
?
Y
)
2
方差率
VP
?
、
n
1
?
?
Y
)
2
(
Y
?
i
i
n
1
2(1
?
r
)
?
Y
?
?
Y
协变率
CP
?
?
1
?
BP
?
VP
。
n
1
?
?
Y
)
2
(
Y
?
i
i
n
1
BP
反映了预测值均值和实际值均值间的差异，
VP
反映它
们标准差的差异，
CP
则衡量了剩余的误差。
< br>当预测比较理想时，
均方误差大多数集中在协变率
CP<
/p>
上，
其余两项较小。
若
< br>有
多
种
曲
线
形
式
可
供
选
择
，
则
应
选
择
其
中
均
方
误
差
最
小
者
< br>为
宜
。
Functions that return scalar values:
-
-
-
-
-
-
-
-
-
上一篇：经典经验—如何向SCI杂志投稿
下一篇：SCI和SCIE的区别和检索方法