运用EViews进行实证分析基于论文的计量需求

《运用EViews进行实证分析基于论文的计量需求》由会员分享，可在线阅读，更多相关《运用EViews进行实证分析基于论文的计量需求（17页珍藏版）》请在装配图网上搜索。

1、.目 录1、模型设定与数据处理11.1模型设定11.2数据预处理11.2.1 建立工作文档11.2.2 数据导入21.2.3 *12进展季节性调整31.2.4 HP滤波法估计潜在GDP31.2.5 时间序列数据的平稳性检验41.3 时间序列变量的最小二乘估计5时间序列最小二乘估计的前提条件5同阶单整举例61.3.3 EG协整法进展协整检验62、诊断回归模型72.1 多重共线性计量检验与消除72.2 异方差计量检验与消除92.2.1 怀特异方差检验模型92.2.2 white异方差校正功能102.2.3 加权最小二乘法102.3 自相关计量检验与消除11自相关的后果11自相关的识别112.3.3

2、 DW检验的局限122.3.4 EViews进展自相关检验122.3.5 包含滞后变量的自相关检验133、联立方程模型134、面板数据模型的建立及应用145、兰杰因果检验155.1前提条件155.2检验模型155.3 用EViews进展实例分析156、协整检验及应用166.1 平稳性检验单位根检验166.2 协整检验166.3 因果检验176.4误差纠正机制ECM177、GARCH模型187.1 GARCH模型的根本概念187.2 沪深股市收益率的波动性研究187.2.1 描述性统计187.2.2 平稳性检验197.2.3 均值方程确实定及残差序列自相关检验207.2.4 GARCH类模型建模

3、227.2.5 检验两市波动的因果性247.2.6 修正GARCH-M模型25主要参考文献26. .运用EViews进展实证分析-基于论文的计量需求1、模型设定与数据处理1.1模型设定一般化形式的泰勒规则回归方程式 考虑利率平滑特性回归方程式1在EViews中对1式进展回归分析。1.2数据预处理1.2.1 建立工作文档按以下图中的步骤建立workfile翻开后的界面如下。给文档命名为多元回归，选择季度型数据Quarterly，输入开场日期2004Q1，完毕日期2015Q4，点击OK。1.2.2 数据导入首先将所需原始数据在E*cel中加工处理好，将需要的数据全部复制。然后在EViews中依次选

4、择QuickEmpty Group可录入多个变量的数据，或选择ObjectNew Object可逐个录入单个变量的数据，以下图演示同时录入多个变量数据的步骤，如以下图所示。在接下来翻开的界面中如以下图，将复制的多列数据粘贴到翻开的表格中，点击上面的各列默认设定的名称，修改为相应的变量名。点击数据录入界面右上角的叉关闭窗口，可以不用保存数据组，之后的界面如右图。至此，数据录入工作完毕。1.2.3 *12进展季节性调整采用EViews8.0中*12的方法对实际GDP数据进展季节性调整，翻开已经录入的rgdp序列，RGDP数据录入前工作文档的设定一定要正确，新建workfile的时候要选择Quart

5、erly数据类型季度类。不正确的设定可能进展以下操作时不会出现Census*12的选项。在正确设定数据类型后，依次选择。ProSeasonal Adjustme ntCensus *-12，如以下图所示。翻开如下界面，默认以下图1的设置，也可以根据自己的需要修改默认设定。点击确定进入季节性调整的输出结果窗口，之后关闭该窗口，回到图2界面。图2界面出现的新的数据列rgd_sa，即是rgdp进展*12季节调整后的数据。1.2.4 HP滤波法估计潜在GDP将之前的经季节调整后的rgdp_sa序列单击翻开，采用HP滤波法估计潜在GDP。然后依次选择ProHodrick-Prescott Filter，

6、如以下图1所示。进入图2界面。在第一栏中为平滑后的数据命名为yt，yt在此代表潜在HP滤波法估计出来的潜在GDP序列的名称。用HP滤波法估计季度数据的参数值为1600，因为新建workfile时已经选择好了季度数据的类型，所以此处参数的默认设定为正确设置。然后点击ok，进入下一个界面，关闭该界面。EViews已经生成了HP滤波法估计的潜在GDPyt序列，如右图所示。1.2.5 时间序列数据的平稳性检验翻开时间序列Y，依次选择ViewUnit Root Test，如以下图中左图所示。进入以下图中右图界面。可以选择变量水平值、一阶差分值、二阶差分值，选择包含常数项、包含时间趋势项以及常数项、什么都

7、不包含三个类型中的一个来对时间序列进展单位根检验。此次选择了Y的水平值，仅包含常数项的单位根检验。输出结果如下。原假设。该序列有单位根，即原假设为该序列不平稳。P=0.2852，无法拒绝原价设，故该序列水平值不平稳。接下来选择该序列的一阶差分进展单位根检验，输出如下结果。其中。DY表示Y序列的一阶差分，P值=0.000，显著拒绝DY不平稳的原假设，故DY是平稳的时间序列。Y不平稳，DY平稳，故Y是1阶单整的时间序列。1.3 时间序列变量的最小二乘估计1.3.1时间序列最小二乘估计的前提条件要对方程式。Y=C0+C1*1+C2*2 进展回归分析，进展最小二乘估计要满足以下条件中的一个。1Y、*1

8、、*2三个时间序列必须是0阶单整的，即Y、*1、*2三个时间序列是平稳的。2Y、*1、*2三个时间序列是非平稳的，但是Y、*1、*2三个时间序列是同阶单整的，回归方程必须通过协整检验。1.3.2同阶单整举例Y、*1、*2都不平稳，但DY、D*1、D*2都是平稳的，Y、*1、*2三个时间序列是都是1阶单整。Y、*1、*2是同阶单整的。1.3.3 EG协整法进展协整检验假设Y、*1、*2都是1阶单整的，在进展最小二乘估计之后，导出估计方程的残差项，复制粘贴数据到新的变量et，对et变量进展单位根检验，假设检验结果说明et是平稳的时间序列，即et是0阶单整的时间序列，则该回归结果就通过了EG协整检验

9、，之前的回归结果就不会因为各个变量的不平稳性出现伪回归的现象。依次选择。QuickEstimate Equation。在输入栏中输入估计方程式 y c *1 *2 *3，选择最小二乘估计的方法，点击确定。在估计结果窗口依次选择。ViewActual，Fitted，ResidualActual，Fitted，Residual Table进入下一个界面。左图选中Residual列的数据，右击再选中copy。然后在工具栏选择。ObjectNew Object 新建变量，选择series类型，命名为et，点击OK，单击翻开et序列，粘贴数据。对et进展单位根检验。检验结果P值=0.0000,拒绝et有

10、单位根的原假设，故et是平稳的时间序列。即该回归方程通过了EG协整检验。2、诊断回归模型2.1 多重共线性计量检验与消除将之前的分析结果展示如下。分析上述结果。 . 样本可决系数为73.62%，表示*1、*2、*3可以解释Y总变动的73.6217%。. F统计量为40.93，对应的P值为0.0000，小于0.05，说明方程总体线性显著，或者解释变量中至少有一个是对被解释变量有显著影响。. 有的变量的T统计量对应的P值大于0.05，说明该解释变量对被解释变量的影响是不显著的，与F统计量所得到的结果矛盾。 . *2的系数符号与实际情况不符。综合2、3、4说明可能存在严重的多重共线性。进一步诊断。依

11、次选择QuickGroup StatisticsCorrelations在接下来的窗口中输入 *1 *2 *3输出结果如右图所示。*1与*3的相关性最大，但也只有37.55%，故多重共线性不是很严重。但为了慎重起见，采用逐步回归法进展分析。表1。 对因变量Y进展的回归分析解释变量C*1*2*3R2Adjusted-R2第一步2.21700.0000*0.22340.0008*0.22010.20322.85550.0000*0.03700.56370.007300.45170.0676*0.84170.0000*0.70770.7014第二步0.39860.0948*0.08490.0365*

12、0.77470.0000*0.73510.72330.44030.0791*-0.01470.67940.77470.0000*0.70880.6959注。Adjusted-R2为负数时取0。*代表系数通过了显著性水平为10%的假设检验。*代表系数通过了显著性水平为5%的假设检验。进展第一步回归。由第二行至第四行的回归结果可以知道，*3对Y解释力度最大，应选择*3作为第一个解释变量。进展第二步回归。比拟第五行到第六行的结果可以知道，*1、*3一起对Y的解释力度最大，且各个参数都通过了显著性检验。应选择剔除解释变量*2。2.2 异方差计量检验与消除2.2.1 怀特异方差检验模型假设包括穿插乘积项

13、，则自变量还有*1*3项。样本容量n，上述方程估计出R2，然后n* R2服从卡方分布后的值与临界值进展比拟，判断是否存在异方差。原假设H0。存在异方差。用EViews进展怀特异方差检验。在回归方程估计窗口下，选择ViewResidual TestsHeteroskedasticityWhite(选项中挑选)，假设勾选Include White cross term，则回归方程中会有穿插乘积项，如右图所示，点击OK。输出结果如右图。P值=0.0003，拒绝同方差性。故该回归方程结果存在异方差。接下来运用white异方差校正功能和加权最小二乘法来修正模型的异方差性。2.2.2 white异方差校正

14、功能回归方程估计窗口选择最小二乘估计，再选择options选项。选择White栏目，点击确定。因而得到校正后的回归方程。2.2.3 加权最小二乘法运用加权最小二乘法校正回归方程的操作如下。回归方程估计窗口选择最小二乘估计，再选择options选项。选择White栏目，weight下选择Inverse std dev栏目。点击确定即可得到加权最小二乘法的回归结果：注：老版本为：在Weight文本框输入1/absresid，resid默认为最新估计方程的残差序列输出结果如右图：2.3 自相关计量检验与消除Yt=0+1*t1+2*t2+tCOVt，t-s0, t=1,2,N, s=1,2，,t-12

15、.3.1自相关的后果参数的OLS估计不再具有最小方差性，从而不再是参数的有效估计，这使估计的精度大大降低。显著性检验方法失效。对回归方程和回归系数的显著性检验的统计量分布时，是以t N(0, 2)，且相互独立为依据的。当存在自相关时，各t之间不再独立，因而原来导出的统计量的分布就不再成立。预测和控制的精度降低，由于OLS估计不再具有最小方差性，使参数估计的误差增大，就必然导致预测和控制的精度降低，失去应用价值。2.3.2自相关的识别2.3.2.1图示法利用残差序列et来分析t之间是否存在自相关。用OLS对原模型进展回归，求出残差et作关于et，et-1，t=2,3,.,N，或t，et，t=1,

16、2,N的散点图。et，et-1散点图均匀分布在四个象限，说明不存在自相关；大局部落在1,3象限，正相关性；大局部落在2、4象限，负相关性。假设et随时间t呈*种周期性的变化趋势，则说明存在正相关。假设呈现锯齿形的震荡变化规律，则说明存在负相关。2.3.2.2 杜宾-瓦森Durbin-Watson检验杜宾-瓦森检验简称D-W检验，检验原理如下。t=t-1 + Vt，t=2,3,N H0: =0，H1: 0；假设存在一阶完全正自相关，帽1，则DW0；假设存在一阶完全负自相关，帽-1，则DW4；假设不存自相关，帽0，则DW2，故DW越接近于2，自相关性越小。查表可以知道DW统计量的临界值为dL、dU

17、。当dLD-WdU时，不存在自相关。2.3.3 DW检验的局限只适用于一阶自相关检验存在不能判定的区域模型中含有因变量的滞后变量时，D-W检验失效需要比拟大的样本容量N152.3.4 EViews进展自相关检验 1其中Vt N0，2，COVVt，Vt-1=0。记ut服从一阶自回归AR1。在EViews的估计窗口中输入带估计方程 Y C *1 *3 AR(1)。选择估计方法最小二乘法。AR1的系数就是的估计值，Inverted AR Roots是残差自相关模型1式的滞后算子多项式的根，这个根有时是虚数，但静态自回归模型的滞后算子多项式的根的模应该小于1。DW值为2.0176，接近于2，模型自相关

18、问题解除。假设误差项存在高阶自相关，形如则应在估计方程对话框中输入Y C *1 *3 AR(1) AR(2) AR(3) AR(4)假设形如下式的自相关应在估计方程对话框中输入Y C *1 *3 AR(4)。这样就可以校正误差序列高阶自相关2.3.5 包含滞后变量的自相关检验待估计方程为Y C *1 Y(-1) Y(-2)，输出结果如右图。查标准正太分布表得临界值h/2=1.96。模型中的绝对值h h/2，则拒绝原假设=0，说明自回归模型存在自相关，需对模型作进一步修改。绝对值h h/2，则接收原假设=0，模型扰动项不存在一阶自相关。3、联立方程模型宏观经济的联立方程模型如下。在菜单栏上依次选

19、择ObjectsNew Object命令，然后选择System作为对象的类型，将该对象命名为SYS01。前两行输入Ct，Yt的估计方程，最终Yt只受Ct-1Yt-1，Gt的影响，。而第三行输入 INST Ct-1Yt-1Gt 。表示工具变量接下来选择Estimate按钮。有九种估计方法可供选择：OLS WLS SUR 2SLS WTSLS 3SLS FIML GMMWhite协方差矩阵，用于截面数据GMMHAC协方差矩阵，用于时间序列数据 ARCH。以下图选择2SLS估计方法，单击确定，得到右图估计结果4、面板数据模型的建立及应用正常情况下，选择时序类进展建立workfile，录入数据后，选择

20、ObjectNew Object，选择Pool类型对象，命名为MBdata。在右图翻开的窗口中输入 bi tj sh gd标识。接着单击Sheet按钮，进入左以下图，输 y？ ct？i？g？,再点击ok进入右下角图示界面,在该界面录入数据。录入数据后在pool窗口下单击Estimate按钮，按左以下图输入。点击确定。5、兰杰因果检验5.1前提条件在进展Granger因果检验之前，必须对*t、Yt进展ADF检验，如果序列非平稳，则需要先经过1次或屡次差分使之平稳化，然后再对两个平稳化后的序列进展Granger检验。5.2检验模型如果*t与Yt为平稳的过程，对于模型12如果j=j=0j=1,q，则

21、*t、Yt相互独立；如果j=0，j0j=1,q，则*t为Yt的原因；如果j0，j0j=1,q，则Yt为*t的原因；如果j0，j0j=1,q，则*t、Yt互为因果。5.3 用EViews进展实例分析QuickGroup StatisticsGranger Causality Test，得到Series List对话框。在对话框中输入已录入的两个序列、*2与Y经过ADF检验都是平稳的序列由0.060.1，在10%的显著性水平下拒绝零假设，即在10%的显著性水平下认为*2增长是Y增长的原因。GDP与利率的Granger因果检验，GDP是二阶差分平稳，一阶差分不平稳，故GDP是2阶单整的序列。利率i是

22、一阶单整序列。对上述两个序列进展检验的结果如右上图所示，都无法拒绝原假设，故gdp的二阶差分与利率的一阶差分之间相互独立。6、协整检验及应用Johansen多变量极大似然法在考虑两个以上变量间的协整关系时，能准确地确定出协整向量的数目，克制了EG方法的缺点。分析ct与yt时间序列之间的关系步骤如下。6.1 平稳性检验单位根检验Ct与yt的ADF滞后阶数选2检验结果均显示不平稳，此时应对数据取对数取对数的好处在于：既可以将间距很大的数据转换为间距很小的数据，也便于后面取差分，主菜单中依次选择QuickGenerate series命令，并输入logyt=logyt，同样的方法得到logct。由A

23、DF单位根检验可以知道logct与logyt都是一阶单整的序列。6.2 协整检验只有在当中检验发现两序列是同阶单整时，才可进入此步。假设两个序列为非同阶单整，则不可以进展协整检验。主菜单中依次选择QuickEstimate Equation。输入估计方程 logyt c logct ，得到右图结果。接着在窗口中单击Procs按钮，选择Make Residual Series 命令对残差resid01进展提取和保存，然后对残差进展ADF检验，如右图可知，P值=0.0631，resid01在10%的显著性水平下是平稳的序列。同样的方法协整logct c logyt，得到残差resid02，resi

24、d02的ADF检验结果如右图。P值=0.0618，检验可知resid02在10%的显著性水平下是平稳序列。综合上述结果可以知道，两时间序列通过了协整检验。6.3 因果检验在workfile中按住Ctrl键同时选中logyt和logct，右击，依次选择Openas Group命令，在弹出的窗口中单击View按钮，并选择Granger Causality命令，在弹出的对话框中选择滞后阶数可根据以往的实证检验结果选择滞后阶数，单击OK按钮，结果如右图所示。与下面四个图比拟后才选择了5阶滞后项。由5阶滞后项的P值可知logyt是logct变化的原因；而logct不是logyt变化的原因。6.4误差纠正

25、机制ECM首先提取残差，在主菜单中依次选择QuickEstimate Equation命令，输入估计方程 yt c ct，然后选择ProcMake Residual series。提取出残差resid03。再依次选择QuickEstimate Equation命令，输入估计方程 D(yt) c D(ct) resid03(-1)其中D*，表示*的差分序列，*-1表示*的滞后一阶。Resid03的系数为-0.045573，P值没有通过检验，没有纠正实际值与均衡值之间的差异。假设能通过检验，则说明ct的实际值与均衡值或长期之间的差异约有4.5573%得以纠正。一般来说，ct随着yt变动，与本文上面

26、的研究结论一样。假设要研究ct与yt的联动效应，可以选择更新或更多的样本。7、GARCH模型7.1 GARCH模型的根本概念P阶自回归条件异方程ARCHp模型，其定义由均值方程和条件方程给出：其中，t-1表示t-1时刻所有可得信息的集合，ht为条件方差。误差项t的方差由两局部组成，一个常数项和前p个时刻关于变化量的信息，该信息用前p个时刻的残差平方表示ARCH项。广义自回归条件异方差GARCHp，q模型可以表示为：7.2 沪深股市收益率的波动性研究7.2.1 描述性统计新建Workfile，选择Undated or Irregular选项，在sart observation和end obser

27、vation文本框中分别输入1和n总的样本个数。选择File菜单中的Import ObservationRead Te*t-Lotus-E*cel命令，找到要导入的E*cel文档，完成数据导入。在EViews窗口主菜单栏下的命令窗口中输入如下命令：genr rh=log(sha/sha(-1)，同样的方法输入genr rz=log(sza/sza(-1)，得到沪市A、深市A收益率数据系列rh、rz.双击rh序列，在新窗口中单击View按钮，依次选择Descriptive Statistics&TestsHistogram and Stats命令，得到rh的描述性统计量由以下图可得之后表中数据r

28、h、rz描述性统计量序列名称均值标准差偏度峰度Jarque-Beva的p值rh-0.0002870.025370-0.9739904.8705220.000000rz0.0012570.027716-0.9122913.9752150.000000偏度均小于0，有左偏的特点；标准正太分布的峰度值为3，高于3说明序列有尖峰后尾特征。即右则厚尾Jarque-Beva为正态性检验统计量，原假设该序列服从正态分布，由统计量对应的p值等于0可知，两个序列拒绝正态分布的原假设，认为rh、rz的分布不是正态分布。7.2.2 平稳性检验对序列进展ADF单位根检验，选择滞后4阶，有截距项无趋势项。如右图所示。得

29、到以下结果。在1%的显著水平下，两市收益率rt都拒绝随机游走的假设，说明是平稳的时间序列数据。金融资产的价格一般是非平稳的，经常有一个单位根随机游走，而收益率序列通常是平稳的。7.2.3 均值方程确实定及残差序列自相关检验通过对收益率的自相关检验，两市的收益率都与其滞后1阶存在显著的自相关有的用15阶，因此对两市收益率rt的均值方程都采用如下形式：7.2.3.1对收益率做自回归QuickEstimation Equation，弹出对话框中输入rh c rh(-1) ，选择LS普通最小二乘法估计方法。7.2.3.2自相关的 Q统计量检验用Ljung-Bo* Q统计量对均值方程拟合后的残差平方做自

30、相关检验在rh回归结果窗口翻开时，单击ViewResidual DiagnosticsCorrelogram-Q-Statistics 命令，再选择1阶有的用10阶滞后则可得沪A收益率残差项的自相关系数acF值和pacF值。深A的该值在rz回归结果窗口翻开时做相应步骤可得rz那些值。如以下图所示。从上图可以知道。rh残差平方序列的自相关系数AC和偏自相关系数PAC在2、4、5、6、8、10处显著不为0柱形较长处。而rz残差平方序列的AC和PAC在2、3、5、7、8、10处显著不为0.这些说明残差序列存在ARCH效应。如果柱形图中柱状在不断缩短，呈收敛的形式，说明不存在ARCH效应。在rh回归结

31、果窗口翻开时，命令栏目输入genr res1=resid2 ，双击res1，翻开该序列的窗口，点击ViewGraph 选择line类型。得到rh残差平方线性图。类似步骤在rz回归结果窗口中继续也可得到rz残差平方线性图。可见t平方具有明显的时间可变性和集簇性，残差波动有聚类现象，在一些时间该现象比拟明显，说明误差项可能具有条件异方差性GARCH效应，适合用GARCH类模型来建模。对残差进展ARCH-LM检验拉格朗日乘法检验在各个自回归窗口分别做以下步骤，ViewResidual DiagnosticsHeteroskedasticity Tests，选择ARCH，1阶滞后，得到以下图结果。对r

32、z也做一样步骤。ARCH-LM统计量观察值分别为0.150469、10.19075，相伴概率分别为0.0131、0.0014，均小于0.05，拒绝没有ARCH效应的原假设。结果说明残差项的p值分别为0.0130、0.0013,，均小于0.05，故残差中ARCH效应是显著的。7.2.4 GARCH类模型建模7.2.4.1 GARCH1,1模型的估计结果QuickEstimation Equation，弹出对话框中输入rh c rh(-15)均值方程即主体模型，选择ARCH估计方法。rh估计结果如下：残差平方和项为ARCH项，ARCH项和GARCH都是高度显著的，说明收益率序列具有显著的波动集簇性

33、。沪市中ARCH项和GARCH项系数之和约为0.936，小于1。如右图可知深市中ARCH项残差平方和项与GARCH项系数之和约为0.986，也小于1.因此GARCH1,1过程是平稳的，其条件方差表现出均值回复，即过去的波动对未来的影响是逐渐衰减的。7.2.4.2 GARCH-M1,1的估计结果与之前步骤一样，但在ARCH-M下选择Variance，即可得GARCH-M1,1的估计结果.如上图所示，沪深两市均值方程中条件方差项GARCH的系数估计分别为-3.583622、-4.618932，但都不显著。此结果的出现可能是样本太少的缘故。GARCH的系数估计通常为正的，且显著，反映收益与风险的正相

34、关关系，说明收益有真的风险溢价。哪个市场的系数越大一般沪市大，说明哪个市场的投资者更加厌恶风险，要求更高的风险补偿。7.2.4.3 EGARCH估计EGARCH估计与上述GARCH估计步骤相似，但在model下选择EGARCH，如右图。得到rh、rz的EGARCH估计如下。其中，沪、深两市的C5分别为-0.155109、-0.107396，而且都是显著的，说明沪深股市中都存在杠杆效应。7.2.5 检验两市波动的因果性7.2.5.1 提取条件方差重复之前的GARCH-M模型的建模步骤，依次选择主菜单栏中的Procs Make GARCH Variance Series命令，得到rh回归方程残差项

35、的条件方差数据序列GARCH01，同样的步骤得到rz 回归方程残差项的条件方差数据序列GARCH02.7.2.5.2 检验两市波动的因果性在workfile中按住Ctrl键同时选中GARCH01 和GARCH02，右击，依次选择Openas Group命令，在弹出的窗口中单击View按钮，选择Granger Causality命令，再选择滞后阶数5阶。得到以下图结果。我们无法拒绝0假设上市波动不是深市波动的原因，但能拒绝0假设深市波动不是上市波动的原因。这初步证明了沪深股市的波动之间存在溢出效应，且是不对称、单向的。这说明是市场的波动导致市场的波动，而不是相反。7.2.6 修正GARCH-M模

36、型在沪市GARCH-M模型的条件方差方程中参加深市波动的滞后项，应该会改善估计结果。在GARCH-M估计的根底上于Variance文本框中输入garch02(-1) garch02(-2) garch02(-3) garch02(-4) garch02(-5) ，单击确认按钮。可以得到参加滞后项GARCH02后沪市GARCH-M模型重新估计的结果，结果如下所示。. .主要参考文献1.朱顺泉， 金融计量经济学及其软件应用，2012年9月第1版。2. A. H. Student. Using Econometrics: A Practical Guide.5th Edition Copyright 2006 by Pearson Education, Inc. John Y. Campbell, Andrew Wen-Chuan Lo, Archie Craig Mackinlay. The Eometrics of Financial Markets. Princeton University Press, 1997, 2003.