1、Comment 微微微微1: 高铁梅 1461、 ADF检验在进行传统的回归分析时，所用的时间序列必须是平稳的。因此，首先我们对各个时间序列数据进行平稳性检验，以避免出现伪回归。打开数据窗口，view-unit root test-ok在建立计量经济模型时，总要选择统计性质优良的模型，在对几个模型进行选择尤其是当确定一个滞后分布的长度时，通常可以用 AIC准则和 SIC准则，其值越小越好。见高铁梅73表 1.1 各时间序列数据平稳性检验结果变量 检验类型 t 统计量 相伴概率lnTFP（c,t,3） -4.7632 0.0012*dS（c,t,1） 1.3014 0.9978fim（c,t,1
2、） -3.7007 0.0116*l（c,t,1） -1.9944 0.2870fpat（c,t,1） -1.1967 0.6577nhu（c,t,0） -2.6477 0.2645lfexS（c,t,0） -2.0266 0.5581注：（1）检验类型中的 c表示检验平稳性时估计方程中的位移项，0 则表示不含位移项。（2）第二项 t 表示时间趋势项，0 表示不含趋势项。（3）括号中最后一项表示自回归滞后的长度。我们采 Schwarz Info Criter或 AIC标准确定最优滞后期，最大滞后期我们设定为 5。（4）表中最后一列为各时间序列 ADF检验中的相伴概率，*表示序列数据在 10%显
3、著性水平下是平稳的。2、 协整检验对非平稳时间序列进行回归分析会产生伪回归问题，但是当两个或多个非平稳变量之间存在协整关系时，即这些非平稳变量的特定的线性组合是稳定的时，非平稳变量导致的伪回归问题则不再存在。（1）对 Lny lnk lnl进行 OLS回归，将残差赋值给 n。genr n=resid利用残差法进行协整检验，即对 n进行协整检验，具体步骤同 1（2）Johansen 最大似然估计检验法，通过计算基于最大特征值的似然比统计量来分别判断各回归方程中不平稳序列之间的协整关系。3、 误差修正若数列同时是一阶单整或者是二阶单整的（一般三阶或者以上不好） ，误差修正方程就是对dlny dln
4、k dlnl n进行回归，n 项代表误差修正项。4、 序列相关检验：（1）D.W 值 一般 2附近是比较好的，否则存在序列相关（2）view-residual tests-correlogram of residuals 超出双侧线的那期存在序列相关。修正：在回归方程中加入 ar(m)项 m代表序列相关的阶数。一般结果会比较好dlny c dlnk dlnl n ar(1) ar(2)5、 异方差检验：（1）散点图法，若三点成不规则状分布，则存在异方差（2）white 检验：view-residual tests-heteroskdesticity tests-white- 这一项不选-ok
5、p 值越大越好，最好大于 0.1。原始假设是不存在异方差。修正：Wls 法打开回归方程-options- 选这一项，abs 表示绝对值得意思，意思就是用残差的绝对值得倒数作权重。多方程1、 VAR 模型的建立Object-new object-var-起个名字或者默认 -ok-出现以下界面Comment 微微微微2: 高铁梅 301Comment 微微微微3: 在实际应用中，由于 VAR模型是一种非理论行的模型，它无需对变量做任何先验性约束，因此，在分析 VAR模型时，往往不分析一个变量的变化对另一个变量的影响如何，而是分析当一个误差项发生变化时，或者说模型受到某种冲击时对系统的动态影响，这种
6、分析的方法称为脉冲响应函数方法。见 281内生变量那地方输入变量名字比方：y x （见于我的例子 var1） ，滞后期一般先按默认的就行-确定2、 VAR模型稳定性检验在 var方程中选 view-lag structure-AR root graph-小圆点落在单位圆内或上时，表示该 var模型是稳定的，否则不稳定需要调整，比方在建立 var模型时，调整滞后期长度可以改善这里。3、 格兰杰因果检验在 var方程中选 view-lag structure- - chi-sq表示伽马统计量，df 表示自由度，prob 大家知道是 p值，这里原始假设是 x/y不是y/x的格兰因，所以 p值越小越好
7、。 最好小于 0.1。证解释变量是否是被解释变量的格兰杰因，两两结合（单方程） 。4、 最优滞后阶数的选择在 var方程中选 view-lag structure-lag length criteria-出现滞后期可以在有限的限度内改动-ok星号表示最优滞后期数，当然小于此滞后期数也是可以的，否则不是最优的。5、 脉冲响应函数在 var方程中选 view-impulse responses-出现以下界面Comment 微微微微4: 314由于 VEC模型仅仅适用于协整序列，所以应先运行 JJ协整检验，并确定协整关系数。分别填上相应的内容-确定其中 impulses项表示冲击量，比方说 y，re
8、sponses 项表示被冲击量，就是说给 y一单位的冲击引起的 x的相应的变化的方向和趋势。6、 方差分解方差分解比脉冲反应更进一步，能看到给 y一单位冲击引起 x方差的变化的百分比，具体到数值在 var方程中选 view-variance decompositions-确定7、 单位根检验同单方程中的 18、 协整检验这里使用以 var模型为基础的 JJ检验，在 var方程中选 view- （里面有些选项可以自己调整）-确定结果会显示有几个协整关系，比方只要有一个就说明存在协整关系。9、 误差修正模型在 eviews 窗口中选 quick-estimate var-Var类型里面选第二项（误
9、差修正）-内生变量的地方输入相应的变量的名称-确定以 word“建立 var模型”的结果为例进行说明Vector Error Correction EstimatesDate: 07/20/10 Time: 10:49Sample (adjusted): 1988 2007Included observations: 20 after adjustmentsStandard errors in ( ) & t-statistics in Cointegrating Eq: CointEq1LNY(-1) 1.000000LNK(-1) -0.248744(0.23721)-1.04861C -
10、7.329357Error Correction: D(LNY) D(LNK)CointEq1 0.132571 0.047245(0.07221) (0.01914) 1.83589 2.46844D(LNY(-1) 0.670592 0.209429(0.40806) (0.10816) 1.64337 1.93633D(LNY(-2) -0.161643 0.033173(0.31014) (0.08220)-0.52119 0.40354D(LNK(-1) -1.565732 0.503038(1.42786) (0.37846)-1.09656 1.32917D(LNK(-2) 0.
11、471092 -0.038675(1.36380) (0.36148) 0.34542 -0.10699C 0.142888 0.030756(0.06898) (0.01828) 2.07134 1.68208R-squared 0.571067 0.975577Adj. R-squared 0.417876 0.966855Sum sq. resids 0.014034 0.000986S.E. equation 0.031661 0.008392F-statistic 3.727820 111.8466Log likelihood 44.24151 70.79792Comment 微微微
12、微5: 372状态空间模型被用来估计不可观测的时间变量：理性预期，测量误差和不克观测因素，表示动态系统优点：1、将不可观测的变量并入课观测模型并与其一期得到估计结果；第二，利用迭代算法卡尔曼滤波来估计。Akaike AIC -3.824151 -6.479792Schwarz SC -3.525432 -6.181072Mean dependent 0.091857 0.092827S.D. dependent 0.041497 0.046094Determinant resid covariance (dof adj.) 2.86E-08Determinant resid covarianc
13、e 1.40E-08Log likelihood 124.0651Akaike information criterion -11.00651Schwarz criterion -10.30949黄色部分为协整关系向量蓝色部分表示回归结果中的误差修正项剩下的为回归结果中的其他部分Chow分割点检验：回归完方程view稳定性检验chow 分割点检验（View/Stability Tests/Chow Breakpoint Test）原始假设为不存在分割点，即 p值越小越存在分割点。之后进行状态空间估计。状态空间模型：ADF协整 HP滤波及结构检验模型状态空间估计signal y=c(1)+sh1
14、*sd+sh2*sf+sh3*sy+var=exp(c(2)state sh1=sh1(-1)state sh2=sh2(-1)state sh3=sh3(-1)递归方法Sspace: AMethod: Maximum likelihood (Marquardt)Date: 09/25/10 Time: 13:58Sample: 1985 2008Included observations: 24Failure to improve Likelihood after 1 iterationCoefficient Std. Error z-Statistic Prob. C(1) -7.6629
15、14 2009.397 -0.003814 0.9970C(2) -0.001901 0.501239 -0.003792 0.9970Final State Root MSE z-Statistic Prob. SH1 0.172613 0.547302 0.315389 0.7525SH2 -0.501901 0.230863 -2.174017 0.0297SH3 4.008979 0.867977 4.618761 0.0000Log likelihood -49.52940 Akaike info criterion 4.294116Parameters 2 Schwarz crit
16、erion 4.392288Diffuse priors 3 Hannan-Quinn criter. 4.320161黄色部分为变系数看图形Procmake state seriesSH1F SH2F SH3F1.484060521001914-1.4122450988044891.1457842161513722.2968971639166050.038905843655996361.8815969882169234.5262614486979640.1711171289587762-0.84296914384975370.3186610655479622-0.19732736349052
17、294.165454228588089-2.542583179670291-0.40342400944473217.6201741557133315.063588888454787-0.08048029600052892-1.7943429133333884.53105635273 - -662 0.23156878590668741.2582554335949020.8390406994687498-0.52563003386990883.1773937360383080.2680721466024069-0.55963092122170663.874225217962095-0.38710
18、82627374778-0.58817687079116814.683915453339028-0.2028032943391913-0.5881737584130494.448991634324133-0.1653370997921405-0.58858189855399014.400804207239787-0.1379131566776133-0.5892821595318144.36511182994830.08663896505972066-0.60521775415623694.0635186612899910.1320842611575442-0.6069628770076371
19、4.0033262874212190.1210832779202837-0.607100287498184.0175744419485490.1307378394819293-0.60687547848688924.0050248887429710.1525285323961383-0.59037638428290023.9858787831470410.1421133260257411-0.51981254383353994.0398129485370770.1378629277443705-0.47330808285353984.0709849094462970.130375130675154-0.46039051058130994.0881966680827460.1323345158125507-0.46362880762862064.083791257946580.1498342740737349-0.48068272727966554.0509317665672040.1726130589366357-0.50190125992986244.008979455162134保存下找到相应数据行列view 看图
