@sqr(@var(y)*n/(n-1))＝@meandep（被解释变量标准差）。
?11．Akaike info criterion（赤池信息准则 AIC?ln????Schwarz criterion（施瓦兹信息准则SC?ln????en2i?2(k?1)）＝9.929800 ???n??en2i?k?1?lnn）＝10.02854 ??n?这两个指标用来比较含有不同解释变量个数模型的拟合优度好坏，显然，两个值越小表
明拟合优度越高。
12．F-statistic （总体F检验值）F?ESS/1RSS/(n?2)＝2859.544＝@F 。
13．（ F检验概率或相伴概率）Prob(F-statistic)＝0.000000：类似t检验理解。若?取值低于这里的p值，则易犯第一类错误。
n??t?????tS(?)?/2,n?214．?1区间估计：1?/2,n?21=1?i?1ei2n(n?2)/?xii?12，
??1?0.2234191，给定显著水平?＝5％，则置信水平为1－?＝95％，查表得t?/2,n?2＝2.571
（?/2＝0.025％，n-2＝5），下限：c(2)-2.571*@stderrs(2)＝0.1951738，上限：
c(2)+2.571*@stderrs(2)＝0.2516644。
n或由前面的
?2．知道，?1的标准差S(?1)??i?1ei2n(n?2)?i2＝0.0109861，所/?xi?1以，0.2234191-2.571×0.0109861，我们有95％的可能性说真值?1落在（0.1951738，0.2516644）内。
注：eviews中，输入“=0.2234191-2.571*0.0109861”回车得计算结果。
n?ei2i?1(1????Var(y?y)xyy15．已知0求0及0区间估计：00＝(n?2)n1?02xn)2i??xi?1，
n?e????0?t?/2,n?2区间估计y0?t?/2,n?2Var(y0?y0)?yi?12i(n?2)(1?1n??02xn?i?1?i2x)
?0?t?/2,n?2????y(1?1n??02xn?0＝c(1)+c(2)*9800＝)。假设x0＝9800，y2i??xi?1???＝@se＝55.061602838，2219.55905806，n＝7，查表得t?/2,n?2＝2.571，??5%时，
?0x2n＝(9800-@mean(x))^2＝18490000，
??xi?12i＝@sumsq(x-@mean(x))＝25119644。
2219.55905806-2.571*55.061602838*(1+1/7+18490000/25119644)^0.5 ＝2025.51214370846（下限）。
2219.55905806+2.571*55.061602838*(1+1/7+18490000/25119644)^0.5 ＝2413.60597241154（上限）。 简单方法：
（1）ls y c x，使得内存中存在方程?yi＝30.052368+0.2234191xi。 ?0?t?/2,n?2???（2）假设x0＝9800，y(1?1n??02xn)
2i??xi?1下限：genr xx=c(1)+c(2)*9800-
2.571*@se*@sqr(1+1/7+(9800-@mean(x))^2/@sumsq(x-@mean(x))) ＝ 2025.51214371
上限：genr sx=c(1)+c(2)*9800+
2.571*@se*@sqr(1+1/7+(9800-@mean(x))^2/@sumsq(x-@mean(x))) ＝2413.60597241
故y0的预测区间为：（2025.512，2413.606）
?0的方法：（1）ls y c x，使得内存中存在方程?麻烦但是容易掌握的计算yyi＝
30.052368+0.2234191xi。
?0？执行ls y c x后①扩展工作区间：expand 1991 （2）假设x0＝9800，如何计算y1998；②确定预测值的起止日期：smpl 1998 1998；③data x，在1998年输入x0＝9800；y0＝2219.559；④执行forcst z；⑤show z，1998年的z的值就是我们要得到的预测值?⑥恢复起止日期smpl 1991 1997。
结论：有95％的可能性y0落在（2025.51，2413.61）内。 16．几个常用命令：（1）Cov x y：cov(x,y)?阵。Cor x y：cor(x,y)??(xi?x)(yi?y)/n协方差矩?x)2?(xi?x)(yi?y)/(?(xi?(yi?y))相
2关矩阵。
（2）plot 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。双击图形可改变显示格式。
（3）scat x y：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。
17．descriptive stats（描述统计）：双击x，然后在x的变量窗口选择view/descriptive stats，可以得到x的各个数字特征：均值mean、中位数median、最大值max、最小值min、反映变量离散程度的标准差std.Dev、偏态系数（S）和峰态系数（K（）S??(xi?x)/ns，
33K??(xi?x)/ns244，s即标准差
?(xi?x)/(n?1)。对于对称分布，S＝0；S>0表明存在
右偏态；对于正态分布，K＝3，当K>3时，分布比较陡峭）、Jarque-Bera统计量用于检验变量是否服从正态分布
22S?(K?3)/4?（JB?6???/n: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（因此如果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）。还可看到histogram取值频率直方图（34页本例中：x取值3000-4000的有两个，所以直方图较高；偏态系数S＝0.33>0出现右偏, 峰态系数K<3与正态分布相比比较平缓；JB＝0.55，JB的相伴概率＝0.75，说明我们有25％的概率说X服从正态分布，若取显著水平<0.25,则易犯第一类错误）。
18．预测问题：首先执行load ; ls y c x ; 在方程窗口点击才procs/forecast，eviews
2400200016001200800Forecast: YFActual: YForecast sample: 1991 1997Included observations: 7Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 199219931994YF19951996199746.5355540.963503.3728890.0175140.0000000.0030040.9969964001991将产生一个新的对话框，点击确定后生成一个以原因变量y名+f的y的预测值yf，实际上，yf?i；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＝y似95％的置信区间，图形右边的附表提供了一系列对模型的评价指标，从上依次为：①预测变量名yf；②原变量名y；③样本区间1991-1997；④包括7个样本点；⑤绝对指标RMSE均方
根误差RMSE?1ni2?yi)，其大小取决?(y?n1于因变量的绝对数值和预测值：验证genr
z=@sqr(@sumsq(yf-y)/7)=46.53555；⑥绝对指标MAE平均绝对误差MAE?1ni?|y?n1?yi|，其大小取决
于因变量的绝对数值和预测值：验证genr
z=@sum(@abs(yf-y))/7=40.96350；⑦常用的相对指标MAPE平均绝对百分误差
nMAPE?1n?|1?i?yiyyi?100|，验证genr z=@sum(@abs(yf-y)*100/y)/7=3.372889，
若MAPE的值小于10，则认为预测精度较高；⑧希尔不等系数
1TheilIC?1nnni?(y?n1?yi)1nn2，验证genr
?1?i2?y?1yi2z=@sqr(@sumsq(yf-y)/7)/( @sqr(@sumsq(yf)/7)+@sqr(@sumsq(y)/7))=0.017514，希尔不等系数总是介于0-1之间，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；⑨均方误差MPE可分解为
1ni?(y?n1??y)?(?y?yi)?(y，???y)?2(1?r)?y??y222?的均值，y是实际序列的均值，?是预测值y其中y分别是预测值和实际值的标准差，r是它们?y?,?y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，并且这三项指标之和等于1，计算公式是：偏差率
BP???y)(y1ni2??y，（OLS中y故BP＝0）、
2?(y?n1?yi)方差率VP?(?y???y)1n2、协变率CP?22(1?r)?y??1niy2?1?BP?VP。BP反
?n1?i?yi)(y?(y?n1?yi)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。
当预测比较理想时，均方误差大多数集中在协变率CP上，其余两项较小。
本例预测结果：平均绝对百分误差MAPE=3.37<10、希尔不等系数=0.0175非常小、CP
相关推荐：
loading