eviews方程怎么写( 二 ) _方程

x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。模型检验： 1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度 F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设（所有系统为0的假设）犯错误（第一类错误或α错误）的概率（收尾概率或相伴概率）p值，若p小于置信度（如0.05）则可以拒绝0假设，即认为方程显著性明显。2）回归系数显著性检验（t检验）：检验每一个自变量的合理性 |t|大于临界值表示可拒绝系数为0的假设，即系数合理。
t分布的自由度为n-p-1,n为样本数， p为系数位置 3)DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立）残差：模型计算值与资料实测值之差为残差 0demo中的dw=0.141430 ,dl=1.73369,du=1.7786 ，所以存在正相关模型评价目的：不同模型中择优 1）样本决定系数R-squared及修正的R-squared R-squared=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。Adjust R-seqaured=1-(n-1)/(n-k)(1-R2) 2）对数似然值（Log Likelihood ，简记为L）残差越小， L越大 3)AIC准则 AIC= -2L/n+2k/n ，其中L为 log likelihood,n为样本总量， k为参数个数。
AIC可认为是反向修正的L,AIC越小说明模型越精确。4)SC准则 SC= -2L/n + k*ln(n)/n 用法同AIC非常接近预测forecast root mean sequared error(RMSE)均方根误差 Mean Absolute Error(MAE)平均绝对误差这两个变量取决于因变量的绝对值， MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPETheil Inequality Coefficient（希尔不等系数）值为0-1 ，越小表示拟合值和真实值差异越小。
偏差率（bias Proportion）,bp ，反映预测值和真实值均值间的差异方差率（variance Proportion）,vp ，反映预测值和真实值标准差的差异协变率（covariance Proportion）,cp ，反映了剩余的误差以上三项相加等于1 。预测比较理想是bp,vp比较小，值集中在cp上。
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？其他 1)Chow检验 chow's breakpoint检验零假设是：两个子样本拟合的方程无显著差异。
有差异则说明关系中结构发生改变 demo中 Chow Breakpoint Test: 1977Q1 F-statistic 2.95511837136742 Prob. F(3,174) 0.0339915698953355 Log likelihood ratio 8.94507926849178 Prob. Chi-Square(3) 0.0300300700620291 p值问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2,1976Q3开始两个p值才小于0.05 ，并且有逐渐减小之势。chow's forecast检验用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。
0假设是：模型与后段样本无显著差异 demo中的1976Q4作为break point ，得到两个p值为0 ，即认为两段样本的系数应该是不同的。2）自变量的选择 testadd检验：操作方法是： eqation name.testadd ser1 ser2。