EViews在數據分析中的應用

 

　　

第1篇  EViews數據分析基礎

第1章  EViews概述 2

1.1  EViews基礎 2

1.1.1  EViews的版本和安裝 2

1.1.2  EViews的啟動與退出 3

1.1.3  EViews的主窗口 4

1.2  工作文件 6

1.2.1  新工作文件的建立 6

1.2.2  讀取外部數據 7

1.2.3  工作文件窗口 9

1.3  對象 10

1.3.1  對象的建立 11

1.3.2  對象窗口 11

1.3.3  生成新序列 13

1.4  上機練習 14

第2章  EViews基本數據分析（單序列） 16

2.1  數據的展示 16

2.1.1  電子表格 17

2.1.2  繪圖 17

2.2  基本統計量分析和檢驗 18

2.2.1  描述性統計量和檢驗 18

2.2.2  單因素統計表 31

2.2.3  重復值分析 32

2.3  時間序列分析 34

2.3.1  相關圖 34

2.3.2  長期方差 35

2.3.3  單位根檢驗 36

2.3.4  斷點單位根檢驗 38

2.3.5  季節單位根檢驗 40

2.3.6  方差比率檢驗 42

2.3.7  BDS獨立性檢驗 45

2.3.8  預測效果評估 45

2.3.9  小波分析 48

2.4  標簽 48

2.5  上機練習 49

第3章  EViews基本數據分析（序列組） 51

3.1  數據展示和基本操作 51

3.1.1  建立組 51

3.1.2  序列組數據比較 53

3.1.3  建立帶日期的數據表格 53

3.1.4  序列組繪圖 55

3.2  基本統計量分析和檢驗 55

3.2.1  基本描述性統計量和檢驗 55

3.2.2  多因素統計表分析 56

3.2.3  重復值分析 59

3.2.4  協方差和相關性分析 59

3.2.5  齊性檢驗 61

3.2.6  主成分分析 61

3.3  時間序列分析 64

3.3.1  相關圖 65

3.3.2  交叉相關關系 65

3.3.3  長期方差 66

3.3.4  單位根檢驗 66

3.3.5  協整檢驗 67

3.3.6  格蘭傑因果檢驗 68

3.4  標簽 69

3.5  上機練習 69

第4章  EViews數據圖形化分析 70

4.1  基本繪圖功能 70

4.1.1  快速繪圖 70

4.1.2  圖形的個性化設置 71

4.1.3  圖形對象 73

4.2  分類圖 75

4.3  動態圖 78

4.4  上機練習 80

第2篇  EViews經典線性回歸模型

第5章  經典的回歸模型 84

5.1  經典線性回歸模型 84

5.1.1  經典線性回歸模型的假設 84

5.1.2  最小二乘估計 85

5.1.3  建立回歸模型的步驟 85

5.2  經典線性回歸模型的擬合 85

5.2.1  一元線性回歸模型的估計 86

5.2.2  多元線性回歸模型的擬合 97

5.2.3  非線性回歸模型的擬合 98

5.3  含虛擬變量的回歸模型 105

5.3.1  虛擬變量的含義 105

5.3.2  虛擬變量的擬合 105

5.4  上機練習 107

第6章  違背經典線性回歸模型假設的修正 109

6.1  多重共線性 109

6.1.1  多重共線性的含義和影響 109

6.1.2  多重共線性的解決方法 110

6.1.3  逐步回歸法 110

6.2  異方差 114

6.2.1  異方差的含義和影響 114

6.2.2  EViews異方差的修正 115

6.2.3  加權最小二乘法 115

6.3  自相關 121

6.3.1  自相關的原理 121

6.3.2  自相關的檢驗和修正 122

6.3.3  廣義最小二乘法 123

6.4  擾動項相關 128

6.4.1  擾動項原理 128

6.4.2  二階段最小二乘法 128

6.4.3  LIML與GMM方法 130

6.5  上機練習 131

第3篇  EViews時間序列模型

第7章  時間序列模型與預測 136

7.1  平穩性和純隨機性 136

7.1.1  平穩性 136

7.1.2  純隨機性 136

7.2  平穩性檢驗和純隨機性檢驗 137

7.2.1  單位根檢驗 138

7.2.2  純隨機性檢驗 139

7.3  AR與MA模型 140

7.3.1  AR模型 140

7.3.2  經典線性回歸模型與AR模型 147

7.3.3  MA模型 148

7.4  ARMA模型 151

7.4.1  ARMA模型的擬合 152

7.4.2  ARMA模型的預測 156

7.5  單整與ARIMA模型 157

7.5.1  差分和單整 158

7.5.2  ARIMA (p, d, q)模型估計 158

7.5.3  ARIMA疏系數模型 164

7.6  上機練習 169

第8章  帶季節效應的時間序列模型 171

8.1  Census X-13季節調整模型 171

8.2  指數平滑預測模型 174

8.2.1  簡單指數平滑法 174

8.2.2  ETS指數平滑法 177

8.3  加法和乘法模型 178

8.4  ARIMA加法模型 181

8.5  ARIMA乘法模型 185

8.6  上機練習 189

第9章  條件異方差模型 191

9.1  異方差問題 191

9.1.1  異方差的定義 191

9.1.2  異方差的判斷 192

9.1.3  方差齊性變換 193

9.2  ARCH與GARCH模型 196

9.2.1  集群效應 196

9.2.2  ARCH模型 198

9.2.3  GARCH模型 199

9.3  GARCH模型的擬合 199

9.4  GARCH的衍生模型 211

9.4.1  IGARCH模型 211

9.4.2  GARCH-M模型 212

9.4.3  TGARCH模型 212

9.4.4  EGARCH模型 213

9.5  上機練習 213

第10章  向量自回歸模型 215

10.1  VAR模型的特徵 215

10.2  VAR模型的估計 216

10.3  上機練習 227

第11章  協整相關模型 229

11.1  單整 229

11.1.1  單整的概念 229

11.1.2  單整的性質 229

11.2  協整 230

11.3  Engle-Granger協整檢驗 230

11.4  Johansen協整檢驗 235

11.5  誤差修正模型 239

11.5.1  ECM模型 240

11.5.2  VEC模型 242

11.6  自回歸分佈滯後模型 246

11.6.1  ARDL模型的原理 246

11.6.2  ARDL模型估計 247

11.6.3  OLS估計 249

11.7  模型總結 250

11.8  上機練習 251

第4篇  EViews的其他模型

第12章  離散和受限因變量模型 254

12.1  二元因變量模型 254

12.1.1  二元因變量的原理 254

12.1.2  二元因變量模型的操作 255

12.2  審查回歸模型 257

12.2.1  審查回歸的原理 258

12.2.2  審查回歸模型的操作 258

12.3  截斷回歸模型 261

12.3.1  截斷回歸的原理 261

12.3.2  截斷回歸模型的操作 261

12.4  排序因變量模型 263

12.4.1  排序因變量的原理 263

12.4.2  排序因變量模型的操作 264

12.5  上機練習 267

第13章  混合數據與面板數據分析 269

13.1  混合數據與面板數據的區別 269

13.2  混合數據的分析 270

13.2.1  混合數據工作文件 270

13.2.2  混合數據對象 271

13.2.3  混合數據的操作 274

13.3  混合數據模型的估計 280

13.3.1  無固定效應模型 280

13.3.2  固定效應模型 282

13.3.3  隨機效應模型 284

13.3.4  模型檢驗 285

13.4  面板數據的分析 288

13.4.1  建立面板數據文件 288

13.4.2  面板數據模型的估計 290

13.5  上機練習 293

參考文獻 295

 

 

EViews在數據分析中的應用

　　

目錄

　　

·X·

　　

　　

·IX·