eviews操作手册

(2)

将（2）代入（1）式，则HP滤波的问题就是使下面损失函数最小，即

最小化问题用

来调整趋势的变化，并随着λ的增大而增大。这里存在一个权衡

问题，要在趋势要素对实际序列的跟踪程度和趋势光滑度之间作一个选择。＝0时，满足最小化问题的趋势等于序列；λ增加时，估计趋势中的变化总数相对于序列中的变化减少，即λ越大，估计趋势越光滑；λ趋于无穷大时，估计趋势将接近线性函数。

选择Procs/Hodrick Prescott Filter，首先对平滑后的趋势序列给一个名字，Eviews将默认一个名字，但你也可填入一个新的名字。然后给定平滑参数λ的值，一般经验地，λ的缺省值如下：

不允许填入非整数的数据。点击OK后，Eviews与原序列一起显示处理后的序列。 §7.11命令

命令的语法结构：序列名称、圆点、视图或过程名，再加上括号里的可选项。比如，如果要察看序列名为lwage的直方图和描述统计量，则命令形式为lwage.hist；如果要检验序列HRS的均值是否等于3，则命令形式为hrs.teststat(mean=3)；如果要得到序列GDP滞后20阶的相关图，则命令形式为gdp.correl(20)。如果要用HP滤波光滑序列GDP，参数为1600，并且光滑后的序列保存为GDP_HP,则命令格式为gdp.hpf(1600) gdp_hp。

第八章 组

这一章描述了组对象的视图与过程。对一个组我们可以计算各种统计量，描述不同序列之间的关系，并以各种方式显示出来，例如表格、数据表、图等。 §8.1组窗口

组窗口内的view下拉菜单分为四个部分：第一部分包括组中数据的各种显示形式。第二部分包括各种基本统计量。第三部分为时间序列的特殊的统计量。第四部分为标签项，提供组对象的相关信息。 §8.2组成员

这部分显示组中的序列，在组窗口内进行编辑就可以改变组。按Update Group键保存改动。 §8.3表格

以表格形式显示组中的每一序列。通过单击Transpose键，可以使表格的行列互换。单击Transform键，选择下拉菜单中一项，可以用序列的不同形式（如水平或百分比）显示表格。 §8.4 数据表

一、数据表（Dated Data Table）：数据表用来建立表以显示数据、预测值和模拟结果。可以不同的形式显示组中的数据。你可以用其作一般的变换及频率转换，可以在同一表中以不同频率显示数据。

二、建立一个数据表：要建立一个数据表，首先建立一个包含序列的组，选View/ Dated

Stata\\Eviews\\SPSS学习交流群:201496686

13

Data Table。

三、表的设定：单击Taboption钮,显示table options对话框，对话框的上半部分控制表一般形式。左边的选项允许你在两种显示模式中转换：第一种显示模式每行显示n年的数据。第二种模式允许你指定从工作文件样本区间的末尾取出的观测值的数目，这些观察值以年频率之外的一种频率显示。

对话框右上部First Column描述组的第一列的显示频率，Second Column控制组的第二列的显示。 §8.5图

以图形的形式显示组中的序列。可以通过freeze创造图形对象。第10章解释了如何编辑及修改图形对象。

一、Graph将所有序列显示在一个图内。要单独显示各个序列，参照第205页 “Multiple graphs”。

1、 曲线图和直方图：此项用曲线图或直方图表示组中的序列。 2、散点

图：序列的散点图有五个选项：simple scatter ， scatter with regression ，scatter with nearest neighbor fit ，scatter with kernel fit，XY Pairs。 3、XY

线（XY Line）：显示组中序列的XY线图。X轴方向显示第一个序列，Y轴方向显示其余的序列。 4、差距条

状图（Error Bar）：此项以竖线显示组中前两个或三个序列的差距。第一个序列作为“高”值，第二个作为“低”值。高、低值之间用竖线连接。第三个序列用一个小圆圈表示。 5、高低点图（High-low（Open-Close））

第一个序列是高值，第二个序列是低值，高值低值之间由一条竖线连接。如果高点值低于低点值，就以线段上的空白来表示。如果使用三个序列，第三个序列作为高-低-收盘图的close值，以竖线右边的横线表示。如果使用四个序列，第三个序列代表开盘价，以左边的横线表示。第四个序列代表收盘价，以右边的横线表示。 6、圆

饼图：以圆饼图的形式显示观测值。以饼中的扇形表示每一序列在组中所占的百分比。 二、复合图（Multiple graphs）

图（Graph）用一张图显示所有序列，复合图（Multiple Graphs）为每个序列显示一张图。主要有：曲线图和直方图，散点图，XY线，分布图。 §8.6描述统计量

显示组内序列的简单统计量。Common Sample用于在组中序列无缺失值的情形下计算统计量（去掉包含缺失项所在时期的样本）。Individual Samples用每一个序列有值的观测值进行统计量计算（去掉缺失项）。 §8.7相等检验

这一部分的原假设是组内所有的序列具有相同的均值、中位数或方差（详见第七章）。只有在组中数据都不存在缺失项时才能选common sample项。 §8.8相关、协方差及相关图

相关和协方差：显示了组中序列的相关及协方差距阵。Common Sample会去掉序列丢失项所在时期的观察值，Pairwise Sample仅去掉丢失的值。 §8.9交叉相关

显示组中头两个序列的交叉相关。交叉相关不必围绕滞后期对称。交叉相关图中的虚线

Stata\\Eviews\\SPSS学习交流群:201496686

14

是二倍的标准差，近似计算。

§8.10 Granger因果检验

主要看现在的y能够在多大程度上被过去的y解释，然后再加入x的滞后值是否使解释程度提高。如果x在y的预测中有帮助，那就是说y是由x Granger-caused。当你选择了Granger Casuality，在对话框输入滞后阶数。一般的要使用大一些的滞后阶数，你应该指定滞后期长度i。Eviews采用二元回归形式对所有组内可能的对（x,y），F统计量为具有联合假设的Wald统计量，联合假设为。对每个方程，原假设为在第一个回归中x不Granger-cause y，第二个回归中y不Granger-cause x。如果你想对其它外生变量（如季节dummy变量或线性趋势）进行Granger causalilty检验，直接用方程进行检验回归。 §8.11 标签

显示对组的描述。你可以编辑标签中的任何项，除了Last Update。Name是组在工作文件中显示的名字。你可以通过编辑这一项给组重命名。如果你在Display Name区中填入字符，Eviews将用这个名字在组中显示某些图和表。 §8.12 组过程

组中可以得到三个过程：Make Equation：打开一个确定方程的对话框，组中的第一个序列作为因变量，其余的序列作为自变量，包含常数项C。你可以随意改变方程的表达式。Make Vector Autoregression 打开一个无限制的vector autoregression对话框。组中所有的序列在VAR中都为内生变量，。指定VAR表达式及估计见第19章。Resample可以改变组中所有序列的样本区间。有关详细内容见173页的“Resample”。 §8.13 命令

利用命令也可对组进行操作。一般规则是：组名后加点、视图或过程的命令名，括号中是指定选项。比如

grp1.scat可以得到一个组（grp1）的散点图；

gp_wage.testbet(med)可以检验组(gp_wage)中各序列的均值是否相等；grp_macro.cross(12)可以得到两个序列到12阶的交叉相关系数。

第九章 应用于序列和组的统计图

在本章，列出了几种散点图且允许我们可以用有参数或无参数过程来做拟合曲线图。 §9.1 序列的图菜单

列出了三种描述序列经验分布特征的图。 §9.1.1 CDF—Surivor—Quantile图

这个图描绘出带有加或减两个标准误差带的经验累积分布函数，残存函数和分位数函数。选择View/Distribution Graphs/CDF—Surivor—Quantile

CDF是来自于序列中观测值r的概率 Surivor(残存)操作用来描绘序列的经验残存函数 Quantile(分位数）操作用来描绘序列的经验分位数。对的分位数 满足：

且

All选项包括CDF，Survivor和Quantile函数。

Saved matrix name可以允许你把结果保存在一个矩阵内。

Iclude standard errors(包括标准误差) 操作标绘接近95%的置信区间的经验分布函数。 §9.1.2 Quantile—Quantile图

Quantile—Quantile(QQ图)对于比较两个分布是一种简单但重要的工具。如果这两个分

Stata\\Eviews\\SPSS学习交流群:201496686

15

布是相同的，则QQ图将在一条直线上。如果QQ图不在一条直线上，则这两个分布是不同的。有Normal(正态)分布、Uniform(一致)分布、Exponential(指数)分布、Logistic(螺线)分布、Extreme value(极值)分布。 §9.1.3 Kernel Density（核密度）

这个视图标绘出序列分布的核密度估计。核密度估计用“冲击”代替了直方图中的“框”所以它是平滑的。平滑是通过给远离被估计的点的观测值以小的权重来达到的。 一个序列X在点x的核密度估计式：

这里，N是观测值的数目，h是带宽（或平滑参数），K是合并为一体的核函数。 选择View/Astribution Graphs/Kernel Density…… §9.2带有拟合线的散点图

通过view/Graph/Scatter打开一个组的视图菜单包括四种散点图。

一、Simple Scatter（简单散点图）其第一个序列在水平轴上，其余的在纵轴上。 二、Scatter with Regression(回归散点图)

就是在组中对第一个序列及第二个序列进行总体变换来进行二元回归，选择Regression Robustness lterations(稳健叠代)

最小二乘法对一些无关观测值的存在非常敏感，稳健叠代操作就是产生一种对残差平方的加权形式，使无关的观测值在估计参数时被加最小的权数。选择叠代次数应是一个整数。 三、Scatter with Nearest Neighber Fit(最邻近拟合散点图)

就是一种带宽基于最邻近点的局部回归.对样本中的每一数据点，它拟合出一条局部的并经加权的回归线。 1．Method操作

你可以选择在样本中的每一个数据点作局部回归或在数据点的子集中作局部回归。 （1）Exact(full sample)在样本中的每一数据点都作局部回归

（2）Cleveland subsampling在选取的子样本中进行回归，你可以在编辑框中键入子样本的大小。

2．Specification操作

因为要靠子样本点周围的点来进行局部回归，并来求拟合值， （1）Bandwidth span（带宽范围） （2）Polynomial degree(多项式次数) 3．其他操作

（1）Local weighting (Tricube)局部加权

给每个局部回归的观测值加权，加权回归使残差方最小 （2）Robustness Iterations(稳健叠代)

通过调整权数去降低外离的观测值的权重来叠代局部回归.

（3）Symmetric Neighbors（对称邻近）使被估计点的两侧有相同数目的观测值。 四、Scatter with Kernel Fit（核拟合分布）

核拟合则固定带宽且局部的观测值通过核函数来加权。 局部核回归拟合通过选取参数β使总体二乘残差最小。

Method则与核分布中介绍相一致，也分为精确和线性单元两种方式。 Fitted series 可以在编辑框中给拟合后序列起名，然后存起来。

Bracket Bandwidth即为0.5α，α，1.5α，还是分别以_ L、_M、_H做后缀。 §9.3函数命令

Stata\\Eviews\\SPSS学习交流群:201496686

16