目录
一、创建工作文件
1、非时间序列数据
2、时间序列数据
二、导入数据
1、导入数据
2、保存数据组合或方程结果
三、估计回归模型
1、估计回归模型
2、回归结果名词解读
四、检验模型设定错误
1、检验是否遗漏变量
2-1、检验是否加入了不相干变量
2-2、惩罚新增变量
3、修改函数形式：生成新变量
五、描述性统计分析
1、按组打开
2、查看样本均值
3、样等性检验
六、多重共线性的检验
1、相关系数检验
2、VIF 膨胀因子检验
七、异方差的检验和补救
1、图解法（检验）
2、White 检验
3、White 调整法（补救）
八、序列相关性的检验和补救
1、DW 值（检验）
2、LM (BG) 检验
3、GLS 法（补救）
4、Newey-West 法（补救）
九、虚拟因变量
1、Logit 模型
2、Probit 模型
本文只是介绍如何使用 EViews，不包含任何的回归结果分析。
一、创建工作文件
1、非时间序列数据
- 选择数据类型
- 填写样本数量
2、时间序列数据
- 选择数据类型
- 填写开始年份和截止年份
二、导入数据
EViews 自带数据：
- c 是截距项
- resid 是残差
1、导入数据
假设这是我们需要导入的数据：
在 EViews 中输入命令：
- y 对应税收 Y（名称自取，不一定非得是 y！）
- x 对应 GDP X（名称自取，不一定非得是 x！）
data y x得到如下弹框：
将数据复制粘贴进去，Word 或 Excel 都支持对框选的数据进行复制粘贴：
选中第一个框，直接 Ctrl+v，剩下的数据同理：
2、保存数据组合或方程结果
不管是保存数据组合还是保持方程结果，都是点这个 “name”：
至此你导入的数据和保存的数据组合如下图所示：
三、估计回归模型
第一节用的数据太简单了，不方便展示，因此改用如下数据：
- 被解释变量：大学图书馆的藏书量（VOL）
- 解释变量：大学学生人数（STU）、大学教职工人数（FAC）、本科录取分数线（SAT）
1、估计回归模型
输入以下命令：
- ls 是指线性回归
- 必须以 c 间隔被解释变量和解释变量
- 解释变量之间没有先后顺序要求
ls vol c stu fac sat得到回归模型：
2、回归结果名词解读
第三个红框，从左到右依次是：
- 参数估计值
- 标准差
- t 统计量
- p 值
常用统计量，从上到下依次是：
- 拟合系数 R^2
- 调整后的拟合系数 R一把^2
- F 统计量
- p 值
四、检验模型设定错误
三大模型设定错误：
- 遗漏变量
- 加入了不相干变量
- 函数形式错误
1、检验是否遗漏变量
假设我们不小心遗漏了变量 sat，如下：
ls vol c stu fac按照下图所示点击相应选项检验是否遗漏变量：
输入 sat，因为我们认为它可能是遗漏的变量：
看这三个检验结果即可，它们都一致认为 sat 是遗漏变量：
2-1、检验是否加入了不相干变量
当前解释变量为 stu、fac、sat，检验 stu 是否是不相干变量：
看这三个检验结果即可，它们都一致认为 stu 是不相干变量：
2-2、惩罚新增变量
- 赤池信息准则（AIC）
- 施瓦茨信息准则（SC）
用于在新增变量前的模型和新增变量后的模型之间比较，两个的值越低越好：
3、修改函数形式：生成新变量
假设我们需要把原模型变成双对数形式，那么就需要对每个变量取对数。在 EViews 中的实现方式就是生成新的变量，利用新变量重新做一次回归。
- genr 是生成新变量的指令
- lnvol 是新变量的名称
- log() 是函数
- vol 是原变量
genr lnvol=log(vol)
genr lntot=log(tot)
genr lnsat=log(sat)再利用新变量做回归：
ls lnvol c lntot lnsat五、描述性统计分析
1、按组打开
ctrl+鼠标左键，依次点击我们需要的数据，选好后点击右键：
数据在组中的排列顺序=鼠标选择的顺序：
2、查看样本均值
结果如下图所示：
3、样等性检验
检验不同样本的均值是否存在显著差异
选择均值 mean：
看这两个结果即可，表明不同样本的均值没有显著差异：
老师的 EViews 在 F 检验上面还有两种 t 检验，不知道为什么到我这版就没了。
六、多重共线性的检验
1、相关系数检验
将所需数据按组打开，并选择协方差分析：
这里改选相关系数，不要选协方差：
相关系数矩阵都是对称矩阵，所以可以只看主对角线下面的内容：
2、VIF 膨胀因子检验
VIF 是在回归方程结果页做的，不是按组打开数据那里：
只需要看第三列结果，VIF > 5 就认为存在多重共线性：
这里 STU 和 FAC 的 VIF 都大于 5，只有 SAT 置身事外，所以肯定是 STU 和 FAC 之间存在多重共线性。
七、异方差的检验和补救
1、图解法（检验）
将一个解释变量和 resid 按组打开，先选解释变量后选 resid，否则 x 和 y 轴颠倒了：
选择散点图：
可以看出残差的分布随 SAT 的增大而增大了，因此可能存在异方差：
2、White 检验
White 检验是在回归方程结果页做的，不是按组打开数据那里：
选择 White 检验，勾选框可以选择要不要交叉项：
White 检验的统计量是 nR^2，可以看出模型不存在异方差：
所以图解法不靠谱啊……
3、White 调整法（补救）
White 调整法只会修正标准差，不会影响到参数估计值：
八、序列相关性的检验和补救
1、DW 值（检验）
DW 统计量值是给你算出来了，但是要自己查表去看到底是不是序列相关：
2、LM (BG) 检验
DW 只能检验一阶，我们 LM 至少要检验个二阶：
结果是既没有一阶序列相关性，也没有二阶序列相关性：
3、GLS 法（补救）
引入解释变量 AR(m)，表示随机误差项 ε_t 的 m 阶滞后项 ε_(t-m)：
ls vol c stu fac sat ar(1) ar(2)两个滞后项的参数估计值不显著异于 0，因此不存在序列相关性；否则，标准差的值将得到修正，STU、FAC、SAT 的参数估计值也会改变。正因为原模型不存在序列相关性，所以修正前后的参数估计值不变，DW 值几乎也没有变：
4、Newey-West 法（补救）
NW 调整法只会修正标准差，不会影响到参数估计值：
九、虚拟因变量
1、Logit 模型
和 OLS 统计检验的三大区别：
- 参数估计值的显著性：t 检验 << z 检验
- 模型的拟合程度：R^2 << R^2_McF
- 模型的总体显著性：F 检验 << LR 检验
2、Probit 模型
类比 Logit 模型，就只是勾选的框框不同。
