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

1. 选择数据类型
2. 填写样本数量

2、时间序列数据

1. 选择数据类型
2. 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。