1. 項(xiàng)目概述為什么Eviews和線性回歸是數(shù)據(jù)分析的“黃金搭檔”如果你正在處理經(jīng)濟(jì)學(xué)、金融學(xué)或者任何涉及時(shí)間序列和面板數(shù)據(jù)的課題那么“Eviews”這個(gè)名字對(duì)你來說一定不陌生。它不像Python或R那樣是“萬能”的編程語言但在計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域Eviews就是那個(gè)被無數(shù)論文、研究報(bào)告和商業(yè)分析驗(yàn)證過的“專業(yè)手術(shù)刀”。而線性回歸模型則是這把手術(shù)刀最常用、最核心的刀片。今天我們不談那些高深莫測的理論就從一個(gè)一線分析師的角度來手把手拆解如何在Eviews里從零開始完成一個(gè)“超詳細(xì)”的線性回歸分析全流程。這不僅僅是點(diǎn)幾個(gè)按鈕我會(huì)把每個(gè)步驟背后的邏輯、容易踩的坑以及像“ADF檢驗(yàn)”這樣的熱點(diǎn)問題都掰開揉碎了講清楚。很多人覺得用軟件做回歸就是導(dǎo)入數(shù)據(jù)、點(diǎn)擊“LS”最小二乘法然后看結(jié)果。但真實(shí)情況是一個(gè)可靠的回歸分析其80%的工作都在點(diǎn)擊“LS”之前。數(shù)據(jù)是否平穩(wěn)變量之間是否存在“偽回歸”模型設(shè)定是否合理這些才是決定你分析結(jié)論是否站得住腳的關(guān)鍵。所以這篇內(nèi)容會(huì)嚴(yán)格遵循一個(gè)嚴(yán)謹(jǐn)?shù)姆治隽鞒虜?shù)據(jù)準(zhǔn)備與診斷 - 模型設(shè)定與估計(jì) - 結(jié)果解讀與檢驗(yàn) - 問題排查與深化。我們的目標(biāo)不是得到一個(gè)漂亮的R-squared而是得到一個(gè)經(jīng)得起推敲、能真實(shí)反映變量間關(guān)系的可靠模型。2. 分析前的核心準(zhǔn)備數(shù)據(jù)導(dǎo)入與初步診斷在打開Eviews并興奮地開始回歸之前我們必須先冷靜下來處理好數(shù)據(jù)。這一步做不好后面所有精美的結(jié)果都可能是空中樓閣。2.1 數(shù)據(jù)導(dǎo)入的“門道”與結(jié)構(gòu)設(shè)定Eviews支持多種數(shù)據(jù)導(dǎo)入方式從Excel、CSV到直接連接數(shù)據(jù)庫。對(duì)于大多數(shù)初學(xué)者和日常分析從Excel導(dǎo)入是最常見的。這里有幾個(gè)關(guān)鍵細(xì)節(jié)創(chuàng)建工作文件Workfile這是Eviews所有操作的容器。你需要根據(jù)數(shù)據(jù)類型選擇頻率Frequency。如果是時(shí)間序列數(shù)據(jù)比如1990-2020年的年度GDP就選“Annual”如果是季度數(shù)據(jù)就選“Quarterly”如果是截面數(shù)據(jù)某一年多個(gè)省份的數(shù)據(jù)就選“Undated or irregular”。這一步至關(guān)重要因?yàn)樗鼪Q定了Eviews如何處理數(shù)據(jù)的時(shí)間維度尤其是在后續(xù)進(jìn)行滯后項(xiàng)生成或時(shí)間序列檢驗(yàn)時(shí)。導(dǎo)入數(shù)據(jù)時(shí)的陷阱日期/時(shí)間列格式如果你的Excel表第一列是日期如“2020-01”在導(dǎo)入時(shí)務(wù)必在Eviews的導(dǎo)入向?qū)е袑⑦@一列指定為“Date specification”并選擇正確的格式。否則Eviews會(huì)把它當(dāng)作普通字符處理導(dǎo)致整個(gè)時(shí)間序列結(jié)構(gòu)混亂。缺失值處理Excel中的空單元格Eviews默認(rèn)會(huì)識(shí)別為“NA”缺失值。你需要決定如何處理它們。對(duì)于時(shí)間序列簡單的線性插值可能是一種方法但更嚴(yán)謹(jǐn)?shù)淖龇ㄊ欠治鋈笔г蚧蚴褂酶鼜?fù)雜的插值技術(shù)如樣條插值。在導(dǎo)入后你可以通過生成新序列用movav移動(dòng)平均或trend函數(shù)進(jìn)行初步填充但這需要結(jié)合經(jīng)濟(jì)含義謹(jǐn)慎操作。變量名規(guī)范Eviews變量名不能以數(shù)字開頭不能包含空格和大多數(shù)特殊字符。建議使用簡潔的英文或拼音縮寫如“GDP”、“CPI”、“INVEST”等。注意導(dǎo)入數(shù)據(jù)后第一時(shí)間使用“View”菜單中的“Spreadsheet”視圖檢查數(shù)據(jù)。重點(diǎn)關(guān)注開頭和結(jié)尾的幾行確認(rèn)數(shù)據(jù)對(duì)齊正確沒有因?yàn)楦袷絾栴}導(dǎo)致整列錯(cuò)位。這是避免后續(xù)所有奇怪問題的第一道防火墻。2.2 描述性統(tǒng)計(jì)與圖形化觀察培養(yǎng)“數(shù)據(jù)感”導(dǎo)入數(shù)據(jù)后千萬別急著跑回歸。先花10分鐘用描述性統(tǒng)計(jì)和圖形跟你的數(shù)據(jù)“打個(gè)招呼”。操作路徑選中所有你需要分析的變量序列比如GDP和INVEST右鍵選擇“Open as Group”然后在彈出的組對(duì)象窗口中點(diǎn)擊“View” - “Descriptive Stats” - “Common Sample”。你會(huì)得到一個(gè)包含均值、中位數(shù)、最大值、最小值、標(biāo)準(zhǔn)差、偏度、峰度等信息的表格?？词裁戳烤V與規(guī)模比較均值和標(biāo)準(zhǔn)差。如果GDP是以“億元”為單位投資是以“萬元”為單位兩者規(guī)模差異巨大這可能會(huì)在回歸中導(dǎo)致系數(shù)非常小或非常大影響數(shù)值穩(wěn)定性。這時(shí)需要考慮是否對(duì)數(shù)據(jù)取對(duì)數(shù)log(gdp)或進(jìn)行標(biāo)準(zhǔn)化處理。取對(duì)數(shù)不僅能緩解異方差還能將系數(shù)解釋為彈性這在經(jīng)濟(jì)分析中非常常用。異常值初判通過最大值、最小值與均值的距離以及標(biāo)準(zhǔn)差的大小可以初步感知是否存在極端值。一個(gè)遠(yuǎn)大于“均值3倍標(biāo)準(zhǔn)差”的值就值得警惕。圖形是更直觀的工具在組對(duì)象窗口中點(diǎn)擊“View” - “Graph” - “Line Symbol”。將多個(gè)變量的折線圖畫在一起。圖形分析要點(diǎn)趨勢與波動(dòng)觀察各個(gè)變量是否具有明顯的共同趨勢如隨時(shí)間共同上升。這暗示著變量間可能存在長期均衡關(guān)系但也可能是“偽回歸”的溫床。結(jié)構(gòu)突變點(diǎn)圖形中是否存在某個(gè)時(shí)點(diǎn)前后序列的均值或波動(dòng)性發(fā)生明顯跳躍例如政策改革、金融危機(jī)等事件點(diǎn)。如果存在你可能需要在模型中加入虛擬變量Dummy Variable來捕捉這種結(jié)構(gòu)變化。初步相關(guān)性可以單獨(dú)做兩個(gè)變量的散點(diǎn)圖Quick - Graph -scatter gdp invest。如果散點(diǎn)圖呈現(xiàn)明顯的線性分布那么進(jìn)行線性回歸初步看是合理的。這一步的目的是讓你對(duì)數(shù)據(jù)的“性格”有一個(gè)基本了解為后續(xù)的模型設(shè)定和檢驗(yàn)提供直覺上的依據(jù)。3. 線性回歸模型的核心估計(jì)與結(jié)果解讀當(dāng)我們對(duì)數(shù)據(jù)有了初步認(rèn)識(shí)并確信需要研究它們之間的線性關(guān)系后就可以進(jìn)入核心的模型估計(jì)階段了。3.1 模型設(shè)定與方程估計(jì)操作在Eviews中最快捷的估計(jì)方式是使用命令窗口。假設(shè)我們想研究消費(fèi)CONS受收入INCOME和前一期消費(fèi)習(xí)慣形成的影響模型設(shè)定為CONS C(1) C(2)*INCOME C(3)*CONS(-1) u操作在Eviews主窗口上方的命令欄Command中直接輸入ls cons c income cons(-1)然后回車。ls是“最小二乘法”Least Squares的命令c代表常數(shù)項(xiàng)cons(-1)表示消費(fèi)的一階滯后項(xiàng)。更復(fù)雜的模型設(shè)定加入虛擬變量如果2008年后經(jīng)濟(jì)環(huán)境變化想控制這個(gè)影響可以先生成一個(gè)虛擬變量序列D08。在命令窗口輸入series d08 0然后通過數(shù)據(jù)編輯視圖將2008年及之后的d08值改為1。然后在回歸方程中加入它ls cons c income cons(-1) d08。交互項(xiàng)研究收入對(duì)消費(fèi)的影響是否在不同性別間不同如果有性別虛擬變量female可以加入交互項(xiàng)ls cons c income female income*female。這里的income*female就是交互項(xiàng)。點(diǎn)擊“OK”或回車后Eviews會(huì)輸出一份詳細(xì)的回歸結(jié)果報(bào)表。這份報(bào)表信息量巨大我們需要逐項(xiàng)解讀。3.2 回歸結(jié)果報(bào)表的“庖丁解牛”一份標(biāo)準(zhǔn)的Eviews回歸輸出包含以下核心部分我們以ls cons c income的簡單模型為例進(jìn)行解讀1. 模型概要Dependent Variable, Method, Date, Sample, Included observations這部分是“戶口本”確認(rèn)被解釋變量、方法、樣本區(qū)間和有效觀測值數(shù)。務(wù)必檢查“Included observations”是否與你預(yù)期的樣本量一致如果不一致說明存在缺失值導(dǎo)致某些觀測被自動(dòng)剔除了。2. 系數(shù)估計(jì)與檢驗(yàn)Coefficient, Std. Error, t-Statistic, Prob.這是核心結(jié)果。Coefficient (系數(shù))C是常數(shù)項(xiàng)INCOME的系數(shù)比如是0.7表示在其他條件不變的情況下收入每增加1單位消費(fèi)平均增加0.7單位。如果變量取了對(duì)數(shù)這個(gè)系數(shù)就是彈性。Std. Error (標(biāo)準(zhǔn)誤)衡量系數(shù)估計(jì)的精確度。標(biāo)準(zhǔn)誤越小估計(jì)越精確。t-Statistic (t統(tǒng)計(jì)量)計(jì)算公式為系數(shù) / 標(biāo)準(zhǔn)誤。它用于檢驗(yàn)單個(gè)系數(shù)的顯著性是否顯著不等于0。Prob. (P值)與t統(tǒng)計(jì)量對(duì)應(yīng)。通常我們以0.055%為顯著性水平。如果INCOME的P值為0.0001遠(yuǎn)小于0.05我們就可以在95%的置信水平下拒絕“收入系數(shù)為0”的原假設(shè)認(rèn)為收入對(duì)消費(fèi)有顯著影響。一個(gè)常見誤解是P值越小影響越大P值只關(guān)乎“是否顯著不為零”系數(shù)大小才關(guān)乎“影響程度”。3. 模型整體擬合優(yōu)度R-squared, Adjusted R-squared, S.E. of regression, Sum squared residR-squared (決定系數(shù))在0到1之間表示模型解釋的變異占被解釋變量總變異的比例。比如0.85表示模型解釋了消費(fèi)波動(dòng)的85%。注意在時(shí)間序列中高的R-squared有時(shí)僅僅是因?yàn)樽兞慷加汹厔莶淮砟Ｐ秃?。Adjusted R-squared (調(diào)整決定系數(shù))考慮了自變量個(gè)數(shù)的影響在比較不同自變量數(shù)量的模型時(shí)比R-squared更可靠。通常我們主要看這個(gè)。S.E. of regression (回歸標(biāo)準(zhǔn)誤)殘差的標(biāo)準(zhǔn)差衡量模型預(yù)測的平均誤差大小。越小越好。Sum squared resid (殘差平方和)所有殘差的平方和是計(jì)算許多統(tǒng)計(jì)量的基礎(chǔ)。4. 整體顯著性檢驗(yàn)F-statistic, Prob(F-statistic)F檢驗(yàn)的原假設(shè)是所有自變量的系數(shù)同時(shí)為0。如果Prob(F-statistic)很小如0.05則拒絕原假設(shè)認(rèn)為至少有一個(gè)自變量對(duì)因變量有顯著解釋力。這是一個(gè)模型是否成立的“準(zhǔn)入門檻”檢驗(yàn)。5. 信息準(zhǔn)則AIC, SCAkaike和Schwarz信息準(zhǔn)則用于模型選擇。在比較多個(gè)非嵌套模型時(shí)信息準(zhǔn)則值越小模型相對(duì)越好。它們平衡了模型的擬合優(yōu)度和簡潔性避免過度擬合。實(shí)操心得不要只盯著R-squared和星星顯著性一個(gè)系數(shù)顯著且R-squared高的模型如果殘差存在自相關(guān)或異方差其標(biāo)準(zhǔn)誤的估計(jì)可能就是有偏的導(dǎo)致你的t檢驗(yàn)和F檢驗(yàn)失效。這就是為什么診斷檢驗(yàn)如此重要。4. 模型診斷與檢驗(yàn)確保結(jié)果的可靠性估計(jì)出模型只是第一步我們必須像醫(yī)生體檢一樣對(duì)模型的“健康狀況”進(jìn)行一系列診斷檢驗(yàn)。這是區(qū)分“草率分析”和“嚴(yán)謹(jǐn)分析”的關(guān)鍵。4.1 殘差檢驗(yàn)異方差性與自相關(guān)性殘差是我們模型未解釋的部分。理想的殘差應(yīng)該像白噪聲——均值為零、方差恒定、不存在自相關(guān)。1. 異方差檢驗(yàn)Heteroskedasticity Test異方差意味著殘差的方差隨著自變量的變化而變化。這會(huì)使得OLS估計(jì)的標(biāo)準(zhǔn)誤有偏從而影響假設(shè)檢驗(yàn)。操作在回歸結(jié)果窗口點(diǎn)擊“View” - “Residual Diagnostics” - “Heteroskedasticity Tests”。常用方法Breusch-Pagan-Godfrey (BPG) Test和White Test。White檢驗(yàn)更穩(wěn)健因?yàn)樗紤]了自變量平方項(xiàng)和交叉項(xiàng)的影響。看結(jié)果主要關(guān)注“Prob. F-statistic”和“Prob. Chi-Square”。如果P值小于0.05例如0.02則拒絕“同方差”的原假設(shè)認(rèn)為存在異方差。怎么辦如果存在異方差OLS估計(jì)量雖仍無偏但不再有效。補(bǔ)救方法包括使用穩(wěn)健標(biāo)準(zhǔn)誤Robust Standard Errors在Eviews中重新估計(jì)模型時(shí)在“LS”對(duì)話框的“Options”選項(xiàng)卡下勾選“Heteroskedasticity-consistent coefficient covariance”并選擇“White”方法。這是最常用、最便捷的處理方式它修正了標(biāo)準(zhǔn)誤使得t檢驗(yàn)和F檢驗(yàn)重新有效。對(duì)模型進(jìn)行變換如取對(duì)數(shù)常能緩解異方差。2. 自相關(guān)檢驗(yàn)Autocorrelation Test自相關(guān)在時(shí)間序列數(shù)據(jù)中非常常見指殘差項(xiàng)之間存在相關(guān)性。這同樣會(huì)導(dǎo)致標(biāo)準(zhǔn)誤低估使得系數(shù)顯得更顯著。操作在回歸結(jié)果窗口點(diǎn)擊“View” - “Residual Diagnostics” - “Serial Correlation LM Test”。常用方法Breusch-Godfrey LM Test。你需要指定滯后階數(shù)Lag通常先試1階或2階?？唇Y(jié)果關(guān)注“Prob. F-statistic”。如果P值小如0.05則拒絕“無自相關(guān)”的原假設(shè)。怎么辦如果存在自相關(guān)檢查模型設(shè)定是否遺漏了重要的變量特別是滯后項(xiàng)這是首先需要排查的。使用Newey-West穩(wěn)健標(biāo)準(zhǔn)誤類似于處理異方差在“Options”中可以選擇“HAC (Newey-West)”標(biāo)準(zhǔn)誤它能同時(shí)處理異方差和自相關(guān)?？紤]AR模型如果自相關(guān)是模型固有的可以在方程中加入AR項(xiàng)例如估計(jì)ls cons c income ar(1)這相當(dāng)于認(rèn)為誤差項(xiàng)服從一階自回歸過程。4.2 穩(wěn)定性檢驗(yàn)與正態(tài)性檢驗(yàn)1. 遞歸估計(jì)Recursive Estimates用于檢驗(yàn)?zāi)Ｐ蛥?shù)在樣本期內(nèi)是否穩(wěn)定。如果參數(shù)發(fā)生劇烈變動(dòng)說明模型可能存在結(jié)構(gòu)變化。操作回歸結(jié)果窗口 - “View” - “Stability Diagnostics” - “Recursive Estimates”?？磮D重點(diǎn)關(guān)注“Recursive Coefficients”圖。圖中每條線代表一個(gè)系數(shù)隨著樣本量逐步增加時(shí)的估計(jì)值變化兩側(cè)的虛線是置信區(qū)間。如果線在后期大幅超出置信區(qū)間則表明該系數(shù)不穩(wěn)定。2. 殘差正態(tài)性檢驗(yàn)Normality Test許多檢驗(yàn)如t檢驗(yàn)、F檢驗(yàn)都基于殘差服從正態(tài)分布的假設(shè)。雖然在大樣本下中心極限定理使得這一假設(shè)可以放松但進(jìn)行檢驗(yàn)仍是良好習(xí)慣。操作回歸結(jié)果窗口 - “View” - “Residual Diagnostics” - “Histogram-Normality Test”。看結(jié)果Jarque-Bera檢驗(yàn)的P值。如果P值大于0.05則不能拒絕殘差服從正態(tài)分布的原假設(shè)。直方圖與正態(tài)分布曲線的對(duì)比也能提供直觀感受。5. 深入專題時(shí)間序列分析的關(guān)鍵——ADF單位根檢驗(yàn)詳解對(duì)于時(shí)間序列數(shù)據(jù)在進(jìn)行回歸前有一個(gè)比上述所有診斷檢驗(yàn)都更前置、更致命的問題需要解決平穩(wěn)性。這就是為什么“eviews的adf檢驗(yàn)怎么做”會(huì)成為熱詞。如果數(shù)據(jù)不平穩(wěn)直接回歸很可能產(chǎn)生“偽回歸”——即使兩個(gè)毫不相干的非平穩(wěn)變量也可能表現(xiàn)出很高的R-squared和顯著的系數(shù)但這種關(guān)系是虛假的。ADF檢驗(yàn)Augmented Dickey-Fuller Test是檢驗(yàn)時(shí)間序列是否平穩(wěn)是否存在單位根的最常用方法。5.1 ADF檢驗(yàn)的原理與模型選擇ADF檢驗(yàn)的原假設(shè)H0是序列存在單位根即非平穩(wěn)。備擇假設(shè)H1是序列平穩(wěn)。在Eviews中進(jìn)行ADF檢驗(yàn)時(shí)需要選擇三種檢驗(yàn)方程形式僅帶截距項(xiàng)Intercept適用于序列圍繞一個(gè)非零均值波動(dòng)。帶截距項(xiàng)和趨勢項(xiàng)Trend and Intercept適用于序列存在明顯的趨勢上升或下降。無截距無趨勢None序列在零值附近波動(dòng)。如何選擇這是關(guān)鍵一個(gè)實(shí)用的方法是先看圖畫出序列的折線圖。如果圖形有明顯的上升或下降趨勢就選擇“Trend and Intercept”。如果圖形圍繞一個(gè)水平線非零波動(dòng)選擇“Intercept”。如果圖形在零值上下波動(dòng)選擇“None”。后驗(yàn)證可以嘗試從包含趨勢和截距的模型開始。如果趨勢項(xiàng)的t檢驗(yàn)不顯著P值大則去掉趨勢項(xiàng)只用截距模型再試如果截距項(xiàng)也不顯著則用“None”模型。一個(gè)保守的做法是當(dāng)不確定時(shí)使用包含趨勢和截距的模型因?yàn)槿绻蛄写_實(shí)有趨勢而你沒包含檢驗(yàn)的效力會(huì)大大降低。5.2 Eviews中ADF檢驗(yàn)的完整操作步驟與解讀我們以檢驗(yàn)GDP序列是否存在單位根為例。打開序列雙擊工作文件中的GDP序列。啟動(dòng)檢驗(yàn)在序列對(duì)象窗口中點(diǎn)擊“View” - “Unit Root Test”。參數(shù)設(shè)置Test type選擇“Augmented Dickey-Fuller”。Test for unit root in通常先對(duì)**水平序列Level進(jìn)行檢驗(yàn)。如果不平穩(wěn)再對(duì)一階差分序列1st difference**進(jìn)行檢驗(yàn)。Include in test equation根據(jù)上文原則選擇。假設(shè)GDP有明顯增長趨勢我們選“Trend and intercept”。Lag length滯后階數(shù)這是另一個(gè)關(guān)鍵點(diǎn)。滯后階數(shù)用于消除殘差的自相關(guān)?？梢赃x擇Automatic selection自動(dòng)選擇讓Eviews根據(jù)信息準(zhǔn)則如SIC, AIC自動(dòng)選擇。對(duì)于初學(xué)者這是最推薦、最穩(wěn)妥的方式。User specified用戶指定如果你有專業(yè)依據(jù)可以手動(dòng)設(shè)定。通?？梢詮囊粋€(gè)較大的值如5開始觀察檢驗(yàn)結(jié)果中滯后項(xiàng)的顯著性逐步剔除不顯著的。解讀結(jié)果點(diǎn)擊OK后Eviews會(huì)輸出結(jié)果。你需要找到“Augmented Dickey-Fuller test statistic”這個(gè)值以及它對(duì)應(yīng)的“Prob.”值。核心判斷比較ADF統(tǒng)計(jì)量與各個(gè)顯著性水平下的臨界值1%, 5%, 10%。更簡單直接的方法是看Prob.值。如果Prob.值 0.05不能拒絕原假設(shè)認(rèn)為序列存在單位根是非平穩(wěn)的。如果Prob.值 0.05拒絕原假設(shè)認(rèn)為序列不存在單位根是平穩(wěn)的。5.3 ADF檢驗(yàn)后的決策路徑情況一水平序列平穩(wěn)Prob. 0.05。恭喜你可以直接將該序列用于線性回歸但仍需進(jìn)行共線性、異方差等后續(xù)診斷。情況二水平序列不平穩(wěn)Prob. 0.05。這是常見情況。你需要對(duì)序列進(jìn)行差分。操作在命令窗口生成一階差分序列series d_gdp d(gdp)。d()是差分函數(shù)。再次檢驗(yàn)對(duì)d_gdp序列重復(fù)ADF檢驗(yàn)。此時(shí)檢驗(yàn)方程通常選擇“Intercept”或“None”因?yàn)椴罘趾筅厔萃ǔ１幌＝Y(jié)果如果一階差分后序列平穩(wěn)我們稱原序列GDP是“一階單整”記為I(1)。此時(shí)不能直接用原水平序列進(jìn)行回歸但可以考慮使用差分序列建立模型研究增長率差分之間的關(guān)系。例如ls d(cons) c d(income)。協(xié)整檢驗(yàn)Cointegration Test如果多個(gè)非平穩(wěn)序列如GDP和INVEST都是I(1)的線性組合是平穩(wěn)的則說明它們之間存在長期均衡關(guān)系可以對(duì)原水平序列進(jìn)行回歸這種回歸被稱為“協(xié)整回歸”。協(xié)整檢驗(yàn)如EG兩步法、Johansen檢驗(yàn)是處理非平穩(wěn)時(shí)間序列回歸的更高級(jí)方法。踩坑實(shí)錄我曾遇到過一組數(shù)據(jù)兩個(gè)變量單獨(dú)做ADF檢驗(yàn)都不平穩(wěn)但直接回歸R-squared高達(dá)0.98所有系數(shù)都顯著。如果就此下結(jié)論就錯(cuò)了。進(jìn)行協(xié)整檢驗(yàn)后發(fā)現(xiàn)它們并不存在協(xié)整關(guān)系這就是典型的“偽回歸”。后來對(duì)差分后的平穩(wěn)序列建模R-squared只有0.3但這才是真實(shí)的關(guān)系。所以對(duì)于時(shí)間序列數(shù)據(jù)ADF檢驗(yàn)是回歸分析不可逾越的第一步。6. 常見問題排查與實(shí)戰(zhàn)技巧錦囊即使按照流程操作在實(shí)際中你仍會(huì)遇到各種問題。這里分享一些高頻問題的排查思路和實(shí)戰(zhàn)技巧。6.1 回歸結(jié)果不顯著或符號(hào)與預(yù)期相反這是最令人頭疼的問題之一。不要急于否定理論按以下順序排查數(shù)據(jù)問題重新檢查數(shù)據(jù)是否有錄入錯(cuò)誤、異常值用圖形和描述性統(tǒng)計(jì)再檢查一遍。一個(gè)極端異常值可能把整個(gè)回歸線“拉偏”。量綱影響嘗試對(duì)變量進(jìn)行標(biāo)準(zhǔn)化(x - mean(x))/stdev(x)或取對(duì)數(shù)看看系數(shù)顯著性是否改善。模型設(shè)定問題最常見遺漏變量偏差是否遺漏了同時(shí)影響因變量和該自變量的重要因素例如研究教育對(duì)收入的影響如果遺漏“能力”變量教育系數(shù)可能是有偏的。嘗試加入你認(rèn)為可能相關(guān)的其他控制變量。函數(shù)形式誤設(shè)關(guān)系真的是線性的嗎嘗試加入自變量的平方項(xiàng)x^2看看是否顯著或者直接使用對(duì)數(shù)線性、對(duì)數(shù)對(duì)數(shù)模型。在命令中可以直接輸入ls log(cons) c log(income)。測量誤差自變量是否存在較大的測量誤差這會(huì)導(dǎo)致系數(shù)向零偏倚衰減偏誤。多重共線性診斷如果多個(gè)自變量之間高度相關(guān)雖然不會(huì)影響預(yù)測值但會(huì)使單個(gè)系數(shù)的標(biāo)準(zhǔn)誤變大導(dǎo)致t檢驗(yàn)不顯著。查看回歸結(jié)果中的“方差膨脹因子VIF”。在Eviews中可以在回歸后通過查看“View” - “Coefficient Diagnostics” - “Variance Inflation Factors”。通常VIF大于10或更嚴(yán)格的5就認(rèn)為存在嚴(yán)重共線性。解決① 剔除共線性強(qiáng)的變量之一② 使用主成分分析PCA提取綜合指標(biāo)③ 增加樣本量如果可能④ 采用嶺回歸等有偏估計(jì)方法Eviews中可通過“Equation Estimation”選擇“LS”方法下的“Ridge”選項(xiàng)進(jìn)行初步嘗試。6.2 模型比較與選擇到底該用哪個(gè)當(dāng)你嘗試了多個(gè)模型例如一個(gè)包含滯后項(xiàng)一個(gè)不包含如何科學(xué)地選擇嵌套模型如果一個(gè)模型簡化模型是另一個(gè)模型復(fù)雜模型的特例通過約束一些系數(shù)為0得到使用F檢驗(yàn)。操作估計(jì)復(fù)雜模型無約束模型。在結(jié)果窗口中點(diǎn)擊“View” - “Coefficient Diagnostics” - “Wald Test - Coefficient Restrictions”。輸入約束條件例如如果你想檢驗(yàn)“滯后項(xiàng)系數(shù)是否聯(lián)合為0”就輸入C(3)0, C(4)0假設(shè)C(3), C(4)是滯后項(xiàng)系數(shù)。解讀看輸出的“Prob. F-statistic”。如果P值大0.05則不能拒絕約束條件為真的原假設(shè)即簡化模型更好如果P值小則拒絕原假設(shè)認(rèn)為復(fù)雜模型更優(yōu)。非嵌套模型模型A和模型B沒有相互包含關(guān)系。使用信息準(zhǔn)則AIC, SC。在相同樣本下AIC或SC值較小的模型更優(yōu)。Eviews在回歸結(jié)果中直接給出了這兩個(gè)值。6.3 Eviews操作效率提升技巧善用命令對(duì)于重復(fù)性操作在命令窗口輸入比點(diǎn)菜單快得多。例如genr ln_gdp log(gdp)生成對(duì)數(shù)序列g(shù)roup g1 gdp invest cons創(chuàng)建組對(duì)象。對(duì)象管理給重要的方程Equation、序列Series、組Group對(duì)象起好名字如eq_consumption,g_macro方便在后續(xù)分析中通過雙擊或命令快速調(diào)用。程序化批處理對(duì)于復(fù)雜的多步驟分析可以點(diǎn)擊菜單欄的“File” - “New” - “Program”編寫Eviews命令腳本實(shí)現(xiàn)一鍵運(yùn)行所有分析確保結(jié)果可復(fù)現(xiàn)。結(jié)果復(fù)制需要將回歸結(jié)果表格粘貼到Word或Excel時(shí)在結(jié)果窗口點(diǎn)擊“Freeze”按鈕會(huì)生成一個(gè)凍結(jié)的表格對(duì)象Table然后復(fù)制這個(gè)表格格式會(huì)更整齊。最后記住Eviews是一個(gè)強(qiáng)大的工具但工具背后的經(jīng)濟(jì)理論、計(jì)量思維和對(duì)現(xiàn)實(shí)問題的理解才是靈魂。每一個(gè)模型設(shè)定、每一次檢驗(yàn)選擇都應(yīng)該有邏輯和理論上的支撐。不要為了追求“顯著”和“高R方”而進(jìn)行數(shù)據(jù)挖掘。從簡單模型開始逐步增加變量時(shí)刻用診斷檢驗(yàn)審視模型的健康狀況這樣構(gòu)建出來的分析才經(jīng)得起質(zhì)疑才有真正的價(jià)值。