Peixun.net > DVD > 统计软件 > EViews 时间序列案例应用分析

EViews 时间序列案例应用分析

课时:0 | 78人学习 分享 收藏
你不仅仅学到的是EVIEWS的操作,更重要的是你对时间序列的深入了解,你对各种模型的认识,然后是懂得各种具体案例中时间序列的应用方法,并且告诉你在软件操作中(不局限于EVIEWS)应该注意的各种共性的问题。

EViews 时间序列案例应用分析

EViews入门介绍

Eviews工作界面介绍

变量的生成及编辑

样本区间的调整

变量的排序及变量的运算

工作文件的保存与调用

EViews软件的退出

EViews图形对象介绍

单变量的折线图,钉形图、柱形图

对于图形的修饰

多变量折线图

多变量的扇形图

做多变量的散点图

做多变量的面积图

描述性统计分析

如何以建立组对象的方式将数据导入到Eviews中去

如何在序列窗口下实现简单描述性统计量和直方图

如何在序列窗口下实现描述性统计量的假设检验

如何实现将单序列按某一变量分类后再进行描述性统计分析

如何实现将单序列按某一变量分类后再进行假设检验

如何画上证综指日对数收益率的QQ图

如何估计数据的经验分布函数的参数

如何通过打开excel文件的方式将数据导入到Eviews中去

如何实现多变量的描述性统计量

如何实现多变量描述性统计量的假设检验

如何计算当前序列组的相关系数矩阵,协方差矩阵

一元线性回归模型

做两个变量的散点图,从而看两个变量是否具有线性关系

通过建立方程对象的方式来估计一个方程,并保存我们建立的方

程对象

对方程估计结果的解释与评价

在回归估计结果中显示方程的三种形式

如何根据我们估计的回归方程计算需求的价格弹性

如何查看因变量的实际值、拟合值和回归方程的残差

如何用我们建立的方程进行预测

多元线性回归模型

做以因变量为横轴,多个自变量为纵轴的散点图

建立组对象查看自变量的相关系数矩阵

以建立方程对象的方式来建立多元线性回归模型

对模型结果的解释和评价

我们选取删除引起共线性的变量的办法来克服多重共线性

对我们消除共线性后的模型进行检验

非线性回归模型

双对数模型

半对数模型

倒数模型

虚拟变量模型

虚拟变量的定义及意义

如何通过加项的形式将虚拟变量引入到模型中去

如何通过乘项的方式将虚拟变量引入到模型中去

模型中加入季节虚拟变量

EViews 矩阵计算

矩阵的建立

方阵的行列式

矩阵的加法

矩阵的乘法

矩阵的秩(标量)

矩阵的迹(标量)

矩阵的转置

矩阵的逆

求矩阵各个列向量的相关系数

建立对称矩阵(symmetric matrix) 

对称矩阵的特征向量

矩阵的内积

用 eviews解线性方程组

单个经济时间序列的趋势模型、季节调整、分解与平滑

趋势模型

季节调整方法

HP滤波和 BP滤波 

指数平滑方法

离散因变量与受限因变量模型

二元选择模型

排序选择模型

计数模型

删截回归模型(censored regression model)

截尾回归模型

分布滞后模型

回归方程残差的序列相关性检验

回归方程残差的自回归模型(AR Error Model)

自回归模型 

有限分布滞后模型

自回归分布滞后模型

分布滞后模型

回归方程残差的序列相关性检验

回归方程残差的自回归模型(AR Error Model)

自回归模型 

有限分布滞后模型 

自回归分布滞后模型

单位根检验和基于残差的协整检验

时间序列数据的平稳性说明

时间序列平稳性的DF 和 ADF 单位根检验 

时间序列平稳性的DFGLS 单位根检验

时间序列平稳性的PP 单位根检验 

时间序列平稳性的KPSS 单位检验 

时间序列平稳性的ERS单位根检验

时间序列平稳性的NP单位根检验 

协整检验

建立误差修正模型

自回归条件异方差模型

通过日收盘价生成对数收益率变量

对数收益率序列的平稳性检验

均值方程的确定以及残差的序列相关检验

对残差平方的序列相关检验

对残差平方做线形图

对均值方程的残差做ARCH‐LM 检验 

建立各种形式的ARCH模型并对新的残差序列进行 ARCH—LM 检

根据我们建立的ARCH模型对收益率序列的方差进行预测

Eviews编程应用 

如何把以前一年为基期计算的居民消费价格指数换算成以某一年

为基期计算的居民消费价格指数

如何把名义变量(分类变量)转换成虚拟变量

如何把一个矩阵的主对角线元素全部变为0

如何把程序窗口字体放大?

联立方程计量经济学模型

联立方程模型的介绍

联立方程模型的概念以及分类

联立方程模型的识别

联立方程模型的估计

向量自回归模型

VAR 模型的有关概念

有关 SVAR 模型的有关概念

VAR 模型的识别条件

SVAR 模型的短期约束

格兰杰因果关系检验

VAR 模型滞后阶数 p的的确定

脉冲响应函数

方差分解 

Johansen协整检验

向量误差修正模型

面板数据模型

面板数据和面板数据模型的简单介绍 

如何将面板数据导入到Eviews中?

面板数据模型的分类

固定影响(效应)变截距模型

随机影响(效应)变截距模型

Hausman 检验

面板数据的单位根检验 

面板数据的协整检验

分位数回归

分位数回归简单介绍

分位数回归的优势

分位数回归的操作步骤

分位数回归的结果分析

极大似然估计

极大似然估计的原理介绍

多元线性回归的对数似然函数及其推导

用 EViews 软件实现多元线性回归的极大似然估计

GARCH(1,1)模型的对数似然函数 

用 EViews 软件实现GARCH(1,1)模型极大似然估计

方差膨胀因子

方差膨胀因子计算公式

通过建立辅助回归方程的形式来计算方差膨胀因子

以矩阵计算的方式来计算变量的方差膨胀因子

方差膨胀因子大小评价准则


你不仅仅学到的是EVIEWS的操作,更重要的是你对时间序列的深入了解,你对各种模型的认识,然后是懂得各种具体案例中时间序列的应用方法,并且告诉你在软件操作中(不局限于EVIEWS)应该注意的各种共性的问题。    

在数字化的今天,学习一门软件是至关重要的。无论哪个行业的从业人员都意识到了这一点,无论是教学还是公司办公,excel等基础软件已不能满足人们的各类关于数据分析的需求。统计学的软件从小的到大的,不开源的到开源的,数目众多。

   

EVIEWS软件之所以成为比较受欢迎的软件是有原因的:

   1.这个软件有友好的操作界面,使一个初学者能够很快上手。

   2.软件的更新速度适度,更新后的软件功能变强大,但是依然界面友好。

   3.强大的运算速度绝不容忽略,它在估计用极大似然法估计的模型时表现出来的运算效果是惊人的。这是因为这个软件的算法优化做的非常出色,使得模型能够尽快达到收敛效果。

   4.对象化方式,所有的变量也好模型也好,矩阵也好都是以对象的形式存在的。正因为是对象化存在,所以你再调用时就变的非常简单直接。

   5.eviews的程序语言非简单易懂,对于一个没有接触过程序的人员来讲,这款软件的程序语言绝对是非常好的程序入门软件。

   6.帮助文档非常容易调取。帮助文档有pdf格式,同时有网页格式,进行搜索时你会发现他的搜索是如此的简单。

一、EViews入门介绍

(1)Eviews工作界面介绍;

(2)变量的生成及编辑;

(3)样本区间的调整;

(4)变量的排序及变量的运算;

(5)工作文件的保存与调用;

(6)EViews软件的退出;


二、Eviews图形对象介绍

(1)关于单个变量的作图:单变量的折线图,钉形图、柱形图;对于图形的编辑;

(2)关于多个变量的作图:多变量折线图;做多变量的散点图(如何修改横轴和纵轴的标签);做多变量的面积图(直观的看人口增长率)。

三、描述性统计分析

(1)借助组对象方便的导入数据;

(2)单变量的分类描述性统计和假设检验;

(3)QQ图和分布图及经验分布参数估计;

(4)把数据从excel中导入到EViews中;

(5)变量的相关系数矩阵,协方差矩阵。

四、一元线性回归模型

(1)两个变量的散点图;

(2)一元线性回归方程的估计;对方程估计结果的解释与评价。

(3)如何根据我们估计的回归方程计算需求的价格弹性;

(4)Eviews的计算器功能;

(5)方程的预测,包括样本内预测和样本外预测。

五、多元线性回归模型

(1)做以因变量为横轴,多个自变量为纵轴的散点图;

(2)建立组对象查看自变量的相关系数矩阵;

(3)多元线性回归模型的估计;对模型结果的解释和评价。多重共线性的识别及解决方案。

(4)模型Wald系数约束性检验,冗余变量检验,遗漏变量检验,残差的异方差性检验和正态性检验。


六、非线性回归模型

(1)双对数模型;

(2)半对数模型;

(3)倒数模型;

七、虚拟变量模型

(1)虚拟变量的定义及意义;

(2)如何通过加项的形式将虚拟变量引入到模型中去,及其意义解释;

(3)如何通过乘项的方式将虚拟变量引入到模型中去,及其意义解释。

八、eviews矩阵计算

(1)矩阵的建立;

(2)方阵的行列式;

(3)矩阵的加法;

(4)矩阵的乘法;

(5)矩阵的秩(标量);

(6)矩阵的迹(标量);

(7)矩阵的转置;

(8)求矩阵各个列向量的相关系数;

(9)建立对称矩阵;

(10)对称矩阵的特征向量;

(11)矩阵的内积;

(12)用eviews解线性方程组。


九、单个经济时间序列的趋势模型、季节调整、分解与平滑

(1)趋势模型。也就是以时间变量t为自变量的模型;

(2)季节调整方法。传统的时间序列分析把时间序列的波动归结为四大因素:趋势变动、季节变动、循


十、离散因变量与受限因变量模型

(1)二元选择模型;

(2)排序选择模型;

(3)计数模型;

(4)删截回归模型(censored regression model);

(5)截尾回归模型(Truncated Regression Model);

十一、分布滞后模型

(1)回归方程残差的序列相关性检验;

(2)回归方程残差的自回归模型(AR Error Model);

(3)自回归模型(把因变量的滞后期作为解释变量);

(4)有限分布滞后模型(将自变量的当前期和滞后期作为解释变量);

(5)自回归分布滞后模型(将自变量的当前期、滞后期作为解释变量和因变量的滞后期作为解释变量)。

十二、时间序列ARIMA模型

(1)如何通过观察时间序列的自相关图和偏自相关图来判断时间序列的平稳性;

(2)检验序列是否可以通过差分的方式来实现平稳性;

(3)通过观察自相关图和偏自相关图对平稳后的序列确定AR和MA和SAR的阶数;

(4)对估计的模型进行检验,包括显著性检验和残差序列的相关性检验;

(5)用我们建立的ARIMA或SARIMA模型进行预测;

十三、单位根检验和基于残差的协整检验

(1)时间序列数据的平稳性说明;

(2)时间序列平稳性的DF和ADF单位根检验;

(3)时间序列平稳性的DFGLS单位根检验;

(4)时间序列平稳性的PP单位根检验;

(5)时间序列平稳性的KPSS单位检验;

(6)时间序列平稳性的ERS单位根检验;

(7)时间序列平稳性的NP单位根检验;

(8)协整检验;

(9)建立误差修正模型;

十四、 自回归条件异方差模型

(1)通过日收盘价生成对数收益率变量;

(2)对数收益率序列的平稳性检验;

(3)均值方程的确定以及残差的序列相关检验;

(4)对残差平方的序列相关检验;

(5)对残差平方做线形图;

(6)对均值方程的残差做ARCH-LM检验;

(7)建立各种形式的ARCH模型并对新的残差序列进行ARCH—LM检验;

(8)根据我们建立的ARCH模型对收益率序列的方差进行预测。

十五、Eviews编程应用

(1)如何把以前一年为基期计算的居民消费价格指数换算成以某一年为基期计算的居民消费价格指数;

(2)如何把名义变量(分类变量)转换成虚拟变量。


十六、联立方程计量经济学模型

(1)联立方程模型的介绍;

(2)联立方程模型的概念以及分类;

(3)联立方程模型的识别;

(4)联立方程模型的估计;



十七、向量自回归模型

(1)VAR模型的有关概念(非结构化的向量自回归模型);

(2)有关SVAR模型的有关概念;VAR模型的识别条件;

(3)SVAR模型的短期约束;

(4)格兰杰因果关系检验;VAR模型滞后阶数p的的确定;

(5)脉冲响应函数;

(6)方差分解;

(7)Johansen协整检验;

(8)向量误差修正模型;



十八、面板数据模型

(1)面板数据和面板数据模型的简单介绍;

(2)如何将面板数据导入到Eviews中;

(3)面板数据模型的分类;

(4)固定影响(效应)变截距模型;

(5)随机影响(效应)变截距模型;

(6)Hausman检验;

(7)面板数据的单位根检验;

(8)面板数据的协整检验。


十九、分位数回归

(1)分位数回归简单介绍;

(2)分位数回归的优势;

(3)分位数回归的操作步骤;

(4)分位数回归的结果分析。


二十、极大似然估计

(1)极大似然估计的原理介绍;

(2)多元线性回归的对数似然函数及其推导;

(3)用EViews软件实现多元线性回归的极大似然估计;

(4)用EViews软件实现GARCH(1,1)模型极大似然估计


二十一、方差膨胀因子

(1)方差膨胀因子计算公式;

(2)通过建立辅助回归方程的形式来计算方差膨胀因子;

(3)以矩阵计算的方式来计算变量的方差膨胀因子;

(4)方差膨胀因子大小评价准则。


课程订阅

Peixun.net

EViews 时间序列案例应用分析

请认真填写以下信息,方便为您服务
  • 姓名:
  • 电话:
  • 邮箱:
  • 备注:
  • 邀请码:
  • 您还可以选择 登录 或者 注册 更方便您管理课程。

Peixun.net

您关于:

EViews 时间序列案例应用分析

的报名信息已经提交成功。

去购物车结算
您可以选择 登录 或者 注册 更方便您管理课程。
回头再说

邮件已发送!

已成功发送邮件到您注册的邮箱 请前往查询并点击链接重置密码

有待解答的问题

3 名学员对您的课程提问,需要您作出回答。 现在就去