易坊好文馆

  1. 首页 > 玩科技 >

数据|Eviews overview Part2：强大的分析工具

数据 工具 面板 经验教程 分析 模型 检验 序列 Eviews part 单位根 fisher 方差

与其他计量经济学软件相比 ， Eviews并不需要大多数用户去学习复杂的命令语言 。 它的内置程序只需点击鼠标 ， 即可提供在实际经济计量和预测工作中最常用的工具 。
基本统计分析
Eviews支持广泛的基本统计分析方法 ， 包括从简单的描述性统计到参数和非参数假设检验的所有内容 。
通过基于一个或多个变量的分类 ， 或通过面板或汇总数据中的横截面或周期 ， 可以快速轻松地计算整个样本的基本描述性统计数据 。 可以对平均值、中位数和方差进行假设检验 ， 包括针对特定值的检验、序列间相等性的检验 ， 或者在通过其他变量进行分类时测试单个序列中的相等性（允许执行单向方差分析） 。 协方差和因子分析的工具允许您检查变量之间的关系 。
您可以使用直方图、理论分布、核密度或累积分布、生存分析图以及分位数图来可视化数据的分布 。 QQ图（分位数-分位数图）可用于比较一对数列的分布 ， 或单个数列的分布以及各种理论分布 。
您甚至能够执行Kolmogorov-Smirnov, Liliefors, Cramer von Mises, 和 Anderson-Darling 检验来查看序列是否是正态分布的,或者是否是来自其它的分布 ， 如指数、极值、logistic、卡方、韦布尔（Weibull）伽马（gamma）分布 。
Eviews还使用普通回归、变换回归、核回归和最近邻回归来生成带有曲线拟合的散点图 。
气泡图允许您使用第三个系列来确定散点图中点的大小 。
时间序列统计和工具
使用从简单的自相关图到频率滤波器 ， 再到Q统计到单位根检验等工具 ， 来探索数据的时间序列属性 。
Eviews提供自相关和部分自相关函数、Q统计和互相关函数 ， 以及单位根检验（用于单时间序列的ADF、Phillips-Perron, KPSS, DFGLS, ERS,或 Ng-Perron ， 以及用于面板数据的Levin-Lin-Chu、Breitung、Im-Pesaran-Shin、fisher或Hadri ， 以及断点单位根检验和季节单位根检验）、协整检验（带有MacKinnon-Haug-Michelis关键值和p值） ， Pedroni、Kao或的Fisher的面板数据）、因果关系和独立性检验 。
Eviews还为美国人口普查局的X-13季节性调整计划和美国劳工统计局的每周MoveReg数据提供易于使用的前端支持程序 。 STL分解法为任何频率数据提供季节性调整 ， Eviews还支持使用加法型和乘法型的差分法进行简单的季节性调整 。
Eviews使用使用Hodrick-Prescott Baxter-King ， Christiano-Fitzgerald固定长度Christiano-Fitzgerald不对称全样本带通(brand-pass)(频率)滤波器来计算时间序列数据的趋势和周期 。
面板数据和汇总数据的统计与工具
Eviews具有多种工具 ， 旨在方便使用面板或汇总/时间序列-横截面数据 。 定义面板数据结构时 ， 几乎不限制横截面或组的数量 ， 也不限制组中周期或观察的数量 。 日期或未注明日期、平衡或不平衡、常规或不规则的频率面板数据集均在Eviews框架内被自然处理 。
数据结构工具有助于将数据从堆叠（面板）格式转换为未堆叠（汇总）格式 ， 然后再转换回来 。 智能链接、自动序列和数据提取工具允许您轻松地对数据进行切片、匹配合并、频率转换以及汇总 。
对基本纵向数据分析的支持范围从方便的按组和按周期统计、检验和绘图到复杂的面板单位根（Levin-Lin-Chu、Breitung、Im-Pesaran-Shin或fisher）和协整诊断（Pedroni（2004）、Pedroni（1999）和Kao或Fisher类型检验） 。
用于显示面板数据图的专用工具允许您查看堆叠、单独或汇总的数据显示 。 在单个图形框架或单个框架中显示每个图形的折线图 。 或者显示跨横截面收集的面板数据的汇总统计数据 ， 包括均值（或中位数）和标准偏差（或分位数） 。
单方程估计
Eviews允许您从一整套基本的单方程估计中进行选择 ， 包括：普通和非线性最小二乘法（多元回归）、加权最小二乘法、两阶段最小二乘法（工具变量）、分位数回归（包括最小绝对偏差估计）和逐步线性回归 。 所有这些技术都可以使用权重估计 。 规范可以包括在任意数量的自变量上的多项式滞后结构.
对于时间序列分析 ， Eviews估计ARMA和ARMAX模型以及各种RCH规范 。 结可以使用状态空间对象来估计结构时间序列模型 。
除了这些基本估计量之外 ， Eviews还支持各种高级模型的估计和诊断 。
广义矩估计（GMM）
Eviews支持横截面和时间序列数据（单方程和多方程）的GMM估计 。 权重选项包括横截面数据的White协方差矩阵和时间序列数据的各种HAC协方差矩阵 。 HAC选项包括prewhitening、各种核函数 ， 以及固定、Andrews或Newey-West带宽选择方法 。 您可以使用迭代过程或连续更新过程来估计GMM方程 。 此外 ， 还可以对GMM方程进行后估计诊断 ， 包括弱仪器统计 。
ARCH模型
如果序列的方差随时间而波动 ， Eviews可以使用各种自回归条件异方差（ARCH）模型来估计方差的路径 。 Eviews处理GARCH(p,q)、EGARCH(p,q)、TARCH(p,q)、PARCH(p,q)和组件GARCH规范 ， 并提供遵循正态分布、学生T或广义误差分布的误差的极大似然估计 。 ARCH模型均值估计可以包括ARCH和ARMA条件,所有的均值和方差估计允许外生变量.
有限应变量
Eviews还支持对一系列有限性相关变量模型的估计 。 二元、有序、截尾和截断模型都可以基于正态、logistic和极值误差来估计似然函数 。 计数模型可以使用泊松分布、负二项式分布和准最大似然（QML）规范 。 Heckman选择模型提供两步法估计或MLE估计 。 Eviews可以选择报告广义线性模型或QML标准错误 。
其他的估计方法
Eviews还提供了稳健最小二乘法、弹性网、岭回归、lasso、函数系数、逐步回归、MIDAS（混合频率）以及阈值模型的估计 。
面板和汇总时间序列—横截面
Eviews提供各种面板数据的估计方法 。 除了一般的线性和非线性最小二乘法外 ， 方程估计方法还包括2SLS / IV和广义2SLS / IV ， 以及GMM ， 它们可用于估算复杂的动态面板数据参数（包括Anderson-Hsiao和Arellano-Bond类型） 估算法） 。
大多数方法允许同时考虑时间和横截面的固定以及随机效果的设定 。 对于随机效应模型 ， 分量方差的二次无偏估计包括Swamy-Arora、Wallace-Hussain和Wansbeek-Kapteyn 。
还支持AR设定（转换后定义的任何效果）、加权最小二乘法和似不相关的回归法 。 在集中数据中 ， 特定变量（包括AR项）的系数能被约束为相同的 ， 或者允许在横截面上不同 。
系统估计
Eviews还提供了分析方程组的强大工具 。 您可以使用Eviews来通过OLS、两阶段最小二乘法、似无关回归法、三阶段最小二乘法、GMM和FIML法来进行线性和非线性方程组估计 。 系统可以包含交叉方程式约束和任意顺序的自回归误差 。
向量自回归模型/纠错模型
通过Eviews可以轻松地估计向量自回归模型、贝叶斯VAR模型、混合频率VAR模型、马尔可夫开关VAR模型和矢量误差修正模型 。 估计后 ， 您可以查看VAR或VEC的脉冲响应函数和方差分解 。 VAR脉冲响应函数和分解具有通过分析或蒙特卡罗方法（分析不适用于分解）计算的标准误差 ， 并可以用多种图形和表格方式显示 。
您可以对协整关系或调整系数上强制进行线性约束检验 。 Eviews的VAR模型还允许您通过施加短期（Sims 1986）或长期（Blanchard和Quah 1989）约束或或两者都施加来评估结构化因子分解(VARs) 。 过度识别限制可以使用由EViews生成的LR统计量来检验.
VARs支持各种视图 ， 允许您检查估计参数的结构 。 只需点击几下鼠标 ， 您就可以显示特征AR多项式的反根 ， 执行Granger因果关系和联合滞后排除检验 ， 评估各种滞后长度标准 ， 查看相关图和自相关图 ， 或执行各种基于多变量残差的诊断 。
多变量ARCH
多变量ARCH可用于建模多个时间序列的时变方差和协方差 。 许多流行的ARCH模型 ， 如常数条件相关模型（CCC）、对角VECH模型和对角BEKK模型等都将被提供 。 均值和方差方程中允许有外生变量；非线性和AR项可以包含在均值方程中 。 假设误差分布为多元正态或学生t 。 此外 ， Bollerslev-Wooldridge也提供强大的标准误差 。 估计模型后 ， 用户就可以很容易地以表格或图形格式生成样本内方差、协方差或相关系数 。
状态空间模型
状态空间对象允许使用卡尔曼滤波算法（Kalman Filter）估计各种单方程和多方程的动态时间序列模型 。 除此之外 ， 还可以使用状态空间对象来估计随机和时变的系数模型以及ARMA模型的规范 。
先进的过程和视图使您能够通过强大的过滤工具和平滑工具 ， 以便您可以提前一步去浏览（或生成）过滤或平滑的信号、状态或错误 。 Eviews的内置预测程序还为使用n步提前或平滑预测值的样本内和样本外预测提供了易于使用的工具 。
用户指定的最大似然值
对于自定义分析 ， Eviews易于使用的似然对象允许估计用户指定的最大似然值模型 。 您只需提供简单的Eviews标准表达式来描述样本中每个观测的对数似然贡献值 ， 并设置系数起始值 ， Eviews将完成剩余的工作 。
【数据|Eviews overview Part2：强大的分析工具】更多详情请登陆 科学软件网。

    推荐阅读


    上一篇：市科技局|2020廊坊市信息消费体验周活动启动

    下一篇：环球网|特朗普签署“外国公司问责法案” 限制中企在美上市