eviews实证分析报告
@厉永2225：用Eviews做了一个logit回归分析,这个结果怎么看呢 -
沙媛15969757491…… logit模型是不用管拟合优度的,跟一般回归方程不一样,二元离散的因变量方程很难有很好的拟合优度;主要看LR检验,这是看方程显不显著的,P=0说明方程显著渐进Z检验,这是看系数显不显著,P小于0.05的说明系数可以用
@厉永2225：用eviews 做中国财政支出结构与经济增长的实证分析, -
沙媛15969757491…… 我觉得自相关问题是其次,因为时间序列都会有些自相关,但严重到无法估计,应该是多重共线性的问题.多重共线性,就是你的变量“经济建设支出、科教文卫支出、国防、行政管理,资本、劳动”这六个变量可能相互之间几乎可以线性表示...
@厉永2225：你好,谁会用eviews 软件回归分析,论文实证部分急需要帮忙,急急急 -
沙媛15969757491…… eviews、spss、stata都可以,你的回归是普通线性回归,还是面板回归,如果普通线性回归很简单的,面板回归只能用eviews或stata
@厉永2225：关于用eviews软件进行实证分析时显著性水平的一个问题
沙媛15969757491…… 对于你的问题:1、eviews不会自动的输出这些结果,你给出的应该是相关系数矩阵,计算的是多个变量相互间的相关系数,因为变量是随机变量,那么他们之间的相关系数其实是一个统计量,统计量本身存在一个分布(有时候是渐进分布).你可以去查找“皮尔逊相关系数”可以得到相关系数的分布.2、多重共线性往往是因为变量间的测量误差,在讨论多重共线性不是存在与否的问题,往往是强与弱的问题,解决的方式可以通过更多的观测值来修正,在观测值增加后多重共线性往往会减弱.
@厉永2225：求一个面板数据eviews分析结果的解释 -
沙媛15969757491…… R-squared 0.90319 说明模型拟合得很好.F-statistic 80.7486,说明模型总体上是显著的. 应该说效果不错. 希望帮上您,统计人刘得意
@厉永2225：eviews 回归分析结果求大神给我分析下 -
沙媛15969757491…… 模型中三个解释变量的估计值分别为0.236435,0.061913,0.97819,标准差分别是0.0152,0.0228,0.0,标准差是衡量回归系数值的稳定性和可靠性的,越小越稳定,三个解释变量的估计值的T值是用于检验系数是否为零的,若值大于临界值则可靠.估计值的显著性概率值(prob)都小于5%水平,说明系数是显著的.R方是表示回归的拟合程度,越接近1说明拟合得越完美.调整的R方是随着变量的增加,对增加的变量进行的“惩罚”.D-W值是衡量回归残差是否序列自相关,如果严重偏离2,则认为存在序列相关问题.F统计值是衡量回归方程整体显著性的假设检验,越大越显著
@厉永2225：急……以下是我的eviews的回归分析结果,看不懂,麻烦帮我分析一下~~谢谢~~ -
沙媛15969757491…… 常数项C不显著 独立变量E不显著 A在1%的水平下显著 X在5%的水平下显著 拟合优度74.49% 应该说还是可以的 不过你只有19个观察值 达不到大样本的底线 你需要检验残差是否是正态分布的 不然t检验作用不大 相对应的F检验表明这个模型整体上说还是可以的 D-W指标表明不存在残差一阶自回归
@厉永2225：如何用eviews做时间序列分析 -
沙媛15969757491…… 你好,用eviews做时间序列分析的方法/步骤 创建Workfile:点击File/New/Workfile,输入起止日期 建立object输入数据:点击object/new object,定义数据文件名ex4_2并输入数据.将Workfile保存:点击File/save,而store只存储对象object. 画...
@厉永2225：用eviews对多元非平稳时间序列进行分析! -
沙媛15969757491…… 没有办法.时间序列要求较大样本的.当然,如果要求不是太高,比如不做协整检验,只用普通的回归,可以做一下.但总的来说,样本太小,影响结论的可靠性.希望对你有帮助,统计人刘得意
@厉永2225：如何用eviews做回归分析 -
沙媛15969757491…… 用eviews做回归分析的过程如下:首先下载eviews安装包,不用解压,首先点击一个reg文件,即成功注册;然后点击一个exe执行文件,即可以打开软件;然后,开始进行数据分析,首先建立一个时间序列文件,输入开始与截止时间;第二步,输入命令建立序列,data y c x,中间需要有间隔,按enter返回;第三步,导入数据;第四步,输入命令ls y x,得出结果;对数据进行分析,观察因变量与自变量的关系.回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法.
沙媛15969757491…… logit模型是不用管拟合优度的,跟一般回归方程不一样,二元离散的因变量方程很难有很好的拟合优度;主要看LR检验,这是看方程显不显著的,P=0说明方程显著渐进Z检验,这是看系数显不显著,P小于0.05的说明系数可以用
@厉永2225：用eviews 做中国财政支出结构与经济增长的实证分析, -
沙媛15969757491…… 我觉得自相关问题是其次,因为时间序列都会有些自相关,但严重到无法估计,应该是多重共线性的问题.多重共线性,就是你的变量“经济建设支出、科教文卫支出、国防、行政管理,资本、劳动”这六个变量可能相互之间几乎可以线性表示...
@厉永2225：你好,谁会用eviews 软件回归分析,论文实证部分急需要帮忙,急急急 -
沙媛15969757491…… eviews、spss、stata都可以,你的回归是普通线性回归,还是面板回归,如果普通线性回归很简单的,面板回归只能用eviews或stata
@厉永2225：关于用eviews软件进行实证分析时显著性水平的一个问题
沙媛15969757491…… 对于你的问题:1、eviews不会自动的输出这些结果,你给出的应该是相关系数矩阵,计算的是多个变量相互间的相关系数,因为变量是随机变量,那么他们之间的相关系数其实是一个统计量,统计量本身存在一个分布(有时候是渐进分布).你可以去查找“皮尔逊相关系数”可以得到相关系数的分布.2、多重共线性往往是因为变量间的测量误差,在讨论多重共线性不是存在与否的问题,往往是强与弱的问题,解决的方式可以通过更多的观测值来修正,在观测值增加后多重共线性往往会减弱.
@厉永2225：求一个面板数据eviews分析结果的解释 -
沙媛15969757491…… R-squared 0.90319 说明模型拟合得很好.F-statistic 80.7486,说明模型总体上是显著的. 应该说效果不错. 希望帮上您,统计人刘得意
@厉永2225：eviews 回归分析结果求大神给我分析下 -
沙媛15969757491…… 模型中三个解释变量的估计值分别为0.236435,0.061913,0.97819,标准差分别是0.0152,0.0228,0.0,标准差是衡量回归系数值的稳定性和可靠性的,越小越稳定,三个解释变量的估计值的T值是用于检验系数是否为零的,若值大于临界值则可靠.估计值的显著性概率值(prob)都小于5%水平,说明系数是显著的.R方是表示回归的拟合程度,越接近1说明拟合得越完美.调整的R方是随着变量的增加,对增加的变量进行的“惩罚”.D-W值是衡量回归残差是否序列自相关,如果严重偏离2,则认为存在序列相关问题.F统计值是衡量回归方程整体显著性的假设检验,越大越显著
@厉永2225：急……以下是我的eviews的回归分析结果,看不懂,麻烦帮我分析一下~~谢谢~~ -
沙媛15969757491…… 常数项C不显著 独立变量E不显著 A在1%的水平下显著 X在5%的水平下显著 拟合优度74.49% 应该说还是可以的 不过你只有19个观察值 达不到大样本的底线 你需要检验残差是否是正态分布的 不然t检验作用不大 相对应的F检验表明这个模型整体上说还是可以的 D-W指标表明不存在残差一阶自回归
@厉永2225：如何用eviews做时间序列分析 -
沙媛15969757491…… 你好,用eviews做时间序列分析的方法/步骤 创建Workfile:点击File/New/Workfile,输入起止日期 建立object输入数据:点击object/new object,定义数据文件名ex4_2并输入数据.将Workfile保存:点击File/save,而store只存储对象object. 画...
@厉永2225：用eviews对多元非平稳时间序列进行分析! -
沙媛15969757491…… 没有办法.时间序列要求较大样本的.当然,如果要求不是太高,比如不做协整检验,只用普通的回归,可以做一下.但总的来说,样本太小,影响结论的可靠性.希望对你有帮助,统计人刘得意
@厉永2225：如何用eviews做回归分析 -
沙媛15969757491…… 用eviews做回归分析的过程如下:首先下载eviews安装包,不用解压,首先点击一个reg文件,即成功注册;然后点击一个exe执行文件,即可以打开软件;然后,开始进行数据分析,首先建立一个时间序列文件,输入开始与截止时间;第二步,输入命令建立序列,data y c x,中间需要有间隔,按enter返回;第三步,导入数据;第四步,输入命令ls y x,得出结果;对数据进行分析,观察因变量与自变量的关系.回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法.
