自回歸命令

1. 自回歸方程命令什麼時候用到,r

統計學。根據查詢相關公開信息得知回歸方程中r是相關系數，R是復相關系數，R2是復確定系數。在統計學的回歸分析中雖然常用它們來描述因變數與自變數的相關性和回歸關系。

2. 用eviews 作ADL（自回歸滯後）模型 ，命令怎麼寫 y x z c z x x(-1) x(-2) x(-3) y(-1) 錯在哪

要做ADF檢驗和協整檢驗。看看數據是否是平穩的，有協整關系才能繼續進行ADF模型，如果你用的是年度或者月度數據的話。

3. 如何用R做向量自回歸模型

請問如何用R做向量自回歸模型（VAR）
要實現以下的幾個步驟，數據集已經有了，請高手們可以介紹下相關的函數嗎？
halfyear_vector=data.frame(hsi_ir_h_ts,cenlhkl_ir_h_ts,m2_h_ts,ue_h_ts,cpi_h_ts,exp_h_ts,gdp_h_ts)
halfyear_vector=ts(halfyear_vector,start=c(1995,1),frequency=2)
halfyear_vector
plot(halfyear_vector,plot.type="single",lty=1:7,col=1:7)
title("key indicators")
legend("topleft",c("hsi_ir_h_ts","cenlhkl_ir_h_ts","m2_h_ts","ue_h_ts","cpi_h_ts","exp_h_ts","gdp_h_ts"),lty=1:7,col=1:7)

#穩定性檢驗
for (i in 1:7)
{
print(kpss.test(halfyear_vector[,i],null="Level"))
print(kpss.test(halfyear_vector[,i],null="Trend"))
print(kpss.test(diff(halfyear_vector[,i]),null="Level"))
print(kpss.test(diff(halfyear_vector[,i]),null="Trend"))
}
#需求一：進行ADF檢驗
#格蘭傑因果檢驗
granger.test(halfyear_vector,p=7)
#需求二：進行指標共線性判斷
#需求三：進行VAR階數判斷
#VAR模型擬合
halfyear_VAR=VAR(halfyear_vector,p=3,type="both")
halfyear_VAR
#需求四：價模型的穩定性、自相關性，異方差檢驗
#需求五：導出VAR模型
#VAR模型預測
halfyear_VAR_Predict=predict(halfyear_VAR,n.head=1,ci=0.9999)
plot(halfyear_VAR_Predict)
#需求六：計算95%,99%,99.9%分位數的預測取值

------------
DM小菜鳥
本帖最後由 DM小菜鳥 於 2015-2-26 15:27 編輯

1. 用tseries包裡面的adf.test()

2. 可以計算X矩陣的秩qr(X)$rank，如果不是滿秩的，說明其中有Xi可以用其他的X的線性組合表示；也可以計算條件數kappa(X)，k<100,說明共線性程度小，如果100<k<1000,有較強的多重共線性，k>1000，存在嚴重的多重共線性。可以進行逐步回歸，用step()命令，比如你一開始的模型是fm，step(fm)就可以了

3. adf.test()裡面就可以設滯後項的判斷，adf.test(x, alternative = c("stationary", "explosive"),
k = trunc((length(x)-1)^(1/3)))
AIC准則——
計算AIC統計量，模型的殘差平方和（SS）除以樣本容量（n），再取對數，加上2倍的解釋變數個數(k)除以樣本容量.
AIC=log(SS/n)+2*k/n
尋找某一k值是AIC達到極小值，則k就是最優滯後階數。
SC准則——
SC=log(SS/n)+log(n)*k/n
4. R里有兩種檢驗方法是常用的，LiMcLeod{portes}可以進行多元的Portmanteau Q檢驗。。。protest{portes}可以進行一元的Portmanteau Q檢驗，把函數中的參數SquaredQ=T

還可以把序列平方之後再檢驗自相關性。。。也相當於進行了異方差檢驗。。。

自相關檢驗可以通過ACF圖，函數是acf{stats}，或者單位根檢驗ur.df{urca}進行ADF檢驗或者ur.pp{urca}進行PP檢驗，或者進行白雜訊檢驗Box.test{stats}，相當於檢驗了序列的二階自相關性。。。

{}裡面的是package的名字

4. 殘差自回歸模型如何做預測 以下數據如何做auto-regressive預測

ARIMA模型的提出使人們對非平穩序列擬合精度大大提高，但和傳統的確定性因素分解方法相比較，ARIMA模型仍然有一些缺憾，它使用養分方法提取確定性信息，差分方法的優點是對確定信息的提取比較充分，缺點是很難對模型進行直觀解釋。所以當序列具有非常顯著的確定性趨勢或者季節效應時，人們會懷念確定性因素分解方法對各種確定性效應的解釋，但又因為它對殘差信息的浪費而不敢輕易使用。
為了解決這個問題，人們構造了殘差自回歸（auto-regressive）模型。

模型結構

1.殘差自回歸模型的構造思想是首先通過確定性因素分解方法提取序列中主要的確定性信息。
包括趨勢效應擬合與季節效應擬合。
2.考慮到因素分解方法對確定性信息的提取可能不充分，因而需要進一步檢驗殘差序列的自相關性。
3.如果檢驗結果顯示殘差序列自相關性不顯著，說明回歸模型對信息的提取比較充分，可以停止分析。
4.如果檢驗結果顯示殘差序列自相關性顯著，說明回歸模型對信息的提取不充分，可以考慮對殘差序列擬合自回歸模型。
這樣的模型叫做殘差自回歸模型。
實踐中兩種方式（一）（二）：
（一）
（1）自變數為時間t的冪函數
（2）自變數為歷史觀察值
（二）
（1）給定季節指數
（2）建立季節自回歸模型

殘差自回歸模型舉例

使用殘差自回歸模型分析1952-1988年中國農業實際國民收入指數序列。
該序列有顯著的線性遞增趨勢，但沒有季節效應，所以考慮建立（一 ）類模型。

#擬合關於時間t的線性回歸模型d<-read.table("D:/R-TT/book4/4R/data/file17.csv",sep=",",header = T)
x<-ts(d$index,start = 1952)
t<-c(1:37)
x.fit1<-lm(x~t)
summary(x.fit1)
Call:
lm(formula = x ~ t)

Resials:
Min 1Q Median 3Q Max
-28.71 -20.48 -10.81 26.42 46.17 Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 66.1491 8.1197 8.147 1.35e-09 ***
t 4.5158 0.3726 12.121 4.40e-14 ***---Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1Resial standard error: 24.2 on 35 degrees of freedom
Multiple R-squared: 0.8076, Adjusted R-squared: 0.8021 F-statistic: 146.9 on 1 and 35 DF, p-value: 4.404e-

擬合關於延遲變數的自回歸模型

xlag<-x[2:37]
x2<-x[1:36]
x.fit2<-lm(x2~xlag)
summary(x.fit2)
Call:
lm(formula = x2 ~ xlag)

Resials: Min 1Q Median 3Q Max -15.764 -5.066 -0.703 5.539 20.424

Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 7.39226 4.00444 1.846 0.0736 .
xlag 0.91932 0.02464 37.309 <2e-16 ***
---Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1

Resial standard error: 7.936 on 34 degrees of freedom
Multiple R-squared: 0.9762, Adjusted R-squared: 0.9755
F-statistic: 1392 on 1 and 34 DF, p-value: < 2.2e-

兩個趨勢擬合模型的擬合效果圖

fit1<-ts(x.fit1$fitted.value,start = 1952)fit2<-ts(x.fit2$fitted.value,start = 1952)plot(x,type = "p",pch=8)lines(fit1,col=2)lines(fit2,col=4)123456

PACF
自相關系數拖尾，偏自相關系數2階截尾。所以對殘差序列擬合AR(2)模型。

#擬合AR(2)模型r.fit<-arima(x.fit1$resial,order=c(2,0,0),include.mean = F)
r.fitCall:arima(x = x.fit1$resial, order = c(2, 0, 0), include.mean = F)Coefficients:
ar1 ar2 1.4995 -0.6028s.e. 0.1274 0.1356sigma^2 estimated as 50.6: log likelihood = -126.59, aic = 259.17123456789101112
> #殘差自相關模型的顯著性檢驗> for(i in 1:2) print(Box.test(r.fit$resial,lag=6*i))

Box-Pierce testdata: r.fit$resialX-squared = 3.1979, df = 6, p-value = 0.7836


Box-Pierce testdata: r.fit$resialX-squared = 10.661, df = 12, p-value = 0.55821234567891011121314

通過了檢驗

5. 怎樣在eviews中輸入有線性趨勢的1階自回歸方程

輸入方程很簡單的
ls命令即可

6. 模型假設檢驗怎麼做，命令是什麼

ARCH檢驗的全稱是自回歸條件異方差檢驗，這種檢驗方法不是把原回歸模型的隨機誤差項st 2 看作是xt 的函數，而是把st 2 看作隨機誤差平方項ut-12 及其滯後項, ut-22 , …， 的函數。ARCH是誤差項二階矩的自回歸過程。恩格爾（Engle 1982）針對ARCH過程提出LM檢驗法。

為了可以比較容易的解釋，我們先說一下滯後效應。因變數受到自身或另一解釋變數的前幾期值影響的現象稱為滯後效應。表示前幾期值的變數稱為滯後變數。

滯後期就是說，事件發生後對後面要發生事件持續影響的時間。

——經濟和考研——團隊，滿意請採納，不滿意請追問，謝謝~~

7. 面板向量自回歸模型stata中用什麼命令

面板向量自回歸命令是xtvar或者pvar

8. 向量自回歸模型的問題

你的這個有好幾個變數，是不是應該建多元回歸模型啊？
自回歸是一個變數自己跟自己的滯後項進行回歸。在eviews中，可以做MA模型、AR模型和ARMA模型。一個變數建立自回歸的時候，首先觀察一個變數的線圖是否平穩，如果發現沒有趨勢上的變化，只是在一個值附近的波動則可以認為平穩，再對該變數進行單位根檢驗，如果檢驗結果的統計量，小於右邊給出的顯著性水平下的臨界值，則認為它平穩可以建立自回歸。如果不平穩，對這個變數做差分，一般有一階差分和二階差分，也是先驗證其平穩性。如果平穩了，觀察它的偏相關與自相關圖，選擇合適的模型，建立時間序列自回歸模型。
如果是在多元回歸方程中引入某個變數的滯後項，如對y建立p和q的一階延遲q(-1)的回歸方程，在輸入命令時直接輸ls y c p q(1)就可以。
我是學統計經濟分析的，這學期剛學的初級計量經濟學和時間序列，僅有些粗淺的了解，希望有所幫助。建議找一本計量經濟學和eviews操作的書，我們學的是李子奈的《計量經濟學》，裡面有一章專講時間序列。

9. 如何在Eviews定義自回歸模型

1、建立workfile
2、建立序列對象,將你的數據輸入或者導入，比如序列分別為 y x1 x2 x3
3、在命令窗口中輸入ls y c x1 x2 x3 回車，得到結果。
第一步是基礎，它的含義其實是建立一個容納eviews對象的「容器」,第二步是建立數據對象，實際上可以看錯是定義變數，第三步是分析結果。[收起]