残差分析指标源码

A. 怎么用EViews做残差序列检验

1、首先用create命令建立workfile，在workfile structure type 中选择Dated- regular frequency ，在Frequency中选择Annual,在Start date 和End date 中分别输入1980以及2009，点击键盘OK键。

B. 怎样用matlab画残差图

两种方法：

1、b=regress(y,X);根据输入参数y与X,用最小二乘法求线性回归系数b。

2、[b,bint,r,rint,stats]=regress(y,X)：得到参数b的95%置信区间bint,残差r以及残差95%置信区间rint，stats有三个分量的向量，分别是决定系数R平方、F值以及回归的p值。

C. 残差分析中什么图不能用来分析回归模型假定是否正确

1、残差分析定义

在回归模型
中，假定
的期望值为0，方差相等且服从正态分布的一个随机变量。但是，若关于
的假定不成立，此时所做的检验以及估计和预测也许站不住脚。确定有关
的假定是否成立的方法之一是进行残差分析（resial analysis）.
2、残差与残差图

残差（resial）是因变量的观测值
与根据估计的回归方程求出的预测
之差，用e表示。反映了用估计的回归方程去预测
而引起的误差。第i个观察值的残差为：
常用残差图：有关x残差图，有关
的残差图，标准化残差图
有关x残差图：用横轴表示自变量x的值，纵轴表示对应残差
，每个x的值与对应的残差用图上的一个点来表示。
分析残差图，首先考察残差图的形态及其反映的信息。

分析：

（a）对所有x值，
的方差都相同，且描述变量x和y之间的回归模型是合理的，残差图中的所有点落在一条水平带中间。
（b）对所有的值，
的方差是不同的，对于较大的x值，相应的残差也较大，违背了
的方差相等的假设
（c）表明所选的回归模型不合理，应考虑曲线回归或多元回归模型。

3、标准化残差

对于
正态性假定的检验，也可通过标准化残差分析完成。
标准化残差（standardized resial）是残差除以其标准差后得到的数值，也称Pearson残差或半学生化残差（semi-studentized resials）,用
表示。第i个观察值的标准化残差为：
(
是残差的标准差的估计)
如果误差项
服从正态分布的这一假定成立，则标准化残差的分布也服从正态分布。大约有95%的标准化残差在 -2~2 之间。
从图中可以看出，除了箭头所标识的点外，所有的标准化残差都在 -2~2 之间，所以误差项服从正态分布的假定成立。

D. spss中回归分析实例求助，这样的R值F值T值可以继续做下去吗

你好，F值和T值多少没有绝对的标准的。主要是看你的回归模型是否合理。在进行回归分析之后还要进行残差分析，看模型是否存在异方差，自相关，多重共线性等问题。若是存在异方差、自相关等问题，有可能会高估t值，F检验也会失效。所以单单看这个并不能下结论。如果你模型不存在违背基本假设的情况。那你所的出来的值是没有任何问题的。在实证分析中，R^2有0.734算不错了。因为在做宏观经济计量分析的时候，由于样本量的缺乏，以及数据记录等问题。难以保证有很高的拟合精度。最主要的是看是定量分析和定性分析是否相违背。（例如，一般情况下，销售量和销售价格是成反比的关系，但是你在回归分析时得到的结构是成正比的。那你就要注意了，要结合经济学的理论去分析你得到的结果是否合理。）
看了你的追问，你应该是想做主成分回归吧。主成分回归是先把所有指标做主成分分析，即提取主成分，然后利用主成分进行回归分析。这样做是可以的。另外你用SPSS做出来的是因子分析的结果，需要转化一下才能进行主成分回归。还有，据我做实例研究的经验，时间序列数据用来做因子分析是有待商榷的，需要进行一定的变换。
希望这个回答对你有用！

E. 为什么要对回归分析的残差进行分析，怎样进行分析和表达

残差是回归分析得到的估计值与实际值的偏差，用来衡量回归效果的好坏。
如果回归模型正确的话，我们可以将残差看作误差的观测值。它应符合模型的假设条件，且具有误差的一些性质。在回归结果的判断时需进行残差分析，定性变量可通过模糊数学等方法，将其定量化，判别分析除了可以得到各样本的聚类结果，还可以得到样本各指标间的重要性排序。

F. 灰色系统预测GM（1，1）模型的MATLAB源代码

function GM1_1(X0)
%format long ;
[m,n]=size(X0);
X1=cumsum(X0); %累加
X2=[];
for i=1:n-1
X2(i,:)=X1(i)+X1(i+1);
end
B=-0.5.*X2 ;
t=ones(n-1,1);
B=[B,t] ; % 求B矩阵
YN=X0(2:end) ;
P_t=YN./X1(1:(length(X0)-1)) %对原始数据序列X0进行准光滑性检验，
%序列x0的光滑比P(t)=X0(t)/X1(t-1)
A=inv(B.'*B)*B.'*YN.' ;
a=A(1)
u=A(2)
c=u/a ;
b=X0(1)-c ;
X=[num2str(b),'exp','(',num2str(-a),'k',')',num2str(c)];
strcat('X(k+1)=',X)
%syms k;
for t=1:length(X0)
k(1,t)=t-1;
end
k
Y_k_1=b*exp(-a*k)+c;
for j=1:length(k)-1
Y(1,j)=Y_k_1(j+1)-Y_k_1(j);
end
XY=[Y_k_1(1),Y] %预测值
CA=abs(XY-X0) ; %残差数列
Theta=CA %残差检验 绝对误差序列
XD_Theta= CA ./ X0 %残差检验 相对误差序列
AV=mean(CA); % 残差数列平均值

R_k=(min(Theta)+0.5*max(Theta))./(Theta+0.5*max(Theta)) ;% P=0.5
R=sum(R_k)/length(R_k) %关联度

Temp0=(CA-AV).^2 ;
Temp1=sum(Temp0)/length(CA);
S2=sqrt(Temp1) ; %绝对误差序列的标准差
%----------
AV_0=mean(X0); % 原始序列平均值
Temp_0=(X0-AV_0).^2 ;
Temp_1=sum(Temp_0)/length(CA);
S1=sqrt(Temp_1) ; %原始序列的标准差
TempC=S2/S1*100; %方差比
C=strcat(num2str(TempC),'%') %后验差检验 %方差比
%----------
SS=0.675*S1 ;
Delta=abs(CA-AV) ;
TempN=find(Delta<=SS);
N1=length(TempN);
N2=length(CA);
TempP=N1/N2*100;
P=strcat(num2str(TempP),'%') %后验差检验 %计算小误差概率

调用例子：
X0=[2.874,3.278,3.337,3.39,3.679];GM1_1(X0)

G. 时间序列笔记-ARMA模型（二）

在datacamp网站上学习“ Time Series with R ”track
“ARIMA Modeling with R”课程 做的对应笔记。
学识有限，错误难免，还请不吝赐教。
学习的课程为“ARIMA Modeling with R”，主要用 astsa 包。
如无特殊说明，笔记中所使用数据均来自datacamp课程。
ARMA模型拟分为（一）（二）两部分发布，第一部分主要包括ARMA模型简介，模拟ARMA数据、拟合ARMA模型,单纯的AR模型或MA模型的定阶。第二部分主要包括ARMA模型的定阶策略、模型选择、残差分析。模型预测部分见ARIMA模型的笔记。

在 时间序列笔记-ARMA模型（一） 中，我们提到如果数据符合单纯AR或MA模型，则根据ACF和PACF图的截尾情况可以比较方便的确定AR阶数或MA阶数：

但是如果p q都不为0，那么ACF和PACF图均为拖尾表现，p、q的值就无法一眼看出来了，例如我们模拟一个ARMA数据：

可以看出，从ACF和PACF图中很难判断p q的值。

推荐的定阶策略：从最低阶开始拟合模型，每次增加一个参数并观察拟合结果的变化。

根据推荐的定阶策略，我们实际上要拟合很多不同模型，根据拟合结果从中选择最优模型作为最终模型。判断模型拟合优劣的指标有很多，这里我们简单介绍2个最为常用的指标：AIC BIC
简单来说，AIC或BIC会计算模型在训练数据上的误差：
该项越小越好，为防止过拟合，再加上对模型复杂性的惩罚项：

随着模型复杂度越大，Error项会减小但是惩罚项会增加。
AIC和BIC对于模型拟合效果的判断都是越小越好。二者对于Error项的计算是一样的，不同在于惩罚项设置不同：AIC中 ,BIC中
我在上看到一篇讲AIC BIC比较详细的博客，推荐阅读： AIC和BIC准则
在进行模型拟合时，sarima()函数会生成模型的AIC值和BIC值，帮助我们我们选择适当的模型。

ARMA模型假定残差是一个高斯白噪声，进行残差分析可以考察这个假定。
用sarima()函数拟合模型时会自动输出一个残差分析图，包括四个部分：

下例中对同一个数据分别拟合两个ARMA模型并考察残差情况：

残差分析是建模的重要环节，也有助于我们进行模型选择。

H. 宏观经济学可以用固定效应模型分析吗

宏观经济学可以用固定效应模型分析吗？
宏观经济学可以用固定效应模型分析，可以用双向固定效应模型对宏观数据进行分析。

I. 残差网络

残差网络（Resial Network简称ResNet）是在2015年继Alexnet Googlenet VGG三个经典的CNN网络之后提出的，并在ImageNet比赛classification任务上拔得头筹，ResNet因其简单又实用的优点，现已在检测，分割，识别等领域被广泛的应用。
ResNet可以说是过去几年中计算机视觉和深度学习领域最具开创性的工作,有效的解决了随着网络的加深，出现了训练集准确率下降的问题，如下图所示：

做过深度学习的同学应该都知道，随着网络层数的增加而导致训练效果变差的一个原因是梯度弥散和梯度爆炸问题(vanishing/exploding gradients)，这个问题抑制了浅层网络参数的收敛。但是这个问题已经通过一些参数初始化的技术较好的解决了，有兴趣的同学可以看参考文献中的以下几篇文章：[2][3][4][5][6]。
但是即便如此，在网络深度较高的时候(例如图中的56层网络)任然会出现效果变差的问题，我们在先前的Alexnet Googlenet VGG三个模型中可以看出，网络的深度在图片的识别中有着至关重要的作用，深度越深能自动学习到的不同层次的特征可能就越多，那到底是什么原因导致了效果变差呢？

Fig. 3
左侧19层的VGG模型的计算量是 19.6 billion FLOPs 中间是34层的普通卷积网络计算量是3.6 billion FLOPs。
右边是34层的ResNet计算量是3.6billion FLOPs，图中实线的箭头是没有维度变化的直接映射，虚线是有维度变化的映射。通过对比可以看出VGG虽然层数不多但是计算量还是很大的，后面我们可以通过实验数据看到34层的ResNet的表现会比19层的更好。

从图中可以看出在效果上，34层的残差网络比VGG和GoogleNet都要好，A，B，C三种方案中C方案效果最好，但是B，C方案在计算量上比A方案要大很多，而效果提升的又很少，所以论文作者建议还是使用A方案较为实用。
下面我们介绍层数在50及以上的残差网络的结构: Deeper Bottleneck Architectures。这种结构是作者为了降低训练时间所设计的，结构对比如下图所示：

ResNet通过残差学习解决了深度网络的退化问题，让我们可以训练出更深的网络，这称得上是深度网络的一个历史大突破吧。也许不久会有更好的方式来训练更深的网络，让我们一起期待吧！
目前，您可以在 人工智能建模平台 Mo 找到基于tensorflow 的34层的残差网络（ResNet）实现样例，数据集是CIFAR-10 （CIFAR的十分类数据集），这个样例在测试集上的精度为90%，验证集上的精度为98%。主程序在ResNet_Operator.py中,网络的Block结构在ResNet_Block.py中，训练完的模型保存在results文件夹中。
项目源码地址： http://momodel.cn/explore/5d1b0a031afd944132a0797d?type=app
参考文献：
[1] _K. He, X. Zhang, S. Ren, and J. Sun. Deep resial learning for image recognition. arXiv preprint arXiv:1512.03385,2015.
[2] Y. LeCun, L. Bottou, G. B. Orr, and K.-R.M¨uller. Efficient backprop.In Neural Networks: Tricks of the Trade, pages 9–50. Springer, 1998.
[3] X. Glorot and Y. Bengio. Understanding the difficulty of training deep feedforward neural networks. In AISTATS, 2010.
[4] A. M. Saxe, J. L. McClelland, and S. Ganguli. Exact solutions to the nonlinear dynamics of learning in deep linear neural networks.arXiv:1312.6120, 2013.
[5] K. He, X. Zhang, S. Ren, and J. Sun. Delving deep into rectifiers:Surpassing human-level performance on imagenet classification. In ICCV, 2015.
[6] S. Ioffe and C. Szegedy. Batch normalization: Accelerating deep network training by recing internal covariate shift. In ICML, 2015.

Mo （网址： momodel.cn ）是一个支持 Python 的 人工智能在线建模平台 ，能帮助你快速开发、训练并部署模型。

Mo 人工智能俱乐部 是由网站的研发与产品设计团队发起、致力于降低人工智能开发与使用门槛的俱乐部。团队具备大数据处理分析、可视化与数据建模经验，已承担多领域智能项目，具备从底层到前端的全线设计开发能力。主要研究方向为大数据管理分析与人工智能技术，并以此来促进数据驱动的科学研究。