自回归命令

1. 自回归方程命令什么时候用到,r

统计学。根据查询相关公开信息得知回归方程中r是相关系数，R是复相关系数，R2是复确定系数。在统计学的回归分析中虽然常用它们来描述因变量与自变量的相关性和回归关系。

2. 用eviews 作ADL（自回归滞后）模型 ，命令怎么写 y x z c z x x(-1) x(-2) x(-3) y(-1) 错在哪

要做ADF检验和协整检验。看看数据是否是平稳的，有协整关系才能继续进行ADF模型，如果你用的是年度或者月度数据的话。

3. 如何用R做向量自回归模型

请问如何用R做向量自回归模型（VAR）
要实现以下的几个步骤，数据集已经有了，请高手们可以介绍下相关的函数吗？
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)

#稳定性检验
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：进行ADF检验
#格兰杰因果检验
granger.test(halfyear_vector,p=7)
#需求二：进行指标共线性判断
#需求三：进行VAR阶数判断
#VAR模型拟合
halfyear_VAR=VAR(halfyear_vector,p=3,type="both")
halfyear_VAR
#需求四：价模型的稳定性、自相关性，异方差检验
#需求五：导出VAR模型
#VAR模型预测
halfyear_VAR_Predict=predict(halfyear_VAR,n.head=1,ci=0.9999)
plot(halfyear_VAR_Predict)
#需求六：计算95%,99%,99.9%分位数的预测取值

------------
DM小菜鸟
本帖最后由 DM小菜鸟 于 2015-2-26 15:27 编辑

1. 用tseries包里面的adf.test()

2. 可以计算X矩阵的秩qr(X)$rank，如果不是满秩的，说明其中有Xi可以用其他的X的线性组合表示；也可以计算条件数kappa(X)，k<100,说明共线性程度小，如果100<k<1000,有较强的多重共线性，k>1000，存在严重的多重共线性。可以进行逐步回归，用step()命令，比如你一开始的模型是fm，step(fm)就可以了

3. adf.test()里面就可以设滞后项的判断，adf.test(x, alternative = c("stationary", "explosive"),
k = trunc((length(x)-1)^(1/3)))
AIC准则——
计算AIC统计量，模型的残差平方和（SS）除以样本容量（n），再取对数，加上2倍的解释变量个数(k)除以样本容量.
AIC=log(SS/n)+2*k/n
寻找某一k值是AIC达到极小值，则k就是最优滞后阶数。
SC准则——
SC=log(SS/n)+log(n)*k/n
4. R里有两种检验方法是常用的，LiMcLeod{portes}可以进行多元的Portmanteau Q检验。。。protest{portes}可以进行一元的Portmanteau Q检验，把函数中的参数SquaredQ=T

还可以把序列平方之后再检验自相关性。。。也相当于进行了异方差检验。。。

自相关检验可以通过ACF图，函数是acf{stats}，或者单位根检验ur.df{urca}进行ADF检验或者ur.pp{urca}进行PP检验，或者进行白噪声检验Box.test{stats}，相当于检验了序列的二阶自相关性。。。

{}里面的是package的名字

4. 残差自回归模型如何做预测 以下数据如何做auto-regressive预测

ARIMA模型的提出使人们对非平稳序列拟合精度大大提高，但和传统的确定性因素分解方法相比较，ARIMA模型仍然有一些缺憾，它使用养分方法提取确定性信息，差分方法的优点是对确定信息的提取比较充分，缺点是很难对模型进行直观解释。所以当序列具有非常显着的确定性趋势或者季节效应时，人们会怀念确定性因素分解方法对各种确定性效应的解释，但又因为它对残差信息的浪费而不敢轻易使用。
为了解决这个问题，人们构造了残差自回归（auto-regressive）模型。

模型结构

1.残差自回归模型的构造思想是首先通过确定性因素分解方法提取序列中主要的确定性信息。
包括趋势效应拟合与季节效应拟合。
2.考虑到因素分解方法对确定性信息的提取可能不充分，因而需要进一步检验残差序列的自相关性。
3.如果检验结果显示残差序列自相关性不显着，说明回归模型对信息的提取比较充分，可以停止分析。
4.如果检验结果显示残差序列自相关性显着，说明回归模型对信息的提取不充分，可以考虑对残差序列拟合自回归模型。
这样的模型叫做残差自回归模型。
实践中两种方式（一）（二）：
（一）
（1）自变量为时间t的幂函数
（2）自变量为历史观察值
（二）
（1）给定季节指数
（2）建立季节自回归模型

残差自回归模型举例

使用残差自回归模型分析1952-1988年中国农业实际国民收入指数序列。
该序列有显着的线性递增趋势，但没有季节效应，所以考虑建立（一 ）类模型。

#拟合关于时间t的线性回归模型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-

拟合关于延迟变量的自回归模型

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-

两个趋势拟合模型的拟合效果图

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
自相关系数拖尾，偏自相关系数2阶截尾。所以对残差序列拟合AR(2)模型。

#拟合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
> #残差自相关模型的显着性检验> 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

通过了检验

5. 怎样在eviews中输入有线性趋势的1阶自回归方程

输入方程很简单的
ls命令即可

6. 模型假设检验怎么做，命令是什么

ARCH检验的全称是自回归条件异方差检验，这种检验方法不是把原回归模型的随机误差项st 2 看作是xt 的函数，而是把st 2 看作随机误差平方项ut-12 及其滞后项, ut-22 , …， 的函数。ARCH是误差项二阶矩的自回归过程。恩格尔（Engle 1982）针对ARCH过程提出LM检验法。

为了可以比较容易的解释，我们先说一下滞后效应。因变量受到自身或另一解释变量的前几期值影响的现象称为滞后效应。表示前几期值的变量称为滞后变量。

滞后期就是说，事件发生后对后面要发生事件持续影响的时间。

——经济和考研——团队，满意请采纳，不满意请追问，谢谢~~

7. 面板向量自回归模型stata中用什么命令

面板向量自回归命令是xtvar或者pvar

8. 向量自回归模型的问题

你的这个有好几个变量，是不是应该建多元回归模型啊？
自回归是一个变量自己跟自己的滞后项进行回归。在eviews中，可以做MA模型、AR模型和ARMA模型。一个变量建立自回归的时候，首先观察一个变量的线图是否平稳，如果发现没有趋势上的变化，只是在一个值附近的波动则可以认为平稳，再对该变量进行单位根检验，如果检验结果的统计量，小于右边给出的显着性水平下的临界值，则认为它平稳可以建立自回归。如果不平稳，对这个变量做差分，一般有一阶差分和二阶差分，也是先验证其平稳性。如果平稳了，观察它的偏相关与自相关图，选择合适的模型，建立时间序列自回归模型。
如果是在多元回归方程中引入某个变量的滞后项，如对y建立p和q的一阶延迟q(-1)的回归方程，在输入命令时直接输ls y c p q(1)就可以。
我是学统计经济分析的，这学期刚学的初级计量经济学和时间序列，仅有些粗浅的了解，希望有所帮助。建议找一本计量经济学和eviews操作的书，我们学的是李子奈的《计量经济学》，里面有一章专讲时间序列。

9. 如何在Eviews定义自回归模型

1、建立workfile
2、建立序列对象,将你的数据输入或者导入，比如序列分别为 y x1 x2 x3
3、在命令窗口中输入ls y c x1 x2 x3 回车，得到结果。
第一步是基础，它的含义其实是建立一个容纳eviews对象的“容器”,第二步是建立数据对象，实际上可以看错是定义变量，第三步是分析结果。[收起]