发布时间 : 星期一 文章Eviews的使用说明更新完毕开始阅读
选 择view/Residual test/White Heteroskedasticity进行White’s异方差检验。EViews对检验有两个选项：交叉项和没有交叉项。有交叉项包括所有交叉作用项。 但如果回归右边有许多变量，交叉项的个数会很多，所以把它们全包括在内不实用。无交叉项选项仅使用回归因子平方进行检验回归。
§15.3 定义和稳定性检验
EViews 提供了一些检验统计量选项，它们检查模型参数在数据的不同子区间是否平稳。一个推荐的经验方法是把观测值区间T分为 T1和T2两部分。T1个观测值用于估计，T2个观测值用于检验和评价。把所有样本数据用于估计，有利于形成最好的拟合，但没有考虑到模型检验，也无法检 验参数不变性，估计关系的稳定性。检验预测效果要用估计时未用到的数据，建模时常用T1区间估计模型，用T2区间检验和评价效果。例如居民收入，企业的销 售，或其他指标，留下一部分样本进行检验。对于子区间T1和T2的相对大小，没有太明确的规则。有时可能会出现明显的结构变化的转折点，例如战争，石油危 机等。当看不出有转折点时，常用的经验方法是用85%-90%的数据作估计，剩余的数据作检验。EViews提供了现成方法，进行这类分析很方便。 一、Chow分割点检验
分 割点Chow检验的思想是把方程应用于每一个子样本区间，看看估计方程中是否存在显著差异。显著差异说明关系中有结构变化。为了进行Chow间断点检验， 选择View/Stability Tests/Chow Breakpoint Test?出现对话框以后，填入间断点的日期。原假设：不存在结构变化。
二、Chow预测检验
Chow 预测检验先估计了包括T1区间子样本的模型，然后用估计的模型去预测在剩余的T2区间样本的因变量的值。如果真实值和预测值差异很大，就说明模型可能不稳 定。检验适用于最小二乘法和二阶段最小二乘法。原假设为无结构变化。选择View/Stability Test /Chow Forecast Test进行Chow预测检验。.对预测样本开始时期或观测值数进行定义。数据应在当前观测值区间内。
三、RESET Test
由 Ramsey（1969）提出RESET方法，即回归定义错误检验（Regression Specification Error Test）。古典正态线性回归模型定义如下： 。扰动项 服从多元正态分布 。序列相关，异方差性， 非正态分布都违反了扰动项 服从多元正态分布 的假设。存在以上这样的定义错误，LS估计量会是有偏的且不一致，一般推断方法也将不适用。Ramsey说明：任一或所有上述定义错误对 产生一个非零均值向量。因此，RESET检验原假设和被选假设
为： ； （ ）。检验基于一个扩展回归方程： 。建立检验的关键问题是决定什么变量应记入z矩阵。Ramsey建议把因变量预测值的乘方（这是解释变量乘方和互乘项的线性组合）计入z，特别的，建议： 。 是y对X回
归的拟合值向量。上标说明乘方阶数。一阶没有包括在内，因为它与X矩阵完全共线性。
选 择View/stability tests/Ramsey RESET test进行检验，定义检验回归中要包括的拟合项数。拟合项是原始回归方程拟合值的乘方。如果定义一个很大的拟合项数，EViews将显示一个近似奇异矩 阵误差信息，这是因为拟合项的乘方很可能高度共线。Ramsey RESET检验仅应用于LS估计的方程。
四、递归最小二乘法
在 递归最小二乘法中，方程使用样本数据大子区间进行重复估计。如果在向量b中有k个系数要估计，那么前k个观测值就被用于形成对b的第一次估计。这一估计重 复进行，直到T个样本点都被使用，产生对b向量的T-k+1个估计值。在每一步中，b的最后一个估计值可以用来预测因变量的下一个值。这一预测过程的一步 超前预测误差，被定义为递归误差。选择View/stability tests/Recursive Estimate(OLS only)计算递归残差，递归估计仅适用于没有AR和MA项的OLS估计方程。如果模型有效，递归残差将独立且服从零均值，常数方差的正态分布。
第十六章 ARCH和GARCH估计
本 章讨论的工具是建立变量的条件方差或变量波动性模型。自回归条件异方差(（Autoregressive Conditional Heteroscedasticity Model，ARCH）模型是特别用来建立条件方差模型并对其进行预测的。ARCH模型由Engle（1982）提出，并由 Bollerslev(1986)发展成为GARCH(Generalized ARCH)——广义自回归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金融时间序列分析中。
§16.1 ARCH的说明
ARCH的主要思想是时刻t的ε的方差（= σ 2）依赖于时刻（t ─ 1）的平方误差的大小，即依赖于 。
（1） 并假设在时刻(t-1)所有信息的条件下，干扰项的分布是：
~ （2） 即 遵循以0为均值， 为方差的正态分布。由于（2）中的 的方差依赖于前期的平方干扰，我们称它为ARCH(1)过程。然而，容易加以推广，一个ARCH (p)过程可以写为：