数据导入

File-foreign data as workfile --2种选项的不同

File-new-workfile

新变量的输入

Object-new object-series 如：x，双击打开后，edit+/-编辑，通过excel复制粘贴，再一下结束

Quick-generate series 通过已知变量的运算

一元线性回归模型 and 多元线性回归模型

非线性回归模型 常见有4种

双对数线性模型

半对数模型—原先x or y在指数上

双曲函数模型（倒数模型）

多项式回归模型

非线性回归模型，先用变量替换成为线性（一元or 多元）回归模型，然后做法相同。

虚拟变量模型

     eg

研究定性变量的时候引入，比如说性别、种族、宗教、民族、婚姻状况、教育程度等。

一般的，定性变量有m类，引入m-1个虚拟变量。

分布滞后模型

对于时间序列数据，由于经济系统中的经济政策的传导、经济行为的相互影响和渗透都是需要一定时间的。他们的数值是由某些滞后量决定的。

Eg 消费不仅取决于当期的收入，还取决于以前的收入。

先做图

观察一下大体趋势，是否要取对数等。Quick-graph

建立模型Quick-estimationequation  选择LS

变量第一个是因变量，常数项输入c

注：log（x）表示对x取自然对数

x（-1） 表示滞后一阶 ；x（-1 to -4）表示x（-1）、x（-2）、x（-3）、x（-4）

其实，更方便快捷的是用execl进行普通的回归模型

工具-加载宏-分析数据库 and 分析数据库-vba函数

工具-数据分析

获取新变量“=”

虚拟变量，简单编程eg：=IF(E2>400000,1,0)

时间序列分析

在处理有关时间序列的数据的时候，首先画图，看看是否需要季节调整

Eg 冰激凌销售的例子。季节性变动掩盖了经济发展的客观规律。

A原序列 b调整后的序列（趋势循环要素）c季节因素 d不规则扰动项

季节调整 2种方法

1、剔除季节影响因素

双击需要处理的变量名（打开）-proc-seasonaladjustment

2、引入虚拟变量

季节调整后的序列趋势和循环要素不能分解，方法主要有hp滤波方法。

双击需要处理的变量名（打开）-proc-HodrickPrescott filter

Smoothing parameter 中 lambda 表示平滑参数的值，年度数据取100，季度和月度数据分别取1600和14400。

有些数据（如股票数据）不具有明显的季节波动和趋势变动。用指数平滑方法进行拟合和预测。（如名称所示，数据更加平滑）

双击需要处理的变量名（打开）-proc-exponentialsmoothing

无论是单方程计量经济学模型还是联立方程计量经济学模型，这种分析背后有一个隐含的假设，即这些数据是平稳的，否则的话，通常的t、F等假设检验是不可信的。

涉及时间序列数据的另一问题，成为虚假回归或者伪回归，即如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使他们之间没有任何经济关系，若进行回归也可表现出较高的可绝系数。

平稳性检验（单位根检验）

Quick-series statistics-unit root test 哪阶差分拒绝，那阶差分平稳

框中直接选or eg gdp；d(gdp) ；d(gdp,2) …

ARMA模型 and ARIMA模型

向量自回归AR(p)  

移动平均模型MA（q）  

ARMA（p，q）模型

注：序列必须是平稳的，如果原序列不平稳，用差分序列做该模型。

如果是d阶差分，则称为ARIMA（p，d，q）模型。

第一，识别。Quick-seriesstatistics-correlogram。其中，autocorrelation指示的是q，第二列只是的是p

第二，方程。 Quick-estimation equation

LS 输入 eg：gdp c ar(1)ar(2) ma(1) ma(2)

自回归条件异方差模型（ARCH）

一些时间序列特别是金融时间序列，常常会出现某一特征的值成群出现的情况。如对股票收益率序列建模，其随机扰动项往往在较大幅度波动后面伴随着较大幅度的波动，在较小幅度波动之后面紧接着较小幅度的波动，这种性质成为波动的集群性。在一般回归分析和时间序列分析中，要求随机扰动项是同方差，但这类序列随机扰动项的无条件方差是常量，条件方差是变化的量。这种情况下，需要使用条件异方差模型（ARCH）。

在普通回归之后，设立新变量=resid，可以作图观察等

上图是股票价格指数回归残差图。观察该图我们可以注意到波动的“成群”现象：波动在一些较长的时间内非常小，在其他一些较长的时间内非常大，这说明残差序列存在高阶ARCH效应。

在方程界面选择view-residualtest-heteroskedasticity tests-ARCH

协整分析

假定一些经济指标被某经济系统联系在一起，那么从长远看这些变量应该具有均衡关系，这是建立和检验模型的基本出发点。在短期内，因为季节影响或随机干扰，这些变量有可能偏离均值。如果这种偏离是暂时的，那么随着时间的推移将会回到均衡状态；如果这种偏离是持久的，就不能说明这些变量之间存在均衡关系。协整被看做这种均衡关系性质的统计表示。

注：参与协整的每个变量必须是都是d阶单整（平稳）的，然后对原序列做协整分析。

2变量的协整，可以用EG两步法进行检验。

首先对2变量进行回归，然后生成新序列，e=resid，检验它是否为白噪声序列（满足~N（0,1））。

多变量的协整，johansen检验法。Quick-groupstatistics-cointegration test

Eg at most 1 拒绝，则至少一个。

离散因变量

通常的经济计量模型都是假定因变量是连续的，但是在现实的经济决策中经常面临许多选择的问题。人们需要在可供选择的有限多个方案中做出选择，与通常被解释变量是连续变量的假设相反，此时因变量只取有限多个离散的值。例如，人们对交通工具的选择，地铁、公共汽车或出租车；投资决策中，是投资股票还是房地产。以这样的决策结果作为被解释变量建立的计量经济模型，称为离散因变量模型。

以二元选择模型为例。即y=0,1

要强调的是，建模时输入的是y的观测值，但估计对象不是原始模型而是模型（10.1.2）。根据F的不同，二元选择模型可以有不同的类型如下表：

其中logit模型最常用。

Quick-estimate equation-binary    Eg y c gdp m1

受限因变量模型

现实的经济生活中，有时会遇到这样的问题，因变量是连续的，但是受到某种限制，也就是说所得到的因变量的观测值来源于总体的一个受限制的子集，并不能完全反应总体的实际特征，那么通过这样的观测值来推断总体的特征就需要建立受限因变量模型。

当出现因变量受限问题时，应分别引进删失回归模型和截尾回归模型。

Quick- estimate equation- censored

联立方程模型

前面介绍的单方程模型，用于揭示单个变量（被解释变量）受多个变量影响形成的关系。而现实的社会经济现象往往错综复杂，描述这种复杂关系考一个方程通常不够，因此需要考虑用一组方程加以说明，即使用多方程模型。

在联立方程中，由模型确定的变量称为内生变量，如供给需求模型中的，对应的称为外生变量。外生变量和滞后内生变量称为先决变量。

一般的联立方程模型可记为                                （7.1.4）

下面用工具变量法对联立方程模型进行估计

Quick- estimate equation-TSLS