高铁梅老师的eviews教学课件.ppt

第十四章 方程预测,本章描述了对一个单方程进行预测或计算拟合值的过程。这里描述的技术是利用通过回归方法估计得到的方程来进行预测。其他专门技术，如ARCH方法估计方程的预测在十六章中给以讨论。用指数平滑法进行时间序列预测在第七章做了介绍，用联立方程估计的模型进行预测在二十三章介绍。,§14.1 EViews中的方程预测,为说明一个被估计方程的预测过程，我们从一个简单的例子开始。假设我们有1947:01—1995:01年美国国内生产总值（GDP）、消费（CS）和投资（INV），这些数据包含在工作区间为1946:01—1995:4的工作文件（14-1）中。 我们运用1947:01—1995:01这段时期的数据，估计GDP对常数、CS和INV的回归，并用AR(1)修正残差序列相关，用该模型预测GDP。估计得到的方程结果由方程对象eq-gdp给出：,,注意该估计样本的观测值做了调整，以解释该模型在推导AR(1)估计时使用的滞后内生变量的一阶差分。,为了对该模型的结果有清楚的认识，选择View/Actual, Fitted, Residual…，然后选择Actual, Fitted, Residual Graph：,该图的上半部分绘出的实际值和拟合值事实上难以区分。但这里的拟合值不能保存。只有在使用EViews的预测程序计算因变量的拟合值时才可以保存。,一、如何进行预测,,为预测该方程的GDP，在方程的工具栏中按Forecast按钮，或选择Procss/ Forecast …。这时会出现下表：,我们应提供如下信息： 1、序列名 预测后的序列名 将所要预测的因变量名填入编辑框中。EViews默认了一个名字，但可以将它变为任意别的有效序列名。这个名字应不同于因变量名，因为预测过程会覆盖已给定的序列值。 S.E.（Optional） 如果需要，可以为该序列的预测标准差提供一个名字。如果省略该项，预测标准误差将不被保存。 GARCH（Optional） 对用ARCH估计的模型，还可以保存条件方差的预测值（GARCH项）。见16章对GARCH估计的讨论。,2、预测方法 可以在如下方法中进行选择： 动态（Dynamic）— 从预测样本的第一期开始计算多步预测。 静态（Static）— 利用滞后因变量的实际值而不是预测值计算一步向前（one-step-ahead）预测的结果。 还可以做如下的选项： 结构（Structural）— 预测时EViews将忽略方程中的任何ARMA项。若不选此项，在方程中有ARMA项时，动态与静态方法都会对残差进行预测。但如果选择了Structural，所有预测都会忽略残差项而只对模型的结构部分进行预测。 样本区间（Sample range）— 必须指定用来做预测的样本。如果缺选，EViews将该样本置为工作文件样本。如果指定的样本超出估计方程所使用的样本区间（估计样本），那么会使EViews产生样本外预测。 注意：需要提供样本外预测期间的解释变量值。对静态预测，还必须提供滞后因变量的数值。,3、输出 可以选择以图表或数值，或者二者同时的形式来观察预测值。只有当预测样本中包含因变量的观测值时，才可以得到预测估计值。 假设在样本区间1947:01—1995:01间对eq-gdp进行动态预测。预测值放在序列GDPF中，EViews将会显示预测曲线和加减两个标准差的带状域以及预测的估计值。,注意：预测值被保存在GDPF序列中。因为GDPF序列是一个标准的EViews序列，所以可以利用序列对象的所有标准工具来检验预测结果。 我们可以通过绘出曲线图来检查实际值与拟合值。这是从1947:02到1995:01整个时期上的动态预测。对每个时期，前一个GDP(-1)的预测值在形成后期的GDP预测值时被使用。注意，实际值与拟合值图形的细微差别：,要对一个序列进行一步向前预测（静态预测），单击方程工具栏中的Forecast键，然后选择Static进行预测。EViews将显示预测结果为：,我们可以比较GDP的实际值和动态预测拟合值GDPFD、静态预测拟合值GDPFS，可以看出一步向前静态预测比动态预测要更为准确，因为对每个时期，在形成GDP的预测值时使用的是GDP(-1)的实际值。,§14.3 预测基础,,EViews将预测结果在Forecast name项命名并存储。我们把该序列称为预测序列。 预测样本中指定了EViews将计算出的拟合值和预测值的结果期间。如果出现不能预测的情况，将返还缺失值NA，在有些情况下，为了防止含有缺失值的预测，EViews会自动进行缺失值调整。值得注意的是预测样本可能与估计方程所使用的样本观察值发生重叠，也可能没有重叠。 对于没有包含在预测样本中的数值，会有两种选择。作为缺省，EViews将用其因变量的实际值充填，另一种是不选择Insert actuals for out-of-sample，预测样本外的数值将都赋予“NA”。于是，这些规则的结果是被预测序列中的所有数据在预测过程中将被覆盖，被预测序列的已存值将会丢失。,一、计算预测值,对预测样本中的每一观察值，EViews利用估计参数、等式右边的外生变量、以及滞后内生变量和残差的实际值或估计值来计算因变量的拟合值。构造预测值的方法取决于估计模型和用户设定的环境。 为说明预测过程，我们从一个简单的线性回归模型开始，等式右边不含滞后内生变量和ARMA项。假设给出如下方程列表，并做出估计： y c x z 选择Forecast，给定预测期间，然后单击 OK。对预测期内的每一观察值，EViews将用估计出的参数和回归因子x , z的对应值计算y的拟合值：,对预测期内的所有观测值，应该确保等号右边外生变量的值有效。如果外生变量预测样本有数据丢失，对应的预测值将为NA。,二、缺失值调整 预测值被赋值为NA有两种情况： 1、只要有一个解释变量有缺失值； 2、只要有一个解释变量的样本超出了工作文件的范围，这还包括在AR 模型中的隐含误差项。 在公式中没有动态成分（如没有滞后内生变量或ARMA误差项）时，被预测序列中的缺失值并不影响随后的预测值。如果有了动态成分，即使是被预测序列中的一个缺失值也将会影响到以后所有的预测值。 EViews将对方程中滞后变量的预测样本起始点进行调整，直到获得有效的预测值。例如，假设利用下面的方程进行动态预测：y c y(-1) ar(-1)，如果指定工作文件的起点为预测样本的起点，EViews将向后调整两个预测样本观测值，并且使用滞后变量前面的预测值。,三、预测误差与方差 假设真实的模型由下式给定：,,这里 是独立同分布，均值为零的随机扰动项， 是未知参数向量。下面我们放松 是独立的限制。 生成y的真实模型我们尚不知道，但我们得到了未知参数 的估计值b。设误差项均值为零，可以得到y的预测方程：,