Group Members 可用于增加组中的序列；SpreadSheet以电子数据表的形式显示数据；Dated Data Table 将使时序数据以表的形式显示；Graph以各种图形的形式显示数据的；Multi Graph 以多图的形式显示组中数据；Descriptive Stats给出组中数据的描述统计量，如均值、方差、偏度、峰度、J-B统计量（用于正态性检验）等；Tests of equality…给出检验组中序列是否具有同方差、同均值或相同中位数的假设检验结果；N-way/One-way Tabulation…给出数组中序列观测值在某一区间的频数、频率和某一序列是否与组中其他序列独立的假设检验结果；Correlations 给出数组中序列的相关系数矩阵；Covariances给出数组中序列的协方差矩阵；Correlogram (1)给出组内第1
图七
序列的水平序列及其差分序列的自相关函数和偏自相关函数；Cross Correlation (2)给出组内第1和第2序列的超前几期和滞后几期值之间的互相关函数； Cointegration Test执行 Johansen
cointegration协整（或称为共积）检验； Granger Causality检验组内各个配对间的Granger因果关系；Lable给出数组的名称及修改时间等信息。
图八
五、回归分析--估计消费函数
6
1、在经济理论指导下，利用软件包的“观察（View）”功能对数据进行“火力侦察”，观察消费性支出与可支配收入的 散点图(见图七)。依据凯恩斯理论，设定理论模型：
consum= a + b (inc)
２、作普通最小二乘法估计：在主菜单选Quick \\Estimate Equations，进入输入估计方程对话框, 输入待估计方程，选择估计方法—普通最小二乘法，如图八所示。点击OK进行估计，得到估计方程(1)及其统计检验结果，如图九所示。
??0.794inc?49.82 (1) consum
t (30.89) (0.35)
3、利用图九中给出的统计检验结果对模型的可靠性进行统计学检验，由统计结果可以看出该模型拟合优良，误差项不存在一阶正自相关。
4、利用图九中估计方程显示窗口中工具条View，可以显示估计方程、估计方程的统计结果、以图或表的形式显示数据的实际值、预测值和残差。
六、单方程预测
预测是我们建立经济计量模型的目的之一, 其操作如下：进入方程估计输出窗口（可以选定一个已有的方程建打开或估计一个新方程）如图九，点击其工具栏中的Forecast打开对话框（图
图九
十），输入序列名（Forecast name）， 这名称通常与方程中被解释变量的名字不同， 这样就不会混淆实际值和预测值；作为可选项，可给预测标准差随意命名[S.E(optional)]，命名后，指定的序列将存储于工作文件中；用户可以根据需要选择预测区间（sample range for forecast）；Dynamic 选项是利用滞后左手变量以前的预测只来计算当前样本区间的预测值，Static 选项是利用滞后左手变量的实际值来计算预测值（该选项只有在实际数值可以得到时使用），当方程中不含有滞后被解释变量或ARMA项时，这两种方法在第二步和以后各步都给出相同结果，当方程中含有滞后被解释变量或ARMA项时，这两种方法在第二步以后给出不同结果；用Output可选择用图形或数值来看预测值，或两者都用以及预测评价指标（平均绝对误差等）。将对话框的内容输入完毕，点击OK得到用户命名的预测值序列。
7
注意：在进行外推预测之前应给解释变量赋值。例如我们根据1980~1998年数据得到中国人均生活费支出与人均可支配收入关系的回归方程，希望预测1999、2000、2001年的人均生活费支出。为此，我们首先需要给出1999、2000、2001年人均收入可支配的数据，如果1999、2000、2001我们从历史数据中得不到1999、2000、2001年人均收入可支配的数据，就应利用其他方法估计出这些数据，把1999、2000、2001年人均收入可支配的数据（可能是估计值）输入解释变量中就可以预测出这三年的人均生活费支出。
图十
图十一
七、异方差检验
古典线性回归模型的一个重要假设是总体回归方程的随机扰动项ui同方差，即他们具有相同的方差? 2。如果随机扰动项的方差随观察值不同而异，即ui的方差为? i2， 就是异方差。检验异方差
8
的步骤是先在同方差假定下估计回归方程，然后再对得到的的回归方程的残差进行假设检验，判断是否存在异方差。Eviews提供了怀特(White)的一般异方差检验功能。
零假设：原回归方程的误差同方差。 备择假设：原回归方程的误差异方差 我们仍利用表一数据进行分析。
操作步骤：在工作文件主显示窗口选定需要分析的回归方程 \\ 打开估计方程及其统计检验结果输出窗口(见图九) \\点击工具栏中的View \\选Residual Tests \\ White Heteroskedasticity (no cross terms) 或White Heteroskedasticity (cross terms)（图十一），可得到辅助回归方程和怀特检验统计量－即F统计量、?统计量的值及其对应的p值。由图十二中的显示结果可以看出：在１％显著水平下我们拒绝零假设，接受回归方程（１）的误差项存在异方差的备择假设。值得重申的是：虽然图九中的信息告诉我们回归方程（１）拟和优良，但我们还应该对其进行经济计量学检验，以确定其是否满足古典假设。
一般地，只要图十二中给出的p 值小于给定的显著水平，我们就可以在该显著水平下拒绝零假设。
2图十二
注意：White Heteroskedasticity (no cross terms) 与White Heteroskedasticity (cross terms)选项的区别在于：在no cross terms选项下得到的辅助回归方程中不包含原回归方程左手变量的交叉乘积项作为解释变量；而cross terms选项下得到的辅助回归方程中包含原回归方程左手变量的交叉乘积项作为解释变量。在我们使用的一元回归例子中，这两个选项的作用没有区别。当我们分析多元回归模型的异方差问题时，因为所选辅助回归方程的解释变量不同，这两个选项的作用就不同了。
八、White 异方差校正功能和加权最小二乘法
1．White 异方差校正功能：我们使用表二的数据，在主菜单选Quick \\Estimate Equations，进入输入估计方程对话框, 输入待估计方程 (cum in )，选择估计方法—普通最小二乘法，点击Options 按钮进入方程估计选择对话框，选择Heteroskedasticity Consistent Covariance \\ White \\ OK应用（见图十三）1，回到估计方程对话框，点击OK得到校正后的回归方程（见图十四）。同学们可以比较图十四中的方程与普通最小二乘法得到的方程。
1
对这一方法的进一步了解可参考《经济计量分析》[美]威廉H格林 著，中国社会科学出版社，1998年3月，p423-424，适用于普通最小二乘法的协方差矩阵的估计
9
表二
中国1998年各地区城镇居民平均每人全年家庭可支配收入及交通和通讯支出 单位：人民币 元 项目 变量名 地 区 甘 肃 山 西 宁 夏 吉 林 河 南 陕 西 青 海 江 西 黑龙江 内蒙古 贵 州 辽 宁 安 徽 湖 北 海 南 交通和通讯支 项目 可 支 配 收入 变量名 出 可 支 配 收入 交通和通讯支出 in 4009.61 4098.73 4112.41 4206.64 4219.42 4220.24 4240.13 4251.42 4268.50 4353.02 4565.39 4617.24 4770.47 4826.36 cum 159.60 137.11 231.51 172.65 193.65 191.76 197.04 176.39 185.78 206.91 227.21 201.87 237.16 214.37 地 区 新 疆 河 北 四 川 山 东 广 西 湖 南 重 庆 江 苏 云 南 福 建 天 津 浙 江 北 京 上 海 in 5000.79 5084.64 5127.08 5380.08 5412.24 5434.26 5466.57 6017.85 6042.78 6485.63 7110.54 7836.76 8471.98 8773.10 cum 212.30 270.09 212.46 255.53 252.37 255.79 337.83 255.65 266.48 346.75 258.56 388.79 369.54 384.49 广 东 4852.87 265.98 8839.68 640.56 （数据来源：中国统计年鉴1998光盘，文件 j11c，j12c） ２、加权最小二乘法：我们使用表二的数据，在主菜单选Quick \\Estimate Equations，进入输
图十三
10
图十四