问题标签 [eviews]

我想问在时间序列趋势分析中做移动平均模型时，当我们在评论中做移动平均时，我们会做类似下面的代码

然而在python中，我们会做如下的事情：

在 eviews 中进行简单移动平均时，我们首先会丢失最后几个观察结果，在 python 中，我们只会丢失第一个观察结果。

怎么样？

不幸的是，我只将时间序列课程的数据集作为 Eviews wf1 文件提供。如何将其导入熊猫？我在 pandas 在线文档中找不到答案。

我的问题涉及当模型存在异方差时使用 VIF 检验进行多重共线性诊断。

我想使用 HAC 校正来解释模型中的异方差性。然而，与我从应用 HAC 的回归开始然后运行 ​​VIF 相比，VIF 给出了完全不同的结果，具体取决于我是否在使用简单 OLS 估计模型而没有纠错之后运行它。我用Eviews。

对我来说，这是令人惊讶的，因为 VIF 中的检验统计量只是 1/(1-R^2)，其中 R^2 是针对给定 x_i 变量相对于其余 X 变量回归的模型计算的。这意味着结果不应该取决于我们原始 y 对 X 回归的估计参数的标准误差，因此不应该取决于我是否使用稳健误差。

但是，在 Eviews 中，VIF 的计算方式不同，并且使用了参数标准误差的估计值（教程，pdf 的第 198 页）。虽然有人建议这两种方法是等效的，但在我的示例中显然不是这种情况。

简而言之，我应该按什么顺序进行 - 首先使用简单的 OLS 模型测试多重共线性，然后继续使用 HAC 进行建模，或者以其他方式 - 使用 HAC 估计模型，然后运行 ​​VIF？感谢你的帮助！

我正在尝试从 R 中的 EViews 重新制定一个有效的 ARMA(1, 1) 模型。我有一个大约 45 年的季度时间序列，并尝试使用 12 年的数据进行滚动 ARMA 预测，以估计之后每个季度的模型最初的 12 年。数据由记录的某些指数值的年度变化组成。数据并不总是固定的，但我知道 EViews 模型有效，并且我有特定的结果，我尝试使用我的 R 模型尽可能接近它们。此外，模型必须是 AR(1) MA(1) 形式。

EViews 代码简单地遍历数据集，在每个时间点估计以下模型并使用估计值进行预测：

尝试执行相同的操作，我的代码如下所示：

即使我使用与 EViews 中相同的数据，我也无法估计 evrey 季度的模型，但在某些时期，要么收到错误消息“solve.default(res$hessian * n.used, A) 中的错误：Lapack例程 dgesv：系统完全是奇异的：U[1,1] = 0”或“可能的收敛问题：优化给出的代码 = 1”形式的警告。如果出现错误，代码显然会停止工作。每当我只收到警告时，我的预测与 EViews 中的预测大不相同。

谁能帮我估计这样一个 ARMA(1, 1) 模型，就像在 EViews 中一样？先感谢您！

我一直在尝试运行阈值向量自回归 (TVAR) 模型。我需要允许每个政权有不同数量的滞后。我曾尝试在 matlab 中使用 Gabriel Bruneau 的工具箱、R 中的 tsDyn 包和 E-views 中的 thsvar 插件。两者都没有为每个制度指定不同数量的滞后的选项。我还尝试在 R 中编辑 TVAR 函数，但没有成功。有人对这种模型有经验吗？谢谢！

我估计了VECM，并希望对每个变量进行 4 次单独的弱外生性测试。

我想我的方程式是：

我想测试alpha_e、alpha_prod、alpha_rw、alpha_U（它们在上图中标记为红色）是否为零并对我的模型施加必要的限制。所以，我的问题是：我该怎么做？

我想我估计的阿尔法是：

我想我应该使用urca库中的alrtest函数：

可能我的alpha_e矩阵应该是这样的：

测试结果：

我猜这意味着我不能拒绝我的alpha_e弱外生性假设。我的新alpha值是：0.0000、0.0084、-0.1342、-0.0315。

现在的问题是如何对我的VECM模型施加此限制？

如果我做：

新模型没有 0.0000, 0.0084, -0.1342, -0.0315 的alphas。它有 -0.005754775 0.007717881 -0.13282970 -0.02848404。

如何获得alpha_e = 0的重新估计模型？我想要 alpha_e = 0的重新估计模型，因为我想将它用于预测（vecm -> vec2var -> predict，但vec2var不直接接受jt1）。总的来说 - 我所做的计算是否正确？

只是为了说明，在EViews中对alpha施加限制看起来像这样（不是这个例子）：

例如，我通过 OLS 估计了以下模型：

使用带有代码的 Eviews 程序文件：

equation e1.ls log(cons) c log(sw) log(nsw) log(inc)

但是，我现在必须估计这个模型：

但我不确定如何编写代码。我试着输入：

equation e1.ls log(costs|kwh,pl,pk,pf) c log(kwh) log(pl) log(pk) log(pf) (log(kwh))^2

但是，第一个和最后一个术语不起作用，我不知道该怎么做。我将不胜感激任何帮助，谢谢！

我尝试了几组不同的系列，我总是在从 cov() 在 R 中获得的输出与使用类似命令从 Eviews/Excel 获得的输出之间得到不小的差异。我无法确定差异的来源，因此无法确定我应该信任哪一个。Eviews 和 Excel 都得到几乎相同的结果，但输入相同的 R 却不同。它似乎不是来自精确度。

有没有人提出过类似的问题？

谢谢您的帮助。

更新：解决了。R 会自动调整自由度，需要指定 Eviews。

我使用 Eviews 来运行 ARCH 回归，以获得某些股票每月收益的系数和方差序列。我的样本期应该从公司上市的那一个月（比如说 1965 年 6 月）到当月（2021 年 8 月）。但是，除此之外，我还需要对 n-1 个时期（从 1965 年 6 月到 2021 年 7 月，然后是 1965 年 6 月到 2021 年 7 月等）进行回归。现在我分别运行多个回归，这非常耗时。我想知道是否有一种方法可以自动执行此操作并一次运行所有回归 - 我尝试进行一些滚动回归，但我认为它在我的情况下效果不佳。

我正在尝试计算我的 PC 的标准化分数，而不是标准化负载。我曾尝试使用 princomp 和 prcomp 包。我所有的数据都被缩放和居中。

在 Eviews 中，默认情况下只需单击一下：载荷被归一化，因此观察分数具有与特征值成比例的范数（归一化载荷）。您可以改为选择对分数进行归一化而不是对载荷进行归一化（归一化分数），以便观察分数范数与统一成正比。

在另一个论坛中，我发现：“标准化负载 - 意味着您的分数将具有等于估计特征值的方差标准化分数 - 意味着您的分数将具有单位方差

后者对应于您是否希望使用数据的协方差或相关矩阵计算特征值分解。”我这样做了，结果仍然与 eviews 归一化分数不相似。

提前致谢