用eviews分析的论文

用eviews分析的论文（共6篇）

篇1：用eviews分析的论文

2009计量经济学期中报告 ——2007年中国各地区城镇居民消费性支出数据分析

2009/11/1

4用计量经济学的方法对2007年中国各地区城镇居民消费性支出数据进行分析。

2009计量经济学期中报告

——2007年中国各地区城镇居民消费性支出数据分析

关键词：计量经济学 居民消费 数据分析

使用数据：老师课堂上给出的数据

参数的描述定义为：

Total－平均每人全年总消费支出；

Food－平均每人全年食品支出；

House－平均每人全年住房支出；

Health－平均每人全年医疗保荐支出；

Edu－平均每人全年教育文化娱乐支出；

Income－平均每人全年可支配收入；

East－东部地区虚拟变量；

West－西部地区虚拟变量，其余为中部地区省份。

一、收入、总支出情况分析

我们先对东、西、中部收入和总支出情况作一下了解，建立以下两个回归模型：

Income = a1 + a2*East + a3*West + u1

Total = b1 + b2*East + b3*West + u2

a1、b1表示中部地区的收入和总支出情况，a2、b2表示东部地区比中部地区的收入（总支出）高出的部分，a3、b3表示西部地区收入（总支出）比中部地区高出的部分。

用Eviews进行OLS回归结果如下：

Income = 11517.26 + 4614.319*East – 595.3656*West

t值(12.90421)(3.908149)(-0.483938)

R2 = 0.473134F = 12.57224Prob.(F)= 0.000127

Total = 8369.348 + 3179.694*East – 239.1808*West

t值(12.61764)(3.623706)(-0.261599)

R2 = 0.421056F = 10.18195Prob.(F)= 0.00047

5该模型的计算结果表明，我国中部的平均收入水平为11517.26，支出为8369.348；a2、b2为正数，说明东部地区的收入水平和支出水平要比中部的高，分别为16131.58、11549.042，a3、b3为负数，说明西部地区的收入水平和支出水平要比中部的低，分别为10921.89、8130.167。由此看出，东部、中部、西部的收入水平和支出水平是依次递减的。另外，两个方程中East回归系数的t检验是显著的，而West回归系数的t检验不是显著的，说明东部的收入水平和支出水平的显著的高于中部地区，而西部地区与中部地区大致相同。这与实际情况是相符合的，改革开放后，由于东部是沿海地区，经济发展快速；而中部地区发展则较为缓慢，西部又较中部发展稍微缓慢，于是经济实力从西向东是阶梯式的递减。由于东部经济实力雄厚，所以居民收入较高，消费也更高。收入和消费从东

向西呈递减状态。

二、收入与支出的关系

建立以下模型：

Total = c1 + c2*Income + c3*East*Income + c4*West*Income

c2表示中部地区的边际消费倾向，(c2+c3)表示东部地区的边际消费倾向，(c2+c4)表示西部地区的边际消费倾向。

用Eviews进行OLS回归结果如下：

Total = 49.98713 + 0.722461*Income – 0.009708*East*Income + 0.017371*West*Income t值(0.076611)(12.27491)(-0.364924)(0.740424)R2 = 0.954295F = 187.9146Prob.(F)= 0.000000

该模型的回归结果表明，中部MPCm=0.722461，东部系数小于零MPCe=0.712753，西部系数大于零MPCw=0.739832。于是有MPCw>MPCm>MPCe，由于从第一个问题分析我们可以知道，Incomew

但是，从回归的结果中我们可以看出，East*Income和West*Income回归系数的t统计量值均很小，即是说，它们对总支出的影响很小，并且都≈0，可以认为，东、西、中部的边际消费倾向是大致一样的。我们假设MPCw=MPCm=MPCe，即c3=c4=0，利用Wald检验，输入“c(3)=c(4)=0”，可以得到：

Wald Test:

Equation: Untitled

Test Statistic

F-statistic

Chi-square

ProbabilityValuedf0.493124 0.986248(2, 27)20.6161 0.6107 表明接受原假设，于是我们可以认为东、西、中部的边际消费倾向是相同的。

三、东、西、中部的消费取向的对比

建立以下模型：

Total = d1 + d2*Food + d3*House + d4*Health + d5*Edu

d2、d3、d4、d5分别表示每单位的食物、住房、医疗、教育文娱的支出对总支出的贡献。

用Eviews进行OLS回归结果如下：

Total = 143.8040 + 1.258978*Food + 1.421100*House + 1.178493*Health + 2.301847*Edut值(0.414774)(9.313110)(2.901082)(2.804014)(8.381545)R2 = 0.986396F = 471.2839Prob.(F)= 0.000000

该模型的回归结果表明，每单位的食物、住房、医疗、教育文娱的支出对总支出的贡献分别为：1.258978、1.421100、1.178493、2.301847。R2 = 0.986396表明有很高的拟合优度，F检验也是高度显著的，说明食物、住房、医疗、教育

文娱的支出对总支出的总影响是显著的。从各项系数的t检验来看，各解释变量的t统计量均大于2，表明食物、住房、医疗、教育文娱的支出对总支出的影响也都是显著的。

研究东、西、中部的消费取向的差异，我们建立了以下模型：

Total = e1 + e2*Food + e3*House + e4*Health + e5*Edu

+ e6*East*Food + e7*East*House + e8*East*Health + e9*East*Edu

+ e10*West*Food + e11*West*House + e12*West*Health + e13*West*Edu 模型中，e2、e3、e4、e5分别表示了中部地区每单位的食物、住房、医疗、教育文娱的支出对总支出的贡献；(e2+e6)、(e3+e7)、(e4+e8)、(e5+e9)分别表示东部地区每单位的食物、住房、医疗、教育文娱的支出对总支出的贡献；(e2+e10)、(e3+e11)、(e4+e12)、(e5+e13)分别表示西部地区每单位的食物、住房、医疗、教育文娱的支出对总支出的贡献。

用Eviews进行OLS回归结果如下：

Total = 565.999 + 0.708*Food + 2.017*House + 1.015*Health + 3.032*Edu

t值(0.879911)(1.806225)(1.288203)(0.742131)(2.592732)

+ 0.319*East*Food1.482*West*Edu(1.269474)(0.006741)(0.092589)(-1.118575)

2R = 0.989565F = 142.2500Prob.(F)= 0.000000

从该模型的回归结果可知，R2 = 0.989565，可见有很高的拟合优度，F检验也表明各解释变量对总支出的总影响是非常显著的。通过多元回归模型研究的结果说明，东部地区是沿海地区，经济发展快速，教育文化娱乐消费意愿明显高于西部地区，而中部部分地区对教育的投入较大，占总支出的比例较大，因而教育文化娱乐消费对总支出的贡献较高，这一差异便是来源于地区偏好的不同。这就解释了为什么中部、东部教育文化娱乐消费占总支出的比例偏高，西部较低。对于食品、住房、健康等生活必需品的消费支出对总支出的比例方面，东部地区普遍小于西部地区。原因在于：虽然西部地区的生活必需品的消费支出额较低，但人均平均收入水平和消费水平更低，故其生活必需品支出负担率偏高。相对而言，经济发达的东部地区，尽管其生活必需品的消费支出额较高，但其家庭可支配收入和家庭总支出更高，故其生活必需品支出负担率较低。在住房、健康消费方面中部地区则处于中间水平，但食品消费最低，这可能与中部地区的饮食文化和生活方式有莫大关系。一方面中部地区没有西部的悠闲的生活方式和丰富多彩的饮食文化，另一方面没有东部地区的较高的物价水平，多方面的原因导致了中部的食品消费支出占总支出的比例最低。这也解释了为什么中部的food系数e2最低的原因。

篇2：用eviews分析的论文

综合2010年《中国统计年鉴》提供的数据, 整理得到1987~2009年, 国内生产总值和我国第三产业增加值的信息如下表:

二、协整检验

第一步, 将GDP和第三产业增加值这两个变量取对数, 得到两个新的变量ly, lx。经过检验, 发现这个两个变量的数列经过二阶差分后均成为平稳的, 所以是同阶单整关系, 可以利用它们进行协整检验, 生成变量ly和变量lx的非均衡误差序列。

第二步, 检验非均衡误差序列的单整性。通过生产非均衡误差序列的ADF检验结果表可知, 两变量的非均衡误差序列在1%的显著水平之下达到平稳, 所以两个变量之间存在协整关系, 可以建立这两个变量之间的数学模型。

三、Granger因果关系检验

建立VAR (向量自回归) 模型, 选择最大滞后长度为4, 在运行后的选择标准表中, 按照赤池信息准则 (AIC) 和施瓦茨 (SC) 准则确定p值。通过对照VAR模型滞后期选择标准表可知该模型选择p=3作为滞后期。当滞后期为3时, 两个变量之间的因果关系检验结果如下表所示:

由两个变量的Granger因果关系检验结果可知, 当滞后期为3的时候, lx是引起ly变化的原因 (置信概率小于0.05, 推翻“lx不是引起ly变化的原因”这个假设, 得到“lx是引起ly变化的原因”这个结论) , 即第三产业增加值是影响国内生产总值变化的因素。

四、回归模型的建立与完善

考虑到之前VAR向量自回归模型已经验证, 两个变量之间的相会作用具有p=3的滞后期, 所以建立分布滞后期模型:

但是, 分布滞后期模型直接进行估计会存在自由度损失和多重共线性等问题, 所以将分布滞后期模型变形, 经过尝试, 在模型中加入一个一阶自相关变量和一个二阶自相关变量, 变为:

此时, 拟合结果中所有的解释变量在95%的置信水平下显著。当n=32, k=3时, 取显著水平为0.05, 查表得dL=1.24, dU=1.65, dL=1.24

五、结论及建议

综上可知, 我国第三产业增加值和GDP之间存在直接的因果关系, 第三产业增加值是GDP增长的一个很重要的动因。因此, 我国在强调GDP发展的时候, 不仅要重视提供生产资料的第一产业和进行加工生产的第二产业, 还要重视不进行直接物质生产, 但却直接影响人们生活质量, 国家经济实力的第三产业。

因为第三产业对GDP的影响有一个滞后性, 所以国家在制定政策促进第三产业发展的时候考虑的不仅是短期内的一个影响, 要有长远的战略部署。

参考文献

[1]台冰.人均第三产业增加值和人口城市化水平关系研究.西安交通大学学报, 2007, 27 (2) :24～27

[2]孔姗姗, 李晓琳.我国主要工农产品产量与第三产业增加值关系的分析——基于协整分析和Granger因果关系的实证分析.统计与管理, 2010:55

篇3：用eviews分析的论文

关键词：多元线性回归；模型；EVIEWS；软件；工具

中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-327-02

一、与EVIEWS相关的多元线性回归模型的介绍

在理论学习中，学者们可能会为了操作的便捷而采用理性化的模型，这里理想化的模型是指单纯地将所要求的问题作为中心，忽略了其他任何可能存在的外界因素，纯粹地从理论角度解释问题。而在现实问题中，影响整个大局的因素是多样的，每一个因素都不可忽略。考虑到因变量的因子多样化，就要采用多元线性回归模型，使得整体的关系清晰，便于后期的计算统计。

将多元线性回归模型用数学式表达，则可以表示为：

Yi=β0+β2X2+β3X3+β4X4+•••+ε，

也可以笼统地写为：y=Xβ+ε。

在这个数学式中，X代表的是设计矩阵，由实践中实际测得的X的数值所构成；β代表的是参数变量，不同的待测物所具备的参数不同，因此β由实际操作中所需要估计的对象的参数所构成；ε在式中代表的是向量，表示实际操作中的随机误差。

二、建立EVIEWS相关的多元线性回归模型的过程介绍

1、利用所得数据创建图表

建模过程需要相关的测量数据的参与，为了更好的展现EVIEWS软件在数据操纵上的优越性，本文采用部分居民日常生活消费调查数据作为基础进行回归分析，这一数据内容简单，且数据和实际生活联系巨大，是一个贴合日常数据的操作类型。在得到数据后，根据相关规则进行归纳整理并创建相关的影响因子：针对该商品的花销费用（y），商品所标明的价格（x1），家庭平均月收入（x2）：

部分居民日常生活消费调查

序号商品所标明的价格x1家庭平均月收入x2针对该商品的花销费用y

115.264500519.20

222.517826566.98

330.059928534.88

435.7310680698.00

535.9912000653.66

638.1012896677.35

739.4613453655.24

849.6716400799.00

955.3218920745.66

1056.8519804726.92

2、利用步骤1的数据图表做出散点图

由于本例子中，变量间的关联性密切，因此可以用绘制散点图的方法来表现自变量和因变量的相关因子间是否有显著的线性关系。由于这个缘故，当所有的数据完备后，就可以根据表中的相关数据画出散点图，根据本例子中的和针对该商品的花销费用有关y相关的因子有商品所标明的价格x1和家庭平均月收入x2两种，由此画出的散点图也因此包含两个，具体操作过程为：将序列y和第一个自变量x1组成一个相关联的群，打开这个群的对话联系界面，在界面上进行点击菜单View/Group/Scatter的操作。这个时候可供选择的图表类型很多，主要有三种，即简单的图表（simple scatter）,带回归线的图表（scatter with regression）和带折现的三点图表（scatter with nearest neighbor fit和scatter with kernel fit）。这三种方式得到散点图的过程和方法是不同的，但是最终获得的图像都是相同的，结果如下所示：

由着两个图表可以看出，商品所标明的价格和该类商品的花销费用是成正比的，商品所标明的价格越高，对于这类商品的花销也就越多；而家庭的月收入水平也对该商品的影响巨大，也是成正比关系，家庭的平均月收入越高，该类商品的花销上就越大。这两个图表说明自变量因子商品所标明的价格x1和家庭平均月收入x2和因变量因子针对该商品的花销费用y成线性关系。

3、在变量间成线性关系的前提下建立模型

当散点图中的各个便利之间有着明显的线性关系时，就可以根据这些数据通过估测参数的方式来建立模型。建立模型的方式是多样的，一般采用的有两种快捷菜单执行的方式：一是在界面的主菜单上点击objects/new objects这一命令，执行后就会弹出新的界面，在这个全新的界面上择定目标equation，同时为其重新取名，最后点击ok按钮即可完成。另一种方式点击的命令和方式一不同，这一方式在界面上点击quick/estimate equation命令，然后根据弹出的窗口进一步进行操作，最后得出结果。两者的操作方式是截然不同的，但是原理都类似，主要结合EVIEWS软件的灵活性和指导性，一步步将数据输入并且得到最后的结果。由于操作的数据是相同的，因此最终的结果也是一样的。

在相关的操作完成后就可以得到和上述的数据有关的参数，尽管为预估形式，其数值仍然可以作为线性关系的指标，在后期的预测中可以将其中的预测结果和实际操作最终的数值再进行比对，得到更加合理的结果，为走向的预测得到更准确的数据。根据这一手段，本数据中的参数如下图所示：根据样本的相关阵可以得出，针对该商品的花销费用与家庭的平均月收入和商品所表明的价格的相关系数十分密切，分别高达0.8967304和0.9377928，这也证明了和上图的散点图中同样的道理，即家庭平均月收入水平、商品所标明的价格和针对该商品的花销费用都是成线性相关的，他们的正比系数十分高。由此，可以考虑在此基础上创建二元线性回归模型。

4、在确定数据的高度线性关系的前提下创建OLS图表

为了得到OLS图表，可以对数据进行估计，一般采用的是普通的最小二乘估计方法，可以得到如下所示的图表：

5、当OLS图表创建成功后，可以通过图表中的数值得到估算方程，根据前面的公式，带入相关数据可以得出：

Y=626.5093-9.790570x1+0.28618x2

(40.13010)(3.197843)(0.05838)

t=(15.611195) （-3.061617）（4.902030）

R＾2=0.902218r＾2=0.874281

6、根据相关数据进行预测

在之前建立多元线性回归模型后，就需要进行观测，而预测相关的趋势和发展也是建立模型的目的之一。所创立的多元线性回归模型是需要判断其优劣程度的，预测的结果的准确与否正是判断模型是否符合标准的方式之一。针对不同的模型，原理仍然是类似的，可以根据创建的模型直接预估各个对象的拟合状况，这一过程仍然可以在界面上得到实现。具体的操作过程是：在界面上点击procs/forecast按键，或者直接在菜单的工具栏一项中选择forecast命令，选择完成后，界面会弹出一个新的对话框，然后可以生成一个名字叫做原自变量名加上f的全新序列形式，如果觉得这类名字不符合要求，操作者也一自行更换名称，方便快捷。除了会生成一个新的序列，在操作过程中，还会产生一个预测图，在预测图中将会和实际操作中的数值进行比较，从而得出该建立的模型的好坏与否。

运用EVIEWS的全部优势都在简单的例子中展现出来，一切数据都由EVIEWS软件操作完成，简便快捷，为繁重的人力计算减轻了压力也提高了准确程度。EVIEWS在实际运用中，避免了繁杂的操作步骤，内容人性化，让初学者在操作中也可以得心应手。它在计量经济中的作用是巨大的，方便了许多学者的操作研究，为学术界的发展做出了贡献。EVIEWS的运用十分广泛，对于经济走势的判断也影响着实际过程中的操作运营，简单的界面展示让一切过程不再枯燥无力，变得形象化而易读化。

参考文献：

[1] 易丹辉.数据分析与EVIEWS应用[M].北京:中国统计出版社,2002.

[2] 宁宝权 甄晓云 占鹤彪.灌木植物在高等级高速公路边坡防护中的重要作用[J].交通建设与管理,2008(10):73-75.

[3] 宁宝权《六盘水师范高等专科学校学报》,2011:3

[4] 陈俊金 陈月娜《中国集体经济》,2009:24

[5] 陈祺琪 李君 梁保松.河南农业大学学报ISTIC PKU,2012:46(4)

[6] 毛敏芳 魏晓平.《沿海企业与科技》,2006:03

篇4：用eviews分析的论文

2008年金融危机席卷全球, 以美国为起点的金融风暴让众多国家陷入前所未有的危机之中。然而, 我国却在这场金融风暴中一枝独秀, 经历了风吹雨打后仍然保持7%以上的稳定增长。通过观察数据可以发现, 在GDP稳定增长的同时, 我国的货币和准货币 (M2) 供应量较2008年之前有较大幅度增长。在我国, M2=M1+城乡居民储蓄存款+企业存款中具有定期性质的存款+信托类存款+其他存款, 即广义货币供应量。另外, 社会融资规模在2008年前后也产生了较大幅度的变化, 危机过后社会融资规模增长幅度明显加大。由于社会融资规模全面反映了金融与经济关系, 以及金融对实体经济资金支持的总量指标, 因此, 社会融资规模的变动状况能够从侧面反映我国实体经济的发展状况。因此本文旨在对2008年金融危机前后, 我国M2、社会融资规模对国内生产总值的影响进行分析。

2 历史数据的计量分析

2.1 建立理论模型

以2008年为时间分界点, 选择2002—2008、2009—2013年的国内生产总值作为被解释变量。国内生产总值的影响因素较多, 本文不能全面地给予说明, 现选取了货币和准货币供应量 (M2) X1、社会融资规模X2作为模型的解释变量。其中, 社会融资规模与GDP有非常直接的联系, 货币供应量也与GDP息息相关。在2008年经济危机后, 我国的货币供应量增幅就大大超过以前年度, 同时我国的GDP增速水平依然稳定保持高位, 这就说明货币供应量在相当程度上可以影响GDP水平。

本文选用了中国国家统计局所公布的中国统计年鉴中2002—2008、2009—2013年全国的GDP数据、M2数据, 并对其进行了整理和汇总, 数据见下表。

现以表1的数据作为基础, 运用Eviews软件画散点图, 发现被解释变量和各个解释变量之间存在较为明显的线性相关关系。于是可以确定该模型的理论方程为:

其中, Y为我国的国内生产总值, X1为广义货币供应量, X2为社会融资规模, μi为随机扰动项。

2.2 对前期进行回归分析

首先在2002—2008年这一时间段内对该模型用Eviews软件进行OLS参数估计, 得到下列结果:

R2=0.996062, , 表明可决系数较高;F检验值为505.8873, 明显显著。

但X2的t检验值为1.084960, 通过查表知t0.1 (4) =2.132, 由于1.084960<2.132, 因此, X2对Y的影响并不显著, 故舍弃X2, 模型变为:Y=C+β1X1+μi, 再次进行回归分析得:

R2=0.994903, , 表明可决系数较高;F检验值为976.0191, 明显显著。

2.3 对后期进行回归分析

同样的, 对2009—2013年的数据进行回归分析, 得到结果如下:

由上述分析可知, Y=133322.8+0.508674X1-0.720413X2

R2=0.999232, , 表明可决系数较高;F检验值为1300.339, 明显显著。

虽然两个解释变量的t值均较大, 明显显著, 但由于X2的系数的负, 不符合经济学常识。故怀疑X1与X2之间存在多重共线性, 现得X1与X2的相关系数表如下:

由表可知, X1与X2有较大的相关性, 从而去掉X2, 进行下一步回归分析, 得到回归结果如下:

R2=0.991219, , 可决系数较高;F检验值为338.6561, 明显显著。

3 对跨期数据回归方程的分析

2008年以前, 社会融资规模对GDP的影响并不显著, 而广义货币供应量对GDP的影响较为显著。在其他条件不变的情况下, 当广义货币供应量每增加1亿元, 我国的国内生产总值就会增加0.681772亿元。2008年以后, 社会融资规模与广义货币供应量存在多重共线性, 在其他条件不变的情况下, 当广义货币供应量每增加1亿元, 我国的国内生产总值就会增加0.458975亿元。通过前后比较可以发现, 虽然货币供应量在2008年以后大幅增加了, 但其对我国GDP的刺激作用并没有像预想的一样大幅增加, 反而有所降低。本文对出现这一现象的原因分析如下。

2008年金融危机之前, 我国实体经济对未来的预期较为乐观, 同时金融业的愈发完善与之形成协同作用, 从而加快了金融业对实体经济的支持与投资, 进而促进我国经济的平稳增长。2008年金融危机爆发, 接连引发我国外贸出口的大幅下降和金融业的波动。我国的贸易顺差逐渐减小, 企业在国外的竞争优势受挫使得其生存问题突出。再近观国内非外贸型企业, 经济的下滑预期使得企业的业务量受到严重影响, 尤其是近年来, 企业的倒闭率逐渐上升, 金融业对实体经济的投资开始转为谨慎态度, 从而进一步影响了实体经济的发展。而金融企业 (尤其是商业银行) 的坏账率逐年攀升, 使得其抗风险能力下降, 这又进一步增大了其促进实体经济发展的阻力。因此, 2008年以后, 增加的货币供应量流入实体经济的比例下降, 从而对我国经济的促进作用也出现了同步下降。

4 政策建议

4.1 完善货币供应量调节机制

在2008金融危机之后, 货币供应量对经济增长的作用开始下降。因此, 中央银行应逐步降低商业银行的存款准备金利息水平, 增加金融机构的可用资金, 这样更有利于调节货币供应量;同时, 中央应改变原有的再贴现调控方式, 向价格型调控工具方式转变, 并且还应该积极创新操作工具 (如金融债券和公司债券等) 进行公开市场操作。

4.2 完善货币供应量传导机制

首先应该增强信贷传导机制, 健全国有商业银行的内部管理体制, 建立商业银行的公司治理结构, 完善股东大会制度和董事会制度, 提升管理水平。同时还应大力发展和完善地方性中小金融机构, 活跃信贷市场, 建立多元化的信贷传导渠道。对现有地方性中小金融机构进行经营管理机制转换, 消除地方政府行政干预, 降低地方性中小金融机构的所得税和营业税, 让更多的中小金融机构进入货币市场, 从而增强信贷扩张能力。其次, 还应提高我国的利率传导机制。虽然我国一直推进利率市场化进程, 但到目前为止尚未完全放开。利率市场化有利于优化资源配置, 促进经济发展。

再者, 应疏通资产价格传导机制, 扩大货币市场、信贷市场和资本市场的交易主体, 允许更多的中小金融机构、企业、居民等进入同业拆借市场和银行间债券市场。同时还要进一步推进货币市场和资本市场一体化建设, 促使资金能在货币市场和资本市场中迅速流动, 及时反映当局的意愿。当然, 随着我国对外开放水平不断扩大, 汇率对我国经济的影响愈发复杂, 因此, 应适当放宽人民币汇率的波动幅度, 减少中央对汇率的干预频率, 增强人民币的灵活性。

4.3 进一步优化产业结构

面对海外市场对中国出口产品需求的下降, 我国可以借此机会转变发展方式, 加速调整经济结构和产业结构。中国必须注重技术创新, 加快产业升级, 淘汰落后产能, 实现更有质量的增长和更有竞争力的增长。只有这样, 金融业对我国实体经济的预期才会更加明朗乐观, 才能有更多的资金流入相关产业, 促进该产业的发展。因此, 要想货币充分流入实体, 就必须注重产业结构与金融业的同步发展。如今金融业在金融危机中获得更多经验, 实现较快发展, 而实体经济也必须优化其结构, 才能最大程度发挥协同作用。

4.4 加强金融监管和国际合作

由于金融衍生品具有高风险性、高复杂性, 因此, 我国金融监管部门必须采取必要的措施进行监管。以目前的情况来看, 国内对创新的金融产品的监管较少, 并且没有较为明确的立法进行监督。虽然放松监管有利于解放金融生产力和促进金融现代化, 但也会扭曲金融机构间的经济利益关系、盈利能力和风险承受能力, 因此相关机构必须意识到金融衍生品的优势及风险水平, 从而有针对性地防范其风险。另外, 由于我国的金融体系还不健全, 需要进一步加强国际金融合作, 吸取更多的经验, 结合自身国情, 从而能够应对金融危机带来的不良影响。

摘要：美国次贷危机后我国经济发生了显著变化, GDP水平保持稳定增长的同时, 货币供应量也大幅上升, 现用Eviews软件对2002—2008与2009—2013两个时间段内的GDP与货币供应量之间的关系进行回归分析, 发现虽然2008年以后的货币供应量增幅变大, 但其对GDP增长的影响反而减少, 故进一步对其原因进行分析并提出了政策建议。

关键词：货币供应量,GDP水平,金融危机

参考文献

[1]沈少川.我国货币供应量对GDP影响的实证研究[J].生产力研究, 2015 (10) .

[2]韩平, 李斌等.我国M2/GDP的动态增长路径、货币供应量与政策选择[J].经济研究, 2005 (10) .

[3]李晋蓉, 侯志坚等.我国货币供应、通货膨胀及经济增长的实证研究[J].金融视线, 2015 (2) .

[4]武剑.货币政策与经济增长:中国货币政策发展取向研究[M].上海:上海人民出版社, 2000.

[5]凯恩斯.就业、利息和货币通论[M].北京:北京商务印书馆, 1983 (5) .

[6]曾宪久.货币政策传导机制[M].北京:中国金融出版社, 2004.

[7]林仲贤, 刘传哲.我国货币供应量与经济增长协整性的实证分析[J].财政界, 2008 (3) .

篇5：用eviews分析的论文

【关键词】指数预测  时间序列  ARIMA模型

一、模型构建

（一）样本选取

本文选用上证指数时间跨度为2000年1月28日至2015年10月30日的月份数据，剔除节假日和个别不交易的数据，样本容量为191。其中，选取2015年11月上证指数收盘价作为模型预测的估计量，所有交易数据来源于同花顺官方网站。

（二）数据处理

由于上证指数数据较大，故本文通过对数化处理得出上证指数的收益率LNXt=lnXt，式中Xt为第t个交易日上证指数的月收盘价，LNXt表示上证指数在第t个交易日的收益率。

（三）平稳性检验

一般而言时间序列数据都具有某种趋势，是非平稳的，用单位根检验方法（ADF检验）可验其平稳性，本文用单位根检验的三种设定形式分别检验上证指数的平稳性。

模型1：

模型2：

模型3：

表1 上证收益率LNX的ADF检验结果表

由表1可以看出，无论在哪一种模型形式下，上证指数收益率序列LNX非平稳，无法对其建立ARIMA模型。

为了得到平稳的收益率序列，对其进行一阶差分得D（LNXt）=LNXt-LNXt-1。

对差分序列DLNX进行ADF检验（表2），上证指数收益率1阶差分序列通过了ADF检验，该序列是平稳的，ARIMA模型中滞后阶数d=1，可对DLNX建立ARIMA模型。

表2 DLNX的ADF检验结果表

（四）模型估计

作收益率1阶差分后滞后20期的自相关——偏自相关图，发现收益率1阶差分后的序列自相关图是截尾的，偏自相关图是截尾的，对收益率差分序列建立ARIMA模型，估计结果如表3。

表3 ARIMA（11，1，11）估计结果

估计方程：

ARIMA（11，1，11）模型参数在10%的水平下都是显著的，其中，AR（11）和MA（11）在1%显著性水平在显著，常数项在10%显著性水平下显著，AR特征根0.96和MA特征根0.99都在单位圆之内，是平稳的。

（五）模型诊断

对模型ARIMA（11，1，11）残差进行检验，得到残差单位根检验结果（表4）。残差通过了ADF单位根检验，故残差序列是白噪声。

表4 残差ADF检验结果表

二、样本外预测

本文采用静态预测，依据模型对上证指数收益率进行预测，结果见表5。

表5 上证指数预测结果

三、结论

本文利用ARIMA模型对上证指数月度数据进行预测，真实值与预测值对比情况见表5，预测结果在允许的误差内，从而ARIMA（11，1，11）模型对大盘指数有较好的预测性。选取的月度数据未包含一个月内影响指数变动的诸多因素，故有一定的误差。此模型对大盘走势进行的短期预测，可为投资者提供一定的投资决策依据。

参考文献

[1]刘云.ARIMA对我国上证指数的预测研究[J]，现代商贸工业，2012（16）.

[2]柯文泉.ARIMA模型在上证指数预测中的应用[J]，现代商业，2008（13）.

篇6：用eviews分析的论文

随着风电装机容量在电网中所占比重的不断增加,大规模风电并网对电网的稳定性和频率的影响越来越大。能够较为准确地预测风电场风速及功率,对于电力部门及时调整调度计划,衡量风电场的容量可信度,进而确定合适的风电上网价格,具有重要的现实意义[1,2]。国外学者对风速及功率短期预测技术的研究起步较早,如今在风电功率预测系统的开发方面已经形成了非常成熟的技术体系,并有多套预测系统作为商用[3,4]。而我国对于风电功率预测的研究起步较晚,虽然近几年开发了自己的预测系统,但是国内大部分研究采用的模型都是单一模型[5,6]。虽然每一种预测模型都有自己的优势,但是也都有一定的局限性,将不同的预测模型进行组合,建立组合预测模型[7,8]进行风电功率预测,可以实现优势互补,进而达到比较理想的预测结果,这也是现如今风电功率预测的一个发展趋势。

由于时间序列法在进行风电预测时,仅需要风电场单一的风速或风电功率数据,就可以对不平稳的时间序列进行建模,不仅结构简单,便于操作而且预测效果显著,但是时间序列法因突出时间序列暂不考虑外界因素影响,因而存在着预测误差的缺陷,当遇到风速或功率发生较大变化时,往往会有较大偏差,使得数据失真。而人工神经网络具有从环境中学习和在学习中提高自身性能的能力,经过反复学习对其环境更为了解。因此,神经网络对于风速或风电功率突变点的预测精度较高,但是神经网络只依据历史数据,而未考虑时序性的影响,所以,本文选用时间序列法和BP神经网络法建立组合预测模型,以期提高预测精度。

1 模型建立

1.1 时间序列模型

时间序列预测方法有很多,本文选用比较常见的自回归滑动平均模型[9](Auto-Regressive Moving-Average,ARMA)。

设{y1,y2,…,yt,…}是零均值平稳序列,满足下列模型:

式中φ1,φ2,…φp和θ1,θ2,…θq均为常数,{εt}是零均值、方差为σε2的平稳白噪声序列,这一模型就是p阶自回归q阶移动平均混合模型,即阶数为p、q的自回归滑动平均模型,记为ARMA(p,q);当q=0时,模型是自回归模型,记为AR(p)或ARMA(p,0);当p=0时,模型是移动平均模型,记为MA(q)或ARMA(0,q)序列。图1为时间序列建模流程图。

1.2 BP神经网络模型

BP网络结构原理[10]如下:

在如图2所示的通用神经元模型中,R为输入向量的个数,通用神经元同样由输入向量的权重系数wi1和阈值bi组成。BP神经网络中包含多个通用神经元模型,只需要将多个通用神经元串联,同时对应有n个神经元输出,那么第i个神经元的输出:

图1 时间序列建模流程图

BP网络的输出函数为任意函数,包括logsig函数、tansig函数和purelin函数。第i个神经元经过任意传递函数后的输出:

1.3 组合预测模型

图2 通用神经元模型

本文建立基于时间序列ARIMA模型与BP-ANN模型的组合模型。即分别用ARIMA模型、BP-ANN模型对样本进行风电功率预测,其中ARI-MA模型预测风电功率采用间接预测法,BP-ANN模型预测功率采用直接预测法,再将每个单一模型预测出来的相同时刻的预测值,作为新的BP-ANN模型的输入,并将相应时刻的实际值作为目标输出来训练网络,之后再将训练好的网络应用于功率预测。流程图如图3所示。

图3 组合预测模型流程图

2 实例分析

以2007年6月份东北某风电场40号机组实测风速、功率等为原始数据,该序列每1小时记录一组数据,30天共720组。时间序列模型将第16-22共7天的数据为预测样本,预测第23--24天的功率,BP-ANN法用前24天的数据为样本,建立风速—功率的单输入单输出模型,然后将两种方法所得的第23天的功率预测值作为输入样本,对应时刻的实际功率作为目标输出,建立新的BP-ANN预测模型,并用训练好的网络预测第24天的风电功率。其中时间序列模型分析软件采用的是Eviews6.0,BP-ANN模型分析软件采用的是MATLAB8.0。

2.1 时间序列模型

1)判断数据的平稳性

时间序列平稳性判断也就是计算并观察样本序列的自相关函数和偏自相关函数。图4为原始风速时间序列{Yt}的168个数据的相关函数计算结果,AC(Autocorrelation Function)表示自相关函数,PAC(Partial Autocorrelation Coefficient)表示偏相关函数。

图4{Yt}的相关函数图

从图4中的Autocorrelation、AC、PAC栏中可以看出,自相关系数不能很快地趋于0(落入随机区内),则可认为该序列为非平稳序列。为使序列变平稳,对序列进行一阶差分处理,图5为差分后的风速序列{Y't}的相关函数图,图6为{Y't}的单位根检验(ADF检验)结果。

图5{Y't}的相关函数图

图6{Y't}的ADF检验结果

图5中{Y't}的自相关函数能很快趋于0,而且图6中{Y't}的ADF统计量的值均小于置信水平在1%、5%、10%下的值,因此{Y't}序列是平稳的。

2)确定模型阶数及参数估计

从图5可以看出,差分后的自相关,偏相关函数均具有拖尾性,因此可设该模型为ARMA(p,q)模型,又因为图5中自相关函数的1-3阶都是显著的,偏相关函数的1-2阶都是显著的,并从第3阶开始下降很大,且迅速趋于0。因此可以先设定q为3,p为2。表1是通过Eviews6.0计算出各个模型的AIC和BIC值。

从表1可以看出ARMA(2,2)模型的AIC、BIC值均最小,故可认为模型为ARMA(2,2)模型。

表1 ARMA模型的参数比较

3)模型检验

图7是进一步对模型的残差检验结果图。

图7 ARMA(2,2)残差检验结果图

从图7可以看出残差的Prob-值均大于0.05,即残差为白噪声序列,所建模型的确显著,模型较好。

4)模型预测

图8是用Eviews6.0进行风速预测的结果对比图。

图8 风速实际值与预测值的对比图

根据风速预测值,由风电机组的功率特性曲线,可求得对应情况下的功率预测值。本文所用的风电机组单机容量为1 500 kW,切入风速为3 m/s,额定风速12m/s,切出风速25 m/s。图9为实际功率与预测功率的对比图。

图9 ARIMA模型实际功率与预测功率的对比

2.2 神经网络模型

本文中BP神经网络法采用的是直接预测法,即直接预测风电机组的输出功率。基于样本(前600组数据),建立风速-功率的单输入-单输出BP-ANN模型,因为traingdx函数结合了自适应改变学习速率和动量法,因此训练函数采用traingdx函数。最终得出的预测功率与实际功率对比图如图10所示。

2.3 组合模型

图1 0 BP模型功率预测结果对比图

取神经网络法预测值的最后48个数据与时间序列法得到的48个预测值作为新的样本建立新的BP-ANN模型,其中将样本的前24个数据作为网络训练的输入,对应时刻的实际功率作为目标输出,进行网络训练,再将后24个数据作为测试数据,输入训练好的网络进行预测,得到24个预测值。此训练网络的训练函数仍然是traingdx。图11是3种预测模型与实际值的对比图。

图1 1 三种模型功率预测结果与实际值的对比图

2.4 预测结果评价与分析

1)模型评价标准

本文采用平均绝对误差MAE(Mean Absolute Error),均方根误差RMSE(Root Mean Square Error,RMSE)来评价模型预测效果。

将上述三种模型的预测结果进行对比,结果如表2所示。

表2 3种模型的风电功率预测效果

2)预测结果分析

时间序列法虽然结构简单、便于操作,但是从图8、9可以看出时间序列法在进行预测时,均有一定的滞后性,另外从图形的后半段可以看出,预测步长越大,偏差越大,时序法不适合进行长期预测,在图形上的转折点,也就是突变点处,预测值与实际值偏差较大,这也就是时间序列法在对变化剧烈的序列进行预测时会有一定失真的原因,另外从表格2的数据可以看出MAE与RMSE相差较大,这也进一步说明了预测值中某些点与实际值偏差较大。但是从整体上可以看出,实际值与预测值的拟合效果还算理想,预测值能较好的跟踪实际值的变化。BP-ANN法是较经典的风电功率预测方法之一,它具有自适应、自组织和自学习能力,能充分逼近任意复杂的非线性关系,这一点从图10的某些段的曲线可以看出,但是BP-ANN法未考虑序列的时序性,没有充分挖掘、利用数据中的全部信息,导致网络在训练时出现一些偏差,因此预测精度还有待进一步提高。不论从图11还是从表格2均可以看出,组合预测方法比单一预测方法效果好。

3 结束语

本文考虑了不同模型的优缺点,并基于ARIMA与BP-ANN预测方法,提出了新的结合方式,建立了组合预测模型,对实际数据进行了分析验证。结果表明了文中所采用的组合模型具有更高的可靠性与有效性,并且提高了预测精度。

参考文献

[1]田云飞,张立涛,徐昊亮.大规模风电并网对电力系统的影响及应对措施[J].电气自动化,2013,35(3):54-56.

[2]范高锋,裴哲义,辛耀中.风电功率预测的发展现状与展望[J].中国电力,2011,44(66):38-41.

[3]L LANDBERG.Prediktor-an On-Line prediction system[C].Wind Power for the 21st Century,EUWEC Special Topic Conference,Kassel(DE),2000.

[4]T NIELSEN,H MADSEN.WPPT-a tool for wind power prediction[C].EWEA Special Topic Conference,Kassel,2000.

[5]范高锋,王伟胜,刘纯,等.[J].中国电机工程学报,2008,28(34):118-123.

[6]武小梅,白银明,文福拴.基于RBF神经网络的风电功率短期预测[J].电力系统保护与控制,2011,39(15):80-83.

[7]张国强,张伯明.基于组合预测的风电场风速及风电机功率预测[J].电力系统自动化,2009,33(18):92-95.

[8]刘纯,范高锋,王伟胜,等.风电场输出功率的组合预测模型[J].电网技术,2009,33(13):74-79.

[9]易丹辉.时间序列分析方法与应用[M].北京:中国人民大学出版社,2011.