[转载]Eviews回归估计方法的一般理解2
四、分位数回归& QREG---Quantile Regression
这还是6.0版才加入的经典估计方法，Eviews就是这么的滞后啊。
一般的回归都是预测均值，QREG则别开生面地采取百分位数，能够更加全面地描述解释变量的条件分布。
相对于OLS，QREG具有四个方面的优势：
第一，分位数模型特别适合具有异方差性的模型。
第二，对条件分布的刻画更加的细致，能给出条件分布的大体特征。每个分位点上的回归都赋予条件分布上某个特殊点（中央或尾部）一些特征；把不同的分位点上的分位数回归集中起来就能提供一个关于条件分布的更完整的统计特征描述。并且不同分位点下所给出的参数估计本身也可能有值得进一步探讨的意义。这就是QREG最大的魅力所在，它为水平结构分析提供了完美的工具！
第三，分位数回归并不要求很强的分布假设，在随机扰动项非正态的情形下，分位数估计量可能比OLS更为有效。
第四，与OLS通过使误差平方和最小得到参数的估计不同，分位数回归是通过使加权误差绝对值之和最小得到参数的估计，因此估计量不容易受到异常值的影响，从而估计更加稳健。呃……这个勉强也算是个优点吧。
QREG较之OLS额外提供了一些检验过程，例如分位数过程检验（Quantile process），包括：
1、“Process
Coefficients”：通过这个功能可以同时观察多种分位数设定下的系数估计结果。可以选择结果输出(“output”)的显示方式，即表格(“table”)或者图形(“graph”)，默认状态是以表格形式显示系数估计值、标准差、t
检验值和 p
值。如果选择以图形的方式显示，需要指定置信度，默认状态是95%。下面一栏中可以设定在何种分位数下估计模型，系统默认数值是10分位数，即对因变量的10%、20%、一直到90%分位数情形分别估计系数，如果输入20，则对因变量的5%、10%、一直到95%分位数情形分别估计系数。
2、“Slope Equality
Test”：这个功能用来检验因变量的不同分位数回归估计中斜率系数是否相同。默认状态下，只比较25%、50%、75%三种情形，当然也可以自行设定。输出结果是Wald统计量及其P值。
3、“Symmetric Quantiles
Test”：检验对称的分位数回归估计出来的系数的平均值是否与中位数回归的系数估计值相等。输出结果也是Wald统计量及其P值。
五、逐步最小二乘估计 STEPLS---Stepwise Least Squares
这也是在6.0版之后才添加进去的，但结构还是比较散乱，不如SPSS、SAS等其他统计计量软件中清晰明了。STEPLS的核心思路就是实现不确定回归方程，而只是简单地将变量进行分类（Eviews中用两个输入框隔开），分为被解释变量和必须包含的解释变量（被解释变量写在前面）和备选的解释变量，然后自动按照某种标准，比如可决系数、T值、P值等等，进行解释变量的选择和剔除，最终得到符合既定标准的最优回归方程。Eviews以前各种版本居然没有包括这么经典的一般化傻瓜式的回归估计方式，真是让人匪夷所思，可悲可叹啊。
Eviews提供了一下集中具体的估计方法，名字也是怪怪的，就不能取得跟其他软件保持一致：
1、单方向筛选法& Uni-directional method
这种方法包含前向法(Forwards)和后向法(Backwards)两种，两种方法都是利用最大 t 值或者相对应的最小 p
值作为变量入选标准，即根据变量的显著性进行筛选。前向法是根据最小 p 值进行逐步回归。首先设定变量的入选 p
值标准（比如0.05），即将入选变量的显著性水平设为5%；其次选择所有变量中 p 值最小并且小于所设定入选 p
值标准的变量加入模型，接着在剩余变量中一直筛选下去；当剩余的每个变量加入模型后其 p 值都大于设定的 p
值时，或者增加回归变量的数量达到了建模者事先设定的数值时，逐步回归运算结束。
后向法与前向法类似，只不过这种方法一开始就将全部的备选变量加入模型，然后选择 p 值最大的变量，如果此变量的 p
值大于事先设定的数值，则将其剔除掉，然后再在剩余的变量中依次选择剔除变量，直到模型中剩余的解释变量所对应的 p
值都小于设定值，或者增加回归变量的个数达到设定数值时结束筛选。
2、逐步筛选法& Stepwise method
逐步筛选法是以单方向筛选法为基础的，也包含前向法(Forwards)和后向法(Backwards)两种方法。逐步前向筛选法最先是和单方向前向法完全相同，将
p 值最小并且小于所设定入选 p
值标准的变量加入模型，但不同的是，每次增加变量后还要执行单方向后向法的程序，即检查模型中包含的解释变量中是否存在最大的 p
值超过设定值的情况，如果存在，则剔除这个变量。每次按照单方向前向法增加一个变量的时候，都要按照单方向后向法检查是否要剔除一些不显著的变量。筛选结束规则与上述两种方法相同。
3、互换变量法& Swapwise method
这种方法基于模型整体效果，即通过判断拟合优度 R2作为筛选变量的标准。首先选择能够使得方程的 R2
增加最大的变量入选，然后选择下一个能使回归方程 R2 增加最大的变量。接下来，将第一个选中的变量逐一与未选中的变量互换，一旦出现 R2
超过现在的数值的情况，就将新的变量换入方程中，再将另一个变量与其他未选中的变量互换，这个过程一直进行下去，直到 R2
无法改善的时候，再考虑加入第三个变量。加入了第三个变量后，仍然要执行类似的变量互换过程，一旦出现 R2
超过既有数值的情况，就换入新的变量。当入选变量的个数达到事先设定的数值时，结束筛选。
4、组合法&& Combinatorial
&&&&组合方法与互换变量法作用类似，即将给定的所有变量进行组合分别进行回归，使得
R2 最大的变量组合即为最终的回归方程。这种方法适合于建模者事先设定了最终希望包含的变量个数的情形。
注意：方程设定只能采用列表法
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。我的EVIEWS的回归分析结果,帮我分析下吧!
你的自变量Y Z C,只有C通过了检验（只有C的概率P值0.0006小于显著性水平0.05）,回归模型的R方值为0.396133,这里由于有多个自变量,应看调整之后的R方值,为0.194844,蛮低.而且最重要的是模型的方差检验没有通过检验,即说明模型建立不好,需要重新建立（因为F值对应的概率P值0.220203大于显著性水平0.05）
为您推荐：
其他类似问题
扫描下载二维码君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
eviews--回归分析
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口【图文】第三讲
eviews多元线性回归模型_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
eviews多元线性回归模型
上传于||文档简介
&&e​v​i​e​w​s​多​元​线​性​回​归​模​型
大小：3.12MB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢}