Eviews數(shù)據(jù)統(tǒng)計(jì)與分析教程4章

EviewsTutorialEviews數(shù)據(jù)統(tǒng)計(jì)與分析教程第4章·圖形和統(tǒng)計(jì)量分析Contents目錄Eviews數(shù)據(jù)統(tǒng)計(jì)與分析核心方法概覽01描述性統(tǒng)計(jì)量分析02相關(guān)分析方法03單位根檢驗(yàn)04Granger因果檢驗(yàn)CHAPTER01圖形對(duì)象的創(chuàng)建與管理掌握EViews中Graph對(duì)象的生成、凍結(jié)與復(fù)制操作EViews·Chapter04圖形(Graph)對(duì)象的生成Graph對(duì)象是EViews數(shù)據(jù)可視化的核心載體，支持多種生成路徑與豐富的圖形類型選擇。合理選擇圖形類型和分組方式，能夠有效揭示數(shù)據(jù)的趨勢特征、分布形態(tài)和變量間關(guān)系，為后續(xù)統(tǒng)計(jì)分析提供直觀的視覺依據(jù)。EViews圖形對(duì)象操作界面01生成途徑通過Quick菜單選擇Graph、在序列窗口View中選擇Graph選項(xiàng)、或在命令行直接輸入graph命令并指定參數(shù)Quick·View·Command02圖形類型支持線圖、散點(diǎn)圖、條形圖、餅圖、面積圖、箱線圖等十余種圖形類型10+ChartTypes03類型選擇趨勢觀察選線圖，分布特征選直方圖，變量關(guān)系選散點(diǎn)圖，結(jié)構(gòu)占比選餅圖Line·Scatter·Bar·Pie04分組選項(xiàng)Withingraph將各變量繪制在同一坐標(biāo)系，Asgroup分別生成獨(dú)立子圖Within·AsGroupDATAVISUALIZATION常用圖形類型與應(yīng)用場景不同圖形類型對(duì)應(yīng)不同的分析需求：線圖揭示時(shí)間趨勢，散點(diǎn)圖探索變量關(guān)系，條形圖與餅圖呈現(xiàn)分類對(duì)比與結(jié)構(gòu)占比。正確選擇圖形類型是高效數(shù)據(jù)分析的前提，直接影響分析結(jié)論的可靠性和直觀性。趨勢與分布類圖形01線圖適用于時(shí)間序列趨勢分析，可疊加多條序列進(jìn)行走勢對(duì)比，是宏觀經(jīng)濟(jì)數(shù)據(jù)分析的首選圖形02直方圖展示單一變量的頻率分布，配合正態(tài)分布曲線可直觀判斷數(shù)據(jù)是否服從正態(tài)分布Trend&Distribution關(guān)系探索類圖形01散點(diǎn)圖用于探索兩個(gè)連續(xù)變量間的相關(guān)關(guān)系，散點(diǎn)分布形態(tài)可初步判斷線性、非線性或無相關(guān)關(guān)系02XY配對(duì)圖可同時(shí)展示多個(gè)變量兩兩之間的散點(diǎn)關(guān)系矩陣，快速識(shí)別變量組內(nèi)的相關(guān)結(jié)構(gòu)RelationshipExploration分類對(duì)比類圖形01條形圖適用于不同類別或時(shí)期的指標(biāo)對(duì)比，支持簇狀、堆疊等多種排列方式以呈現(xiàn)不同維度的信息02餅圖直觀展示各組成部分在總量中的占比結(jié)構(gòu)，適合產(chǎn)業(yè)構(gòu)成、支出結(jié)構(gòu)等比例分析場景Comparison&CompositionGRAPH·FREEZE圖形的凍結(jié)(Freeze)操作Freeze操作將動(dòng)態(tài)視圖轉(zhuǎn)化為靜態(tài)Graph對(duì)象，是EViews圖形管理中的核心機(jī)制。動(dòng)態(tài)視圖vs凍結(jié)圖形動(dòng)態(tài)視圖(View)隨底層數(shù)據(jù)變化自動(dòng)更新，凍結(jié)圖形(Freeze)則是某一時(shí)刻的靜態(tài)快照，獨(dú)立于原始數(shù)據(jù)。View→Freeze兩種凍結(jié)方式在圖形窗口點(diǎn)擊Freeze按鈕，或在命令行輸入freeze命令并指定新圖形對(duì)象的名稱。GUI/CLIGraph對(duì)象獨(dú)立屬性凍結(jié)后可自由修改標(biāo)題、坐標(biāo)軸、顏色、線型等顯示設(shè)置，不影響原始數(shù)據(jù)序列。標(biāo)題·坐標(biāo)軸·線型學(xué)術(shù)引用規(guī)范學(xué)術(shù)論文和研究報(bào)告中，所有引用的圖形都應(yīng)經(jīng)過Freeze操作，確保圖形穩(wěn)定性和可復(fù)現(xiàn)性。穩(wěn)定·可復(fù)現(xiàn)CHAPTER4·GRAPHICSOUTPUT圖形的復(fù)制與導(dǎo)出EViews提供多層次的圖形輸出方案，從剪貼板復(fù)制到多格式文件導(dǎo)出，滿足不同場景的使用需求。掌握?qǐng)D形編輯與導(dǎo)出技巧，能夠顯著提升研究報(bào)告和學(xué)術(shù)論文中數(shù)據(jù)可視化的專業(yè)質(zhì)量。剪貼板復(fù)制位圖格式適用于快速粘貼，元圖格式保留圖形元素的可編輯性，適合在Office中進(jìn)一步調(diào)整。Bitmap/Metafile文件導(dǎo)出支持PNG、JPEG、TIFF等位圖格式以及EPS、PDF等矢量格式，學(xué)術(shù)論文建議使用矢量格式保證印刷質(zhì)量。EPS·PDF圖形編輯修改坐標(biāo)軸范圍與刻度、添加圖例與注釋、調(diào)整線條顏色與粗細(xì)、設(shè)置背景網(wǎng)格等精細(xì)化操作。Options批量管理利用Group對(duì)象同時(shí)生成多個(gè)變量的圖形組合，配合表格化輸出提升數(shù)據(jù)處理效率。GroupCHAPTER02描述性統(tǒng)計(jì)量分析運(yùn)用EViews計(jì)算和解讀數(shù)據(jù)的集中趨勢、離散程度與分布形態(tài)DESCRIPTIVESTATISTICS描述性統(tǒng)計(jì)量概述描述性統(tǒng)計(jì)量從集中趨勢、離散程度和分布形態(tài)三個(gè)維度量化數(shù)據(jù)特征，是數(shù)據(jù)分析的基礎(chǔ)環(huán)節(jié)。在建模分析之前進(jìn)行描述性統(tǒng)計(jì)，能夠幫助研究者快速了解數(shù)據(jù)質(zhì)量、識(shí)別異常值，并為選擇合適的模型提供依據(jù)。集中趨勢均值、中位數(shù)和眾數(shù)從不同角度反映數(shù)據(jù)中心位置，其中均值對(duì)極端值敏感而中位數(shù)更穩(wěn)健Mean·Median·Mode離散程度標(biāo)準(zhǔn)差、方差、極差和變異系數(shù)量化數(shù)據(jù)圍繞中心值的分散程度Std.Dev·Variance分布形態(tài)偏度反映分布的對(duì)稱性，峰度反映分布的尖峭或扁平程度Skewness·KurtosisEViews操作路徑序列窗口選擇View→DescriptiveStatistics→HistogramandStats，一次性輸出全部統(tǒng)計(jì)量和頻率分布直方圖View→StatsCHAPTER04·DESCRIPTIVESTATISTICS核心統(tǒng)計(jì)量的解讀方法正確解讀描述性統(tǒng)計(jì)量需要綜合考量多個(gè)指標(biāo)的相互關(guān)系：均值與中位數(shù)的差異提示分布偏態(tài)，偏度與峰度的數(shù)值反映分布偏離正態(tài)的程度。CENTRALTENDENCY集中趨勢解讀均值與中位數(shù)接近時(shí)數(shù)據(jù)分布較對(duì)稱，兩者差距大則提示存在偏態(tài)或極端值，應(yīng)進(jìn)一步檢查數(shù)據(jù)質(zhì)量對(duì)于收入、房價(jià)等右偏分布數(shù)據(jù)，中位數(shù)比均值更能代表"典型水平"，報(bào)告中應(yīng)同時(shí)列出兩個(gè)指標(biāo)均值·中位數(shù)DISPERSION離散程度解讀標(biāo)準(zhǔn)差需結(jié)合均值理解——變異系數(shù)（CV）消除了量綱影響，適合比較不同量級(jí)數(shù)據(jù)的離散程度極差（Max?Min）對(duì)極端值高度敏感，存在異常值時(shí)可能嚴(yán)重高估數(shù)據(jù)的實(shí)際波動(dòng)范圍CV·極差DISTRIBUTIONSHAPE分布形態(tài)解讀偏度為0表示完全對(duì)稱，正值表示右偏，負(fù)值表示左偏；金融收益率數(shù)據(jù)通常呈現(xiàn)負(fù)偏態(tài)特征峰度大于3（超額峰度＞0）表示尖峰厚尾分布，金融資產(chǎn)收益率普遍存在此特征，對(duì)風(fēng)險(xiǎn)管理有重要影響偏度·峰度DescriptiveStatistics·Testing描述性統(tǒng)計(jì)量檢驗(yàn)Jarque-Bera正態(tài)性檢驗(yàn)是描述性統(tǒng)計(jì)分析中最關(guān)鍵的推斷工具，利用偏度和峰度構(gòu)造檢驗(yàn)統(tǒng)計(jì)量判斷數(shù)據(jù)是否服從正態(tài)分布。JB檢驗(yàn)原理基于樣本偏度(S)和峰度(K)構(gòu)造聯(lián)合檢驗(yàn)統(tǒng)計(jì)量，通過比較實(shí)際分布與正態(tài)分布的偏離程度進(jìn)行假設(shè)檢驗(yàn)檢驗(yàn)統(tǒng)計(jì)量公式檢驗(yàn)統(tǒng)計(jì)量公式JB=N·[S2/6+(K-3)2/24]原假設(shè)下漸近服從χ2(2)分布EViews輸出軟件直接輸出JB統(tǒng)計(jì)量及其對(duì)應(yīng)的P值，用戶只需根據(jù)顯著性水平做出統(tǒng)計(jì)決策，無需手動(dòng)計(jì)算復(fù)雜公式P<0.05拒絕原假設(shè)P≥0.05無法拒絕拒絕時(shí)考慮對(duì)數(shù)變換或檢查異常值回歸影響殘差正態(tài)性是經(jīng)典線性回歸的重要假設(shè)，直接影響參數(shù)估計(jì)量的有效性及假設(shè)檢驗(yàn)的可靠性O(shè)LS估計(jì)t檢驗(yàn)F檢驗(yàn)置信區(qū)間正態(tài)性不滿足時(shí)考慮穩(wěn)健標(biāo)準(zhǔn)誤或Bootstrap方法替代方法EViews平臺(tái)集成多種正態(tài)性檢驗(yàn)方法，建議結(jié)合多種檢驗(yàn)綜合判斷，提高結(jié)論的穩(wěn)健性和可信度K-S檢驗(yàn)Kolmogorov-SmirnovS-W檢驗(yàn)Shapiro-WilkJ-B檢驗(yàn)Jarque-Bera大樣本優(yōu)先JB，小樣本推薦S-WChapter12·EViews序列組(Group)描述性統(tǒng)計(jì)Group對(duì)象的描述性統(tǒng)計(jì)將分析視野從單一變量擴(kuò)展到多變量聯(lián)合分析，不僅輸出各序列的獨(dú)立統(tǒng)計(jì)量，還提供協(xié)方差矩陣和相關(guān)系數(shù)矩陣。三層輸出Group統(tǒng)計(jì)輸出含獨(dú)立描述統(tǒng)計(jì)量、協(xié)方差矩陣與相關(guān)系數(shù)矩陣三個(gè)層面3層矩陣對(duì)比協(xié)方差受量綱影響不便比較；相關(guān)系數(shù)消除量綱，取值[?1,1]更易解讀[?1,1]View菜單CovarianceAnalysis同時(shí)輸出兩種矩陣，并支持ANOVA均值檢驗(yàn)與Bartlett方差齊性檢驗(yàn)ANOVA+Bartlett快捷創(chuàng)建命令窗口輸入groupg1x1x2x3即可將三個(gè)序列組合為序列組對(duì)象groupg1x1x2x3CHAPTER03相關(guān)分析方法量化變量間線性關(guān)系的強(qiáng)度與方向，為因果推斷奠定基礎(chǔ)CorrelationAnalysisPearson相關(guān)系數(shù)與EViews實(shí)現(xiàn)Pearson相關(guān)系數(shù)量化了兩個(gè)連續(xù)變量間線性關(guān)系的強(qiáng)度與方向，是實(shí)證研究中最常用的關(guān)聯(lián)度度量。但相關(guān)不等于因果，高相關(guān)系數(shù)僅表明變量間存在統(tǒng)計(jì)關(guān)聯(lián)，確證因果關(guān)系需要進(jìn)一步的Granger檢驗(yàn)或結(jié)構(gòu)模型分析。計(jì)算公式r等于兩變量協(xié)方差除以各自標(biāo)準(zhǔn)差之積，取值[-1,1]，絕對(duì)值越大表示線性關(guān)系越強(qiáng)[-1,1]強(qiáng)度判斷標(biāo)準(zhǔn)|r|≥0.7為強(qiáng)相關(guān)，0.4≤|r|<0.7為中等相關(guān)，|r|<0.4為弱相關(guān)，標(biāo)準(zhǔn)因?qū)W科領(lǐng)域而異≥0.7EViews操作路徑建立Group對(duì)象后選擇View→CovarianceAnalysis→Correlation，輸出相關(guān)系數(shù)矩陣并可顯示P值View→Corr分析局限性僅度量線性關(guān)系，對(duì)非線性關(guān)聯(lián)不敏感；高相關(guān)可能是共同趨勢或遺漏變量導(dǎo)致的虛假相關(guān)SpuriousChapter4·AdvancedCorrelation相關(guān)分析的進(jìn)階方法與注意事項(xiàng)Pearson相關(guān)系數(shù)存在虛假相關(guān)和非線性盲區(qū)，需結(jié)合偏相關(guān)、Spearman秩相關(guān)和散點(diǎn)圖診斷；時(shí)間序列數(shù)據(jù)尤須先做平穩(wěn)性檢驗(yàn)。01·虛假相關(guān)共同趨勢與虛假相關(guān)時(shí)間序列數(shù)據(jù)中共同趨勢可導(dǎo)致虛假高相關(guān)，應(yīng)先進(jìn)行單位根檢驗(yàn)或去趨勢處理后再計(jì)算相關(guān)系數(shù)。單位根檢驗(yàn)02·視覺診斷Anscombe四重奏四組完全不同的數(shù)據(jù)可具有相同相關(guān)系數(shù)，因此相關(guān)分析前必須先繪制散點(diǎn)圖進(jìn)行視覺診斷。散點(diǎn)圖診斷03·替代度量Spearman秩相關(guān)基于數(shù)據(jù)排序而非原始值計(jì)算，對(duì)極端值穩(wěn)健且能捕捉單調(diào)非線性關(guān)系，適合有序變量或非正態(tài)數(shù)據(jù)。排序穩(wěn)健04·替代度量偏相關(guān)分析在控制第三變量影響后計(jì)算兩變量的凈相關(guān)，EViews可通過命令行或編程實(shí)現(xiàn)多階偏相關(guān)的計(jì)算。凈相關(guān)CHAPTER04單位根檢驗(yàn)判斷時(shí)間序列的平穩(wěn)性，避免偽回歸并確定正確的建模策略CHAPTER04·STATIONARITY平穩(wěn)性與單位根的概念時(shí)間序列平穩(wěn)性是經(jīng)典回歸分析的前提條件，含有單位根的非平穩(wěn)序列會(huì)導(dǎo)致偽回歸問題，使傳統(tǒng)統(tǒng)計(jì)推斷完全失效。01弱平穩(wěn)條件均值、方差不隨時(shí)間變化，自協(xié)方差僅依賴滯后期數(shù)而非具體時(shí)間點(diǎn)，是大多數(shù)時(shí)序模型的基本假設(shè)。WeakStationarity02單位根過程DGP:y?=y???+ε?，沖擊對(duì)序列的影響是永久性的，序列不具有均值回復(fù)特性。UnitRootProcess03偽回歸問題兩個(gè)獨(dú)立單位根序列因共同隨機(jī)趨勢表現(xiàn)高度相關(guān)，OLS的R2和t統(tǒng)計(jì)量失去標(biāo)準(zhǔn)分布。Granger與Newbold的蒙特卡洛模擬顯示，此類回歸的R2分布向右偏斜嚴(yán)重，DW統(tǒng)計(jì)量趨近于零。SpuriousRegression04實(shí)證數(shù)據(jù)特征GDP、物價(jià)指數(shù)、貨幣供應(yīng)量等宏觀變量通常含單位根，利率、失業(yè)率等可能平穩(wěn)，需逐一檢驗(yàn)。檢驗(yàn)方法包括ADF檢驗(yàn)、PP檢驗(yàn)和KPSS檢驗(yàn)，不同檢驗(yàn)的備擇假設(shè)存在差異，實(shí)際應(yīng)用中建議多種方法交叉驗(yàn)證。MacroVariablesUNITROOTTESTADF檢驗(yàn)原理與EViews操作ADF檢驗(yàn)通過檢驗(yàn)序列差分回歸中滯后水平項(xiàng)系數(shù)的顯著性來判斷單位根的存在，是最經(jīng)典且應(yīng)用最廣泛的平穩(wěn)性檢驗(yàn)方法。正確選擇檢驗(yàn)?zāi)Ｐ托问揭约皽箅A數(shù)，是確保檢驗(yàn)結(jié)論可靠的關(guān)鍵。01原假設(shè)與統(tǒng)計(jì)量H?為序列含有單位根（非平穩(wěn)），H?為序列平穩(wěn)；檢驗(yàn)統(tǒng)計(jì)量不服從標(biāo)準(zhǔn)t分布，需使用Dickey-Fuller臨界值進(jìn)行判斷。H?:單位根02模型形式選擇先觀察序列圖形：圍繞零值波動(dòng)選無常數(shù)無趨勢型，圍繞非零均值波動(dòng)選含常數(shù)型，有明顯線性趨勢選含常數(shù)和趨勢型。3種形式03EViews操作路徑序列窗口View→UnitRootTest→選擇ADF檢驗(yàn)→設(shè)定模型形式和滯后階數(shù)（可選AIC/SIC自動(dòng)選擇），輸出統(tǒng)計(jì)量與臨界值。View→UnitRoot04判斷規(guī)則ADF統(tǒng)計(jì)量絕對(duì)值大于臨界值絕對(duì)值（或P值<顯著性水平），則拒絕原假設(shè)，認(rèn)為序列平穩(wěn)；否則不能拒絕含單位根的假設(shè)。|ADF|>|CV|UNITROOTAPPLICATION單位根檢驗(yàn)結(jié)果的應(yīng)用策略單位根檢驗(yàn)的結(jié)果直接決定了后續(xù)的建模路徑選擇：平穩(wěn)序列可直接回歸，同階單整序列可進(jìn)一步做協(xié)整檢驗(yàn)，不同階單整序列則需特殊處理。建立從單位根檢驗(yàn)到模型選擇的系統(tǒng)化決策框架，是時(shí)間序列實(shí)證研究的核心方法論。平穩(wěn)序列的建模I(0)平穩(wěn)序列可直接使用OLS回歸、ARMA模型等標(biāo)準(zhǔn)方法，傳統(tǒng)統(tǒng)計(jì)推斷(t檢驗(yàn)、F檢驗(yàn))有效。若關(guān)注短期波動(dòng)而非長期水平，也可對(duì)平穩(wěn)序列進(jìn)行差分建模，但需注意過度差分可能引入不必要的MA結(jié)構(gòu)。I(0)非平穩(wěn)序列的建模同階單整(如均為I(1))的多個(gè)序列可進(jìn)行協(xié)整檢驗(yàn)(Johansen或EG兩步法)，若存在協(xié)整關(guān)系則建立VECM誤差修正模型。不同階單整序列不能直接做協(xié)整分析，可采用ARDL邊界檢驗(yàn)法或?qū)⒏唠A單整序列差分降階后統(tǒng)一處理。VECM其他單位根檢驗(yàn)方法PP檢驗(yàn)使用非參數(shù)方法修正序列相關(guān)，適合誤差項(xiàng)存在復(fù)雜自相關(guān)結(jié)構(gòu)的情況，與ADF檢驗(yàn)互補(bǔ)使用。KPSS檢驗(yàn)的原假設(shè)與ADF相反(H?為平穩(wěn))，建議將ADF與KPSS聯(lián)合使用以提高結(jié)論的穩(wěn)健性。ADF+KPSSUNITROOTTEST常見單位根檢驗(yàn)方法比較不同單位根檢驗(yàn)方法在原假設(shè)設(shè)定、序列相關(guān)處理方式和檢驗(yàn)功效上各有差異，實(shí)際研究中應(yīng)多種方法聯(lián)合使用以增強(qiáng)結(jié)論的穩(wěn)健性。ADF與KPSS的互補(bǔ)使用是當(dāng)前學(xué)術(shù)界最推薦的檢驗(yàn)策略。EViews中常用單位根檢驗(yàn)方法對(duì)比檢驗(yàn)方法原假設(shè)核心特點(diǎn)適用場景ADF檢驗(yàn)含單位根參數(shù)化方法，通過加入滯后差分項(xiàng)消除序列相關(guān)最通用，適合大多數(shù)情況PP檢驗(yàn)含單位根非參數(shù)方法，使用Newey-West修正異方差和自相關(guān)誤差項(xiàng)結(jié)構(gòu)復(fù)雜時(shí)KPSS檢驗(yàn)趨勢平穩(wěn)原假設(shè)為平穩(wěn)，與其他方法互補(bǔ)驗(yàn)證與ADF聯(lián)合使用DF-GLS檢驗(yàn)含單位根先去趨勢再做ADF檢驗(yàn)，功效更高含趨勢序列的高功效檢驗(yàn)ERS檢驗(yàn)含單位根基于點(diǎn)最優(yōu)檢驗(yàn)理論，對(duì)小樣本功效好樣本量較小的情況五種檢驗(yàn)方法中ADF和PP原假設(shè)相同但處理方式不同，KPSS原假設(shè)相反，DF-GLS和ERS在小樣本和含趨勢場景下功效更優(yōu)UNITROOTTEST·CASESTUDY單位根檢驗(yàn)實(shí)操案例：GDP序列通過中國GDP序列的完整檢驗(yàn)流程，展示從圖形觀察→模型選擇→滯后階數(shù)確定→結(jié)果判讀→差分再檢驗(yàn)的標(biāo)準(zhǔn)化操作鏈。01繪制線圖觀察趨勢—發(fā)現(xiàn)GDP存在明顯上升趨勢，選擇含截距和線性趨勢項(xiàng)的ADF檢驗(yàn)?zāi)Ｐ徒鼐?趨勢項(xiàng)02SIC準(zhǔn)則自動(dòng)定階—在設(shè)定的最大滯后階數(shù)范圍內(nèi)，由EViews自動(dòng)選取使SIC最小的最優(yōu)階數(shù)SchwarzIC03水平序列不平穩(wěn)—ADF統(tǒng)計(jì)量=?2.15，大于5%臨界值?3.52，不拒絕單位根原假設(shè)ADF=?2.1504一階差分平穩(wěn)—D(GDP)選擇不含趨勢項(xiàng)模型，ADF=?4.83<?3.52，拒絕原假設(shè)，GDP為I(1)序列I(1)確認(rèn)計(jì)量經(jīng)濟(jì)學(xué)上機(jī)實(shí)驗(yàn)教學(xué)場景Chapter05Granger因果檢驗(yàn)基于預(yù)測能力的因果關(guān)系檢驗(yàn)，揭示變量間的信息傳導(dǎo)方向第4章·因果分析基礎(chǔ)Granger因果關(guān)系的定義與原理Granger因果關(guān)系基于"預(yù)測能力改善"來定義因果：若X的歷史信息能顯著提升對(duì)Y的預(yù)測精度，則X是Y的Granger原因。這一定義僅在統(tǒng)計(jì)預(yù)測意義上成立，不等同于真實(shí)因果機(jī)制。Definition形式化定義在信息集Ω?中加入X的歷史值后，Y的條件分布發(fā)生變化：F(Y???|Ω?,X?,X???,…)≠F(Y???|Ω?)，則XGranger導(dǎo)致Y。Method檢驗(yàn)方法基于雙變量VAR模型，估計(jì)受限模型（僅含Y滯后項(xiàng)）與非受限模型（加入X滯后項(xiàng)），用F檢驗(yàn)判斷X的滯后項(xiàng)系數(shù)是否聯(lián)合顯著。Outcomes四種可能結(jié)果X→Y單向因果、Y→X單向因果、X?Y雙向因果（反饋關(guān)系）、以及X與Y無Granger因果關(guān)系。Limitation核心局限Granger因果不等于真實(shí)因果，可能受遺漏變量、共同驅(qū)動(dòng)因素或樣本期間選擇影響；且要求序列平穩(wěn)或存在協(xié)整關(guān)系。Chapter04·GrangerCausalityGranger因果檢驗(yàn)的EViews實(shí)現(xiàn)EViews的Granger因果檢驗(yàn)通過Group對(duì)象的內(nèi)置功能實(shí)現(xiàn)，操作簡潔但需注意平穩(wěn)性與滯后階數(shù)選擇，正確解讀雙向結(jié)果可揭示變量間信息傳導(dǎo)方向。前置條件序列須為平穩(wěn)I(0)或同階單整且存在協(xié)整關(guān)系；非平穩(wěn)無協(xié)整序列應(yīng)差分平穩(wěn)化后再檢驗(yàn)，否則結(jié)論不可靠。I(0)或同階單整操作路徑建立Group對(duì)象→View→LagLengths→GrangerCausality/BlockExogeneityTests→設(shè)定滯后階數(shù)。Group→View→Tests結(jié)果解讀輸出含雙向F檢驗(yàn)，關(guān)注P值列：P<0.05拒絕"X不Granger導(dǎo)致Y"的原假設(shè)，認(rèn)為存在該方向因果。P<0.05→拒絕原假設(shè)應(yīng)用注意滯后階數(shù)對(duì)結(jié)論影響顯著，建議用LR、FPE、AIC、SC、HQ等準(zhǔn)則綜合判斷；樣本期選擇也會(huì)影響穩(wěn)定性，建議滾動(dòng)窗口驗(yàn)證。LR·FPE·AIC·SC·HQCHAPTER04·CASESTUDY實(shí)證案例：貨幣供應(yīng)與GDP因果關(guān)系通過中國M2與GDP的Granger因果檢驗(yàn)案例，完整展示從數(shù)據(jù)準(zhǔn)備→平穩(wěn)性檢驗(yàn)→協(xié)整檢驗(yàn)→因果檢驗(yàn)的實(shí)證研究全流程。01研究問題：檢驗(yàn)中國貨幣供應(yīng)量(M2)與實(shí)際GDP之間是否存在Granger因果關(guān)系及其方向，以判斷貨幣政策對(duì)實(shí)體經(jīng)濟(jì)的傳導(dǎo)效果02數(shù)據(jù)預(yù)處理：對(duì)M2和GDP季度數(shù)據(jù)取對(duì)數(shù)后做ADF檢驗(yàn)，確認(rèn)均為I(1)序列；Johansen協(xié)整檢驗(yàn)表明存在至少一個(gè)協(xié)整關(guān)系03因果檢驗(yàn)結(jié)果：M2→GDP方向F統(tǒng)計(jì)量顯著(P=0.02<0.05)，拒絕無因果原假設(shè)；GDP→M2方向不顯著(P=0.35)，結(jié)論為單向Granger因果04經(jīng)濟(jì)學(xué)解讀：結(jié)果支持貨幣供給驅(qū)動(dòng)論——貨幣供應(yīng)量的擴(kuò)張對(duì)后續(xù)經(jīng)濟(jì)增長有預(yù)測作用，央行通過調(diào)控M2可影響實(shí)體經(jīng)濟(jì)產(chǎn)出中國人民銀行·貨幣政策調(diào)控核心機(jī)構(gòu)CHAPTERREVIEW本章知識(shí)體系總結(jié)第4章構(gòu)建了從數(shù)據(jù)可視化到統(tǒng)計(jì)推斷的完整分析鏈：圖形分析提供直覺認(rèn)知，描述性統(tǒng)計(jì)量量化數(shù)據(jù)特征，相關(guān)分析探索變量關(guān)聯(lián)，單位根檢驗(yàn)保障建模前提，Granger因果檢驗(yàn)揭示信息方向。五大模塊層層遞進(jìn)，構(gòu)成計(jì)量實(shí)證研究的標(biāo)準(zhǔn)前置分析流程。數(shù)據(jù)可視化層圖形對(duì)象的生成、凍結(jié)與復(fù)制操作，掌握線圖、散點(diǎn)圖、條形圖等常用圖形的選擇策略和編輯技巧圖形分析為后續(xù)統(tǒng)計(jì)分析提供直覺認(rèn)知，幫助發(fā)現(xiàn)趨勢、異常值和非線性特征等數(shù)據(jù)模式Graph·直覺認(rèn)知統(tǒng)計(jì)描述層描述性統(tǒng)計(jì)量（均值、標(biāo)準(zhǔn)差、偏度、峰度）的計(jì)算與解讀，Jarque-Bera正態(tài)性檢驗(yàn)判斷分布假設(shè)的合理性Group對(duì)象的多變量聯(lián)合統(tǒng)計(jì)提供協(xié)方差和相關(guān)系數(shù)矩陣，是理解變量關(guān)系的起點(diǎn)J-B·正態(tài)性檢驗(yàn)推斷檢驗(yàn)層相關(guān)分析量化變量間線性關(guān)聯(lián)強(qiáng)度，需警惕虛假相關(guān)和非線性盲區(qū)，結(jié)合散點(diǎn)圖和偏相關(guān)分析提升可靠性單位根檢驗(yàn)（ADF/PP/KPSS）確保時(shí)間序列平穩(wěn)性，Granger因果檢驗(yàn)揭示變量間預(yù)測意義上的因果方向ADF·GrangerSTANDARDWORKFLOW數(shù)據(jù)分析標(biāo)準(zhǔn)流程與決策路徑從數(shù)據(jù)獲取到模型建立之間存在一套標(biāo)準(zhǔn)化的分析流程：可視化→描述統(tǒng)計(jì)→相關(guān)分析→平穩(wěn)性檢驗(yàn)→因果檢驗(yàn)。每一步的輸出都是下一步的輸入依據(jù)，形成環(huán)環(huán)相扣的決策鏈。STEP01圖形分析繪制時(shí)間序列線圖、散點(diǎn)圖和分布圖，直觀識(shí)別趨勢特征、異常值和非線性模式，為后續(xù)分析提供方向VisualSTEP02描述性統(tǒng)計(jì)計(jì)算均值、標(biāo)準(zhǔn)差、偏度、峰度，執(zhí)行JB正態(tài)性檢驗(yàn)，評(píng)估數(shù)據(jù)質(zhì)量和分布假設(shè)的合理性DescribeSTEP03相關(guān)分析計(jì)算Pearson/Spearman相關(guān)系數(shù)矩陣，初步判斷變量間關(guān)聯(lián)強(qiáng)度，同時(shí)通過散點(diǎn)圖排除虛假相關(guān)CorrelateSTEP04單位根檢驗(yàn)對(duì)時(shí)間序列執(zhí)行ADF/KPSS聯(lián)合檢驗(yàn)，確定單整階數(shù)，決定采用標(biāo)準(zhǔn)回歸、差分還是協(xié)整分析StationaritySTEP05Granger因果檢驗(yàn)在平穩(wěn)性或協(xié)整條件滿足后，檢驗(yàn)變量間預(yù)測因果關(guān)系方向，為理論假說提供實(shí)證支持CausalityChapter04·QuickReferenceEViews核心操作速查表本章涉及的EViews操作可歸納為菜單驅(qū)動(dòng)和命令行兩種方式，菜單操作適合初學(xué)者逐步學(xué)習(xí)，命令行操作則提供更高的效率和靈活性。熟練掌握兩條路徑，能夠在不同場景下靈活選擇最合適的操作方式。第4章EViews操作命令與菜單路徑匯總分析任務(wù)菜單路徑命令行方式創(chuàng)建圖形Quick→Graph/序列窗口View→Graphgraphg1linex1x2凍結(jié)圖形圖形窗口→Freeze按鈕freezeg2g1描述性統(tǒng)計(jì)序列窗口View→DescriptiveStatsx1.statsGroup統(tǒng)計(jì)Group窗口View→DescriptiveStatsgroupg1x1x2/g1.stats相關(guān)系數(shù)矩陣Group窗口View→CovarianceAnalysisgroupg1x1x2/g1.corADF檢驗(yàn)序列窗口View→UnitRootTestx1.adfGranger因果Group窗口View→GrangerCausalitygroupg1x1x2/g1.cause(2)7項(xiàng)核心操作覆蓋本章所有分析任務(wù)，建議同時(shí)掌握菜單和命令行兩種操作方式以提高分析效率LEARNINGOUTCOMES本章學(xué)習(xí)目標(biāo)達(dá)成清單本章圍繞EViews圖形與統(tǒng)計(jì)量分析展開，目標(biāo)是使學(xué)生掌握從數(shù)據(jù)可視化到初步統(tǒng)計(jì)推斷的完整技能鏈。圖形操作獨(dú)立創(chuàng)建線圖、散點(diǎn)圖、條形圖，掌握凍結(jié)與導(dǎo)出，制作專業(yè)級(jí)可視化圖表CHART描述統(tǒng)計(jì)計(jì)算均值、標(biāo)準(zhǔn)差、偏度、峰度，執(zhí)行Jarque-Bera正態(tài)性檢驗(yàn)評(píng)估模型假設(shè)STATS相關(guān)分析計(jì)算Pearson與Spearman系數(shù)矩陣，結(jié)合散點(diǎn)圖識(shí)別虛假相關(guān)，理解相關(guān)≠因果CORRELATION單位根檢驗(yàn)執(zhí)行ADF/PP/KPSS檢驗(yàn)判斷序列平穩(wěn)性，據(jù)此選擇回歸、差分或協(xié)整建模路徑ADF因果檢驗(yàn)滿足前置條件下執(zhí)行Granger檢驗(yàn)，正確解讀雙向結(jié)果并結(jié)合經(jīng)濟(jì)理論解釋