"Eviews数据统计与分析教程.ppt"是一份关于Eviews数据统计与分析教程的演示文稿,其中第5章重点介绍了基本回归模型的OLS估计方法。以下是对该章节内容的总结:
本章主要介绍了普通最小二乘法(OLS)的原理和应用。在OLS中,通过一组数据的拟合直线来反映数据的变化趋势。通过多次观测未知量,并加入改正数来确定未知量的可靠值,最小化改正数的平方乘以观测值权数的总和,从而得到最小二乘法。
在OLS中,总体回归方程可以表示为yt= B1 B2xt μt,样本回归函数可以表示为yt= b1 b2xt et。其中et为残差项,b1和b2分别为B1和B2的估计量。残差项e则表示实际观测值yt与估计值之间的差异。
最小二乘法的目标是选择样本回归函数,使得估计值与实际值之间的差异的平方和最小化。EViews提供了方程对象来实现最小二乘法的估计。通过在工作文件窗口工具栏中选择“Object”>“New Object”>“Equation”选项,可以创建方程对象,并选择适用的估计方法。
Eviews5.1提供了8种估计方法,包括最小二乘法(LS)、两阶段最小二乘法(TSLS)、广义矩法(GMM)、自回归条件异方差(ARCH)、二元选择模型(包括Logit模型、Probit模型和极端值模型)、有序选择模型等。
因此,本章重点介绍了基本回归模型的OLS估计方法,包括了最小二乘法的原理、样本回归函数的选择以及EViews中相关的功能和方法。这将有助于读者理解和应用OLS方法来进行数据统计与分析。