《经济计量学实训课.doc》由会员分享，可在线阅读，更多相关《经济计量学实训课.doc（40页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、专题一：经济计量分析软件包EViews基础第一节 EViews软件使用初步 一、EViews软件包的启动（一）EViews的启动软件安装后，在Windows窗口双击EViews图标或在相应目录下双击EViews图标启动EViews程序，进入EViews主窗口，见图1。图1 EViews主窗口（二）主窗口简介主窗口最上方为标题栏。左边为EView标题，右边为窗口操作按钮。标题栏下方为菜单栏，排列着按功能划分的9个主选菜单选项：File，Edit，Objects，View，Procs，Quick，Options，Windows，Help。用鼠标左键单击任意选项会弹出不同的下拉菜单，显示该部分的具体
2、功能。菜单栏下面空白区是命令输入栏，允许用户通过键盘输入EViews命令，EViews命令与Macro TSP (DOS) 版的命令相同。命令输入栏下大面积空白区域为主显示窗口，以后由操作产生的子窗口均在此窗口范围之内。主窗口最下方为状态显示栏。显示程序路径、数据库和工作文件名称等相关内容。二、工作文件的建立与使用（一）工作文件的建立EViews要求数据的分析处理过程必须在特定的工作文件（Workfile）中进行。所以，必须首先建立或打开一个工作文件，用户才能进行EViews操作。用鼠标左键单击主菜单选项File，在打开的下拉菜单中选择New/workfile，如图2所示。点击Workfile
3、后出现一个工作文件定义对话框，要求指定数据序列性质和数据区间，如图3所示。图2File功能菜单图3工作文件对话框在图3所示对话框中，工作文件频率项指研究数据性质，可选择年度、季度、月度及非时间序列数据。Annual选项，指年度数据。Start date后输入起始年份，End date后输入终止年份，输入格式为表示年份的4位数，如1989、2003等。Semi-annual选项：半年度数据。起始与终止输入格式为1989:1，2003:2，年度后面只能跟1、2，分别代表上半年、下半年。Quarterly选项：季度数据。起始与终止输入格式为1989:1，2003:4，年度后面只能跟1、2、3、4，分
4、别代表第1、第2、第3、第4季度。Monthly选项：月度数据。起始与终止输入格式为1989:09，2003:12，年度后为月份。Weekly选项：周数据。起始与终止输入格式为10:01:1989，9:14:2003表示1989年10月1日起至2003年9月14日，每隔7日一个数据。Daily选项：日数据。起始与终止输入格式为10:01:1989，9:14:2003表示1989年10月1日起至2003年9月14日，每日一个数据。如为每周5日的数据，则系统自动取每周7日中的前5日。Undated or irregular选项：非时序数据。起止项中分别输入1和20，表示数据集个数为20个。（二）工
5、作文件窗口简介工作文件窗口是数据序列与分析结果的集中显示区域。如图4所示。窗口最上方一栏显示工作文件名称，工作文件未命名时显示为UNTITLED。工作文件名称下面一栏为工具栏，提供了各种运算功能。工具栏下面是数据状况栏，显示了数据区间（Range）、样本期（Sample）等。下面的大块区域为数据序列及模型的显示区域。一个新建的工作文件窗口中只有2个对象：系数向量C和残差resid。图4 工作文件窗口（三）工作文件的存储与调用保存新建立的工作文件有两种方法。一种是在主窗口中选择菜单File/Save或Save As，另一种方法是直接单击工作文件窗口工具栏中的Save按钮，保存文件时需要给出文件名
6、。调用已有的工作文件。在主窗口菜单选项中依次选择File/Open/Workfile，点击Workfile后，选中要打开的文件即可。（四）工作文件数据区间范围的调整当据实际问题的要求，需要调整区间的范围时，就要变更工作文件数据序列的起始点或终止点。在图4所示工作文件窗口的工具栏中，选择Procs/Change workfile Range，然后在出现的对话框中输入新的数据起止点即可。EViews默认的样本区间与工作文件的数据区间相同，如在实际分析中，需要不同于数据区间的样本，可据实际需要设定样本区间，样本区间是数据区间的一个子区间。在图4所示工作文件窗口的工具栏中选中Sample按钮，在对话框
7、中输入样本数据起止点即可。 如图5所示。图5工作文件数据区间范围调整菜单三、数据序列创建与数据编辑（一）序列创建在主窗口的菜单选项或工作文件窗口的工具栏中选择Object/New Object， 出现如图6所示的对话框。在对话框中选择Series，并在对话框右上方空格处填写新序列名称（默认名是Untitled），如命名为X，操作完毕后点击OK按钮即可。图6序列创建对话框EViews软件不区分序列名称字母的大小写，例如GDP、Gdp和gdp等都被视为同一序列名称。同时生成多个序列时可使用命令data。如要生成序列X, Y, Z，则可在主窗口命令栏内输入：data X Y Zdata与X, Y,
8、Z之间要用空格分开。打开序列方法很多，最简便的方法是双击选定的序列。（二）数据的录入、调用与编辑建立工作文件后，无论新生成还是打开一个序列，都会出现如图7所示的序列对象窗口。在工具栏上选择Edit+/-按钮进入编辑状态，可输入或修改序列数据。如使用data命令，则直接进入编辑状态。点击Smpl+/-铵钮可在显示工作文件数据区间内全部数据和只显示样本数据之间切换；Label+/-按钮在是否显示数据序列标签两种模式间进行切换；Wide+/-按钮在单列显示和多列显示数据序列之间切换。对于季度和月度数据，采用多列显示模式会更清楚。录入或修改数据完毕后点击Edit+/-按钮恢复只读状态。图7序列对象窗口
9、（三）序列排序当需要对序列数据进行排序时，可在图4所示工作文件窗口工具栏中选择Procs/Sort Series，出现如图8所示对话框。图8序列排序对话框在对话框中Sort Key(s) one or more series下面填写排序的关键词，即对哪个或哪几个序列值进行排序。如输入X, Y则对X, Y序列进行排序。在Sort Order选项中，要指定是按升序（Ascending）还是降序（Descending）排列。特别提醒：如果数据序列已经按日期或对应顺序排列，排序会破坏观测值与日期或特定对应的关系。（四）新序列的建立在数据分析时，利用已知数据生成新序列是常用的操作。若新序列是工作文件中已
10、有序列的函数，则可由已知序列经函数运算产生。在主菜单选择Quick/Generate Series或点击工作文件窗口工具栏中的Procs/Generate Series，出现序列建立对话框，如图9所示。在上面的Enter equation编辑区中输入赋值语句，在Sample下面输入样本期。 图9序列建立对话框例如，工作文件中已有序列X和Y，利用它们生成新的序列Z，可键入赋值语句：Z3*XY/2EViews软件中常用计算符号为：自然对数log( )，指数exp( )，算术平方根sqr( )，差分d( )，倒数inv( )和绝对值abs( )。如果目标序列是工作文件中存在的序列，此时操作相当于修改
11、原数据。五、群序列的建立和群内序列的数据特征（一）群序列的建立群是若干个序列的集合，通过群可研究序列之间的关系。在图4所示工作文件窗口的工具栏中选择Object/New Object，然后在图6所示的对话框左边选择Group项，并给它命名，点击OK后出现群对象定义对话框，如图10所示。输入欲建立的群所包含的序列名称后，点击OK，即创建了包含了若干序列的群。 图10群对象定义对话框也可使用更简捷的命令方式创建群，格式为输入命令：data X Y在回车后出现的群窗口中单击Name，命名该群的名称，即建立了以X, Y序列为内容的群。（二）群内序列的数据特征在群窗口中，单击Views按钮，可在下拉菜单
12、中选择不同的项目对群序列进行数据特征分析。菜单项目如图11所示。项目功能如下：Group Members：增加群中序列。Spreadsheet：以电子数据表的形式显示数据。Dated Data Table：使时序数据以表的形式显示。Graph：显示序列的各种形式图形。Multi Graph：在同一图中显示序列。Descriptive Stats：给出群中序列的描述统计量，如均值、方差、偏度、峰度等。Tests of equality：给出检验群中序列是否是同均值、同中位数或同方差的假设检验结果。N-Way Tabulation：给出群中序列数据在某一区间的频数、频率和某一序列是否与群中其它序列
13、独立的假设检验结果。Correlations：给出群中序列的相关系数矩阵。Covariances：给出群中序列的协方差矩阵。图11 群内序列操作菜单六、序列统计分析（一）序列的图像要认识序列数据的规律，最直观的方法就是观察序列的图像。在主菜单中选择Quick/Graph，在对话框中输入要观察的对象序列名称，单击OK进入图像定义对话框，如图12所示。 图12 图像定义对话框在图像定义对话框中，点击Graph Type右下方的箭头，打开下拉菜单，可选择需要的图像类型。共有9种类型可供选择，分别为折线图（Line Graph）堆栈折线图（Stacked Lines）条形图（Bar Graph）堆栈条
14、形图（Stacked Bars）混合条形折线图（Mixed Bar & Line）散点图（Scatter Diagram）X-Y折线图（X-Y Line Graph）高低图（High-Low）饼图（Pie Chart）其中后5种类型要求预先指定的对象中包含两个以上的序列。对话框右侧Graph Scale为图像尺度选项，对话框下方的Show Option为图像详细定义选项，需要对图像给予详细的设计可在此选项内完成。定义完毕后，点击OK按钮即出现图像窗口。新绘制的图像如需保留在工作文件中，就要点击Name按钮给图像命名，将其作为一个对象保存在工作文件中。（二）序列的描述统计分析在序列窗口中，选中V
15、iew按钮的下拉菜单中的Descriptive Statistics可对序列进行描述统计分析。该项目中共有两个子项：柱图和统计量（Histogram and Stats）分组统计量（Stats by Classification）。【例4.2】中国城镇居民消费函数（19852003年）下表给出中国19852003年城镇居民家庭人均可支配收入与人均消费支出。中国城镇居民家庭人均收入与支出单位：元年份人均可支配收入人均消费支出年份人均可支配收入人均消费支出1985198619871988198919901991199219931994739.10840.71861.05841.08842.2491
16、2.92978.231073.281175.691275.67673.20746.70759.84785.98741.41773.10836.26885.33962.851040.371995199619971998199920002001200220031337.941389.351437.051519.931661.611768.311918.232175.792370.061105.091125.371165.611213.571310.211407.331484.621703.281821.46 注：表中数据来源于中国统计年鉴（1986-2004），根据1985年可比价格计算。据表中的
17、数据，使用普通最小二乘法，得到中国城镇居民消费函数。在View下拉菜单中选择Histogram and stats，得到图13。图13 人均可支配收入的柱图和统计量柱图反映序列值在各区间的分布频率。图右边的框内列出了序列的描述统计量：均值（Mean）、中位数（Media）、最大值（Maximum）、最小值（Minimum）、标准差（Std. Dev）、偏度（Skewness）和峰度（Kurtosis），其中偏度和峰度的计算公式为：偏度 峰度 公式中的为标准差，n为序列样本量。图13中下面两项是序列样本是否服从正态分布的Jarque-Bera检验结果。序列的分组描述统计分析是将样本期分为若干子集
18、后对各组观测值分别进行描述统计。选择Stats by Classification，出现分组描述统计定义对话框，据需要选择相应选项即可。第二节 线性回归分析一、线性回归分析的基本操作以中国城镇居民消费函数（19852003年）为例说明EViews的线性回归分析应用。（一）变量间的关系分析-绘制散点图可通过散点图观察被解释变量居民消费与解释变量居民收入之间是否有线性关系。在EViews主菜单中选择Quick，在下拉菜单中选择Graph。在对话框中输入要处理的序列名X（人均可支配收入）和Y（人均消费支出），点击OK。在弹出的Graph对话框中，选择要绘制的图形类型为散点图Scatter Diagr
19、am，点击OK后，得到以收入X为横轴，消费Y为纵轴的散点图。（二）建立回归模型，使用普通最小二乘法估计参数消费函数为线性回归模型EViews普通最小二乘法的操作步骤为：选择Objects/New Objects，在对话框中选择对象为Equation，命名后点击OK。选择主菜单的Quick/Estimate Equation。、的操作都会出现如图14的方程定义对话框。将要估计参数的回归方程输入到对话框中有两种方法。直接输入待估计的方程，如YC(1)C(2)*X直接输入变量列表，如Y C X 图14 方程定义对话框被解释变量在前，解释变量在后，如有多个解释变量则需依次排列，中间用空格分开。如回归方
20、程中有常数项，则需加入C；无常数项，则略去C。变量除直接用序列名外，还可以用序列的函数、计算表达式等。在方程定义对话框下面的Estimation Setting中，对于不同的模型，需要从Method一栏选择不同的参数估计方法；Sample一栏用来指定参数估计时的样本范围。EViews默认的方法为普通最小二乘法，默认的样本期为工作文件样本期。对话框操作完毕后，点击OK后得到方程输出结果窗口，如图15所示。Dependent Variable: YMethod: Least SquaresDate: 12/25/04 Time: 02:32Sample: 1985 2003Included obs
21、ervations: 19VariableCoefficientStd. Errort-StatisticProb. C149.205910.8588713.740470.0000X0.0.91.052450.0000R-squared0. Mean dependent var1081.136Adjusted R-squared0. S.D. dependent var339.6804S.E. of regression15.81140 Akaike info criterion8.Sum squared resid4250.005 Schwarz criterion8.Log likelih
22、ood-78.35708 F-statistic8290.549Durbin-Watson stat2. Prob(F-statistic)0.图15 方程输出结果窗口方程输出结果窗口顶部显示该次参数估计的一般信息。给出被解释变量名称、估计参数的方法、结果输出的时间、序列数据的样本范围、序列数据的样本容量。中间部分表格显示的是回归结果，包括各个参数的估计值、标准误、t统计量和t统计量的伴随概率（P值）。最下面的是此次回归的一些统计量，用以判断回归模型的优劣。左边的一列依次是：R-squared：判定系数Adjusted R-squared：调整的判定系数S.E. of regression：回
23、归标准误（）Sun squared resid：残差平方和Log likelihood：对数似然比Durbin-Watson stat：DW统计量右边一列依次是：Mean dependent var：被解释变量的均值S.D. dependent var：被解释变量的标准差A Kaike info criterion：赤池信息量（AIC）Schwarz criterion：施瓦兹信息量（SC）F-statistic：F检验的统计量Prob(F-statistic)：F统计量的伴随概率从图15中，可得消费模型为 Se = (10.859) (0.008) t = (13.741) (91.053)
24、=0.998 DW=2.017 n=19上述回归的操作还可使用更简便的命令输入方式。在主窗口命令栏输入： ls Y C X即可得到如图15的方程输出窗口。点击Name按钮对方程命名并保存。EViews还提供了方程输出窗口的很多操作，可进一步分析回归方程的优劣。点击View按钮，可以显示被解释变量实际值、拟合值和残差值的折线图、数值表。点击Resids按钮可直接观测残差图。（三）预测预测是经济计量分析的目的之一。对于已经建立的回归模型，可得到样本期内的预测值（拟合值）。预测操作步骤如下：在回归输出结果窗口中，选中Forecast，产生一个预测对话框，如图16所示。预测变量名可由用户键入也可使用系
25、统默认名（被解释变量名加F）。在S.E.栏命名标准误名。在Sample range for forecast处给定预测区间，在Output处选择输出预测图形和模型评估指标。设定完毕后，点击OK即可得到如图17所示的预测图。 图16 预测对话框图17 人均消费的预测图图中的实线表示被解释变量的预测值，上下两条虚线给出的是近似95%的置信区间。右边提供了一系列对模型的评价指标。EViews不能直接计算出预测值的置信区间，需要通过置信区间上下限的公式来计算。二、异方差的检验与处理（一）异方差的检验在经典线性回归模型中，假定总体回归模型的随机干扰项ui的方差相同，均为，如果随机干扰项的方差不全相等，即
26、ui的方差为，则称为异方差。检验异方差的方法是先在同方差假定下估计回归方程，然后再对得到的回归方程的残差进行假设检验，判断是否存在异方差。EViews提供了怀特（White）的一般异方差检验功能。原假设H0：回归方程的干扰项同方差备择假设H1：回归方程的干扰项异方差怀特检验的操作步骤为：在回归方程输出结果窗口中，点击按钮View，在下拉菜单中选择Residual Tests/white Heteroskedasticity (cross terms)（若选no cross terms则无交叉项）。可得到辅助回归方程和怀特检验统计量-F统计量、2统计量的值及其伴随概率（P值）。如图18所示。通过
27、伴随概率（P值）可判别是否拒绝无异方差的原假设。 图18 怀特检验（二）异方差性的处理-加权最小二乘法处理异方差问题最常用的方法是加权最小二乘法（WLS：Weighted Least Square），一般用于异方差形式已知的情况。加权最小二乘法使用加权最小二乘准则，通过对不同观测值赋予不同的权数变异方差为同方差。如异方差形式未知，可通过Glejser检验找到影响方差的变量。例如，如果与f(X)的关系是显著的，则说明与成正比，此时可取为权数。加权最小二乘法操作步骤为：选择Quick/Estimate Equations，进入方程定义对话框；输入待估计方程，选择估计方法-普通最小二乘法（LS）；点
28、击Option按钮进入方程估计选择对话框；选择Weighted LS/TSLS，在对话框内输入用作加权的序列名称，点击OK；回到方程定义对话框，点击OK后得到加权最小二乘法回归方程。加权最小二乘法也可通过对方程中的各个变量先进行加权变换，然后直接使用普通最小二乘法，得到的回归方程与上述方法相同。三、序列相关的检验与处理如果总体回归模型中的随机干扰项彼此相关，即，则称随机干扰项之间有序列相关或自相关。通常由于经济系统中滞后效应的存在，时间序列数据大多都存在序列相关现象。检验序列相关的最简便方法是使用DW检验，在EViews回归方程结果输出窗口中直接给出了DW统计量的值，用户可据该统计量值判断回归
29、模型干扰项是否有序列相关。通常假定序列相关的形式为一阶自相关，即在未知的情况下，可通过残差序列et估计et=et-1+vt得到后，可使用广义差分法消除回归模型中的自相关。广义差分法操作步骤为：1直接使用普遍最小二乘法估计回归方程，命名为eq1。DW统计量判断无序列相关，算法终止，如有序列相关，转步骤2。2通过残差序列估计阶自相关系数，在主窗口命令栏输入：ls e e(-1)（此时不能有常数项）命名该方程为eq2。3建立新方程eq3，在主窗口命令栏输入：ls Y-eq2.coefs(1)*Y(-1) C X-eq2.coefs(1)*X(-1)输入式中eq2.coefs(1)代表方程et=et-
30、1+vt中的回归系数，也可以直接输入eq2中的系数的值。输入完毕回车后，得到广义差分后的回归方程输出结果。为了还原方程的常数项，还要输入命令：Scalar beta1 = eq3.coefs(1)/(1-eq2.coefs(1)求得原方程的常数项。如果eq3中依然有序列相关，则可重复步骤2、步骤3再进行一次广义差分。由于使用差分数据，第一个观测值将失去，在小样本情况下对估计精度有影响。为避免这一损失，可使用普莱斯温斯滕变换（Prais-Winsten Transformation）补充第一个观测值，将Y和X的第一次观测值转换为和。此时，要使用广义差分法消除序列相关，必须使用序列生成工具产生新的
31、序列和。将第一个观测值和补充到,序列中去，使,的序列长度与Y, X相同。生成,序列后，就可使用普通最小二乘法估计参数，即： ls Y C X则得到广义差分法的最小二乘估计结果。调整常数项后，得到原回归方程的估计结果。四、非线性模型的线性化非线性模型指的是参数或解释变量是非线性的函数模型。在某些情形下，可将这些非线性模型，通过一定的变换，转化为线性模型。线性变换函数表原模型变换函数线性模型Y = a+ bLnX 对变换模型估计参数在EViews中有两种途径。1生成变换后的新序列，对线性模型使用普遍最小二乘法。例如，要估计YaXb的参数，则选择主菜单Quick/Generate Series，在出
32、现序列建立对话框中输入：LXLog(X)则得到X=LX= Ln(X)，同样操作可得到Y=LY=Ln(Y)，生成新的序列LX, LY，利用LX, LY做线性回归即可求得参数a, b。2直接使EViews命令。在主窗口命令栏输入ls log (Y) c log(X)回车后得到回归模型的估计结果。使用第二种方法可直接使用预测（Forecast）命令对原序列Y进行预测。如使用第一种方法只能对LY进行预测，要对Y进行预测就必须进行指数变换。因此，通常都使用第二种方法。对于其它非线性函数的操作方法相同。五、联立方程模型的估计（一）工具变量法当联立方程模型中结构方程为恰好识别时，我们可以使用工具变量法估计参
33、数。以如下联立方程模型为例。（1）（2）模型中，Y1, Y2为内生变量，X1, X2, X3为前定变量，据识别的阶条件和秩条件可知，方程（1）为恰好识别，可使用工具变量法估计其参数。应选择式（2）中的X3为式（1）中Y2的工具变量。在EViews的主菜单中选择Quick/Estimate Equation打开方程定义对话框，点开Estimation Setting中的Method下拉菜单，选择TSLS，出现两阶段最小二乘方程定义对话框，如图19所示。图19两阶段最小二乘方程定义对话框首先在对话框上方Equation Specification处的空白区域输入待估计方程的变量名，本例输入Y1 C
34、 Y2 X1 X2然后在Instrument List（工具变量表）下的空白区域输入用于估计方程的工具变量名。本例中Y2的工具变量为X3，X1和X2的工具变量为其本身X1, X2，则应输入X3 X1 X2完成定义后，点击OK得到估计结果。（二）二阶段最小二乘法联立方程模型中，方程（2）为过度识别方程，只能使用二阶段最小二乘法估计参数。在图19的二阶段最小二乘方程定义对话框的上、下两个空白区域分别输入Y2 C Y1 X3 X1 X2 X3点击OK得到二阶段最小二乘估计结果。【例9.10】美国收入货币供给模型 Y1，Y2分别表示收入和货币存量X1，X2分别表示投资支出和政府用于商品和劳务的支出，X
35、1, X2为外生变量。第一个方程是收入方程，说明收入是由货币供给、投资支出和政府支出所决定的。 第二个方程是货币供给方程，说明货币存量是根据收入水平决定的。模型中变量数据见下表。1970-1991年美国若干宏观经济数据单位：10亿美元年份国内总产值Y1M2货币供给Y2私人国内总投资X1联邦政府支出X219701010.7628.1150.3208.519711097.2717.2175.5224.319721207.0805.2205.6249.319731349.6861.0243.1270.319741458.6908.6245.8305.619751585.61023.3226.0364
36、.219761768.41163.7286.4392.719771974.11286.6358.3426.419782232.71388.7434.0469.319792488.61496.7480.2520.319802708.01629.5467.6613.119813030.61792.9558.0697.819823149.61951.9503.4770.919833405.02186.1546.7840.019843777.22374.3718.9892.719854038.72569.4714.5969.919864268.62811.1717.61028.219874539.92
37、910.8749.31065.619884900.03071.1793.61109.019895250.83227.3832.31181.619905522.23339.0799.51273.619915677.53439.8721.11332.7应用识别的条件可知，货币供给方程是过度识别的。因此，可用二阶段最小二乘法估计货币供给方程的参数。写出简化式方程为 第一阶段，用最小二乘法估计简化式参数。根据样本资料，调用EViews软件计算得： 计算估计值，如表9.4所示。表9.4 估计值年份19701010.7 1000.62419711097.2 1073.89619721207.0 1184.
38、77719731349.6 1284.23619741458.6 1420.21419751585.6 1633.38519761768.4 1773.28319771974.1 1938.95319782232.7 2141.66419792488.6 2359.99819802708.0 2707.28119813030.6 3076.95819823149.6 3327.41219833405.0 3613.25219843777.2 3903.23819854038.7 4195.28819864268.6 4419.16119874539.9 4578.14519884900.0 4
39、766.52119895250.8 5063.32519905522.2 5397.11119915677.5 5581.879第二阶段，将估计的代替货币供给方程右边的内生变量，使用普通最小二乘法估计参数，得 在EViews软件包中，二阶段最小二乘估计可一次完成。在估计方法中选择二阶段最小二乘法，在工具变量栏中输入即可得到二阶段最小二乘估计的结果。EViews输出结果如下：Dependent Variable: Y2Method: Two-Stage Least SquaresDate: 03/21/01 Time: 12:39Sample: 1970 1991Included observa
40、tions: 22Instrument list: X1 X2VariableCoefficientStd. Errort-StatisticProb. C34.6038830.542101.0.2706Y10.0.67.791430.0000R-squared0. Mean dependent var1890.105Adjusted R-squared0. S.D. dependent var942.5301S.E. of regression63.56564 Sum squared resid80811.82F-statistic4595.678 Durbin-Watson stat0.Prob(F-statistic)0.据此结果可得到二阶段最小二乘估计方程为 估计量的标准误不同。前式的标准误仅为二阶段最小二乘法第二阶段的标准误，未考虑第一阶段最小二乘估计的标准误。而后式则是综合考虑二个阶段的标准误，EViews软件直接给出了结果。我们可使用后式中的各统计量对参数估计进行假设检验。