Eview Help

frankrong

果

如果将二次指数平滑的预测结果和原观测值共同显示在同一张图上，可以使用户看起来更清楚。首先在工作文件菜单中同时选中两个序列SALES和SALESSM，方法是先点击一个序列，之后按住键盘上的Shift键再点击另外一个序列。然后点击工作文件菜单工具栏中的Show，在弹出的对话框中点击OK。此时，系统将弹出一个类似序列对象窗口的群窗口（见图4），窗口中以Excel表格的形式同时显示出SALES和SALESSM。最后点击该窗口上方的View→Graph→Line（见图5）。

图4 群对象窗口

图5 实际销售额与平滑值序列对比图

/ ?: Q/ S) g; W4 \

二、趋势延伸法实例

) J& C0 r; }/ Q2 ?8 ~

时间序列的趋势即序列随时间变化的基本规律和特点。对于存在趋势的序列，通常可以选取适当的模型进行分析和预测。

7 T( l1 a9 U1 ]- ~* y9 {

（－）直线趋势

_ }* S# V1 d( T- s3 L

直线趋势模型是一种最常用，也是最成熟的方法。模型的基本结构为：

- N; p7 v1 |4 Z( D/ Z( ~4 \0 ~

Y_t＝a＋bt

1 Q: h9 Z( ~- l5 h$ k! M, ^& ]

式中，a，b是模型的参数。这种模型的结构比较简单，估计方法非常成熟，是很多其他趋势模型估计的基础。下面结合实例说明如何使用该软件进行直线趋势模型的预测。

# r2 O2 M o1 `* f

[例3]设某市1992－2002年市场鸡蛋销售量如表4所示。试预测2003年该市鸡蛋销售量。

表4 某市鸡蛋销售量 单位：万千克

解：第一步，建立一个新的工作文档，文档的样本期为1992－2002年。生成序列SALES，录入表4中的销售量观测值。

第二步，打开SALES序列对象窗口，点击View→Line Graph，绘制序列散点图（见图6）。

# }, _# W6 E& w( h5 a

图6 序列散点图

Eviews中没有直接绘制散点图的菜单选项。当需要绘制散点图时，首先需要绘制连线图（Line Graph）。屏幕显示图形对象窗口后，用鼠标左键双击图形的任意位置，或者点击右键，然后在弹出的菜单中选择Options。此时，系统将弹出图形属性对话框。

! c6 {- b$ q& b9 u. m

图形属性对话框中的选项很多。用户在这里可以方便地更改图形的类型（Graph Type）、图形的属性（Graph Attitude）、线形图格式见（Line Graph）、条形图格式（Bar Graph）等。这里，将图形的类型选择为线形图（Line Graph），再在线形图格式中选择仅有标示（Symba1s Only）。点击OK。

从散点图上可以看出，该序列基本呈现出一种直线增长的趋势，因而宜采用直线趋势延伸的方法进行预测。

& W. T6 @4 p+ l2 g2 R

第三步，生成时间变量T。在进行模型参数的估计时通常要用到最小二乘的方法，其中，观测值就是因变量，序列T就是自变量。

生成一个新序列的方法有很多，可以通过菜单操作，也可以直接在主窗口中输入命令行实现。有关菜单操作的方法在本章第一节中已经说明，这里采用命令行的形式生成序列T。

Eviews生成序列的命令为data，用户只需在主窗口中输入命令：data T。

0 A% x1 m( }; Y. w2 C* t. y

对于序列T，用户可以在打开的对象窗口中为它赋值，比如赋值1，2，3，…

如果用户需要直接生成含有值的序列T，也可以利用函数生成序列，在主窗口中输入命令行（见图7）。

* ~7 V) \( G0 X( } v/ h

图7 T序列生成命令和取值情况节略

- B% l$ b8 m& u; ?/ o

genr T=＠trend

系统自动生成序列T，并从0开始计数，它的取值依次为0，l，2，3，…

& _* i+ D, |5 ]2 G

第四步，模型估计。在Eviews中最小二乘回归的命令是LS，它的基本书写格式为：

LS 因变量 C 自变量

其中，C代表模型中的常数项，对于没有常数项的模型可以不写。

# W& Z9 K9 r- D# S8 B

本例中，使用下面的命令进行回归： LS SALES C T（见表5）。

! a4 H! S: a8 J" m

8 `6 \. a, D; ^+ k( k

表5 最小二乘回归结果

根据表5的结果，得到如下模型：

8 R% H: a# B6 \3 \" H' v! `

sale＝31.227＋2.391×T

8 g' S. N: `3 \4 \6 X

第五步，进行预测。根据上述模型结果，可以很容易地给出2003年鸡蛋销售量的预测结果。将T＝11代入上述模型，计算结果表明该企业2003年的鸡蛋销售额为57.5万元。

（二）曲线趋势

b8 k6 K5 f" j2 X6 I# b' r: S

经济序列中有很多呈现出曲线变化的趋势。直线趋势的估计比较简单，曲线趋势的估计则更为常用。指数曲线、二次曲线、三次曲线和龚拍兹曲线是在市场经济序列中常见的模型，它们的估计也大同小异，这里就以指数曲线为例介绍如何使用Eviews进行模型的估计。

, S7 `2 Z% E# t! B5 _: n2 g, T6 @

［例4］某市近9年灯具商品销售量资料如表6所示。试预测2002年的销售量。

解：第一步，建立一个新的工作文档，文档的样本期为1993－2001年。生成序列SALES，录入表中的销售量观测值。

0 t; l- K0 C% _0 m' p, u; C

表6 某市灯具销售量 单位：万件

第二步，打开SALS序列对象窗口，点击View→Line Graph，绘制序列散点图（见图8）。

图8 销售量散点图

( W% X% n0 J5 P g, U- F

从绘制出的散点图可以看出，该企业的灯具销售变动呈现规律的加速增长。根据经验判断，要预测该企业下一年度的销售数据，可以使用指数趋势模型。如果计算出销售数据的环比增长率，可以更加确信地选择指数模型。本章内容以各类方法的软件实现为主要阐述内容，对模型选择有兴趣的读者可以参阅本书前面的相关章节。

' Q+ `( u7 m. ?% ?

第三步，生成时间变量T。这里采用系统自动生成的方法，即输入命令：

# b* r8 L; u2 e

genr T＝＠trend。

& y' Y+ {* t' F& X* Y

第四步，对因变量序列进行变换。在变化因变量序列之前，首先要弄清楚为什么变换。指数模型的基本形式如下：

" s: _- S v" S; i7 P9 a

Y_t＝ ab^t

从统计学的角度考虑，传统的估计方法无法直接估计这种模型的参数，因此需要对模型的形式进行变换，从而使参数可以被估计出来。指数趋势模型通过变换可以变成一个线性模型，所以指数模型称为可线性化的模型。指数模型变换后的结果为：

log（Y_t）＝log（a）＋log（b）×t

细心的读者会发现，这时模型的形式与前面介绍的直线趋势模型非常的相似，只是模型左边的因变量作了一个对数变换。所以，对因变量进行变换的原因实际上源自对模型的变换，变换的目的是为了能够使用传统的估计方法估计出模型的参数。

对于指数模型，通常要将因变量作对数变换。在Eviews中就是要生成一个新的序列，新序列的数值恰好等于原观测序列的值取对数的结果。

使用命令的方式进行操作，在主窗口中输入如下命令：

genr lsales=log（sales）

lsales是新生成序列的名称。如果作出lsales的散点图，会发现变换后的序列基本呈一条直线。这里留给有兴趣的读者自己去试一试。

第五步，模型估计。在主窗口中输入下面的命令：

$ Z. D& O& Y3 ?6 |1 n5 |; k

LS lsales c t

注意，这里实际上是用变换后的序列和时间变量T进行线性回归，估计的结果为参数log（a）和log（b）的值（见表7）。

表7 线性回归结果

- j$ j) P1 l. w, k1 S

; K3 ^6 K/ f8 p) p9 P1 S

( M5 O8 r( ^' }- Y. O* i' v

第六步，进行预测。根据表7的结果，可以得到如下模型：

log（Sales）＝2.1463＋0.2225×T

将T＝9代入上述模型，求得log（sales）＝4.1488。从而可以预测出该企业在2002年的销售量为63.36万件。

1 \" K* m0 c3 A: _

三、季节指数法实例

（－）季节模型的类型

# N9 {4 _; T( q% S1 ^/ o

季节模型是反映具有季节变动规律的时间序列模型。季节变动通常是指以年为一个周期的变化。引起季节变动的首要因素是四季更迭。季节变动在很多产品市场上都是一种常见现象，最为典型的季节性产品市场如冷饮、服装、空调等。

* N1 M2 y4 N$ k1 `3 A# y5 D

传统的时间序列分析把时间序列的波动归结为四大因素：趋势变动（T）、季节变动（S）、循环变动（C）和不规则变动（I）。其中循环变动指周期为数年的变动，这种变动不一定存在固定变化周期和确定性变化规律，通常指经济周期。不规则变动即随机变动。四种变动因素对序列的影响被概括为两个经典模型：

乘法模型Y＝TSCI

加法模型Y＝T＋S＋C＋I

乘法模型通常适用于因素T，S，C相关的情形，比如季节因素的作用随着趋势的变化而改变；加法模型通常适用于因素T，S，C相互独立的情况。需要注意的是，季节模型一般需要3年以上的季度或月度数据。

0 z# ]) ~4 G, B# ^/ L

（二）季节调整

对序列进行季节调整，就是将季节变动从序列中去除。基本思路是：

Y／S＝TSI／S＝TI

) ]$ |7 i7 [( _4 ?

或 Y－SI＝TI

% q5 `# U F5 j; d

序列里存在季节波动常常会妨碍市场人员对某些问题的认识。比如，3月份的饮料销售比2月份好吗？如果单单从数据的表面看，3月份的销量应该比2月份好。但这种所谓的“好”并没有考虑季节变动而引起的市场规模的扩大，也就是说，如果剔除季节因素的影响，3月份的销售效果未必比2月份好。季节调整的目的就是为了剔除掉季节因素的作用，从而使序列本身的趋势特征更加准确地显现出来。

Eviews中有两种实现季节调整的菜单操作方法。在主窗口中点击菜单Quick→Series Statistics→Seasonal Adjustment，或者在序列对象窗口中点击工具栏按钮Procs→Seasonal Adjustment。点击后，屏幕出现季节调整对话框窗口（见图9）。

对话框左上部分是季节调整的方法（Adjustment Method），包括Census X11法、移动平均季节乘法（Ratio to moving average－Multiplicative）、移动平均季节加法（Difference from moving average－Additive）。系统默认的方法是移动平均季节乘法。

! N3 _$ H7 k4 L- i2 [9 q/ ^

对话框左下部分是待计算序列（Series to Calculate），包括调整后序列（Adjusted Series）名称和季节因子（Factors）名称。季节因子计算是可选的，只有用户在其对应的框中输入名称后，系统才会将季节因子计算的结果保存在一个序列中。

［例5］现有某地区某种产品产量近4年的分月资料（见表8），试预测该种产品2003年各月的产量。

表8 某地区某产品产量 单位：万件

2 L1 ?( N; m, ]) O! X

图9 季节调整对话框

$ O9 D! W; X* K7 S9 {7 G2 t, t {

解：第一步，建立一个新的工作文档，文档的样本期为1999年三月－2002年12月。生成序列SUPLY，录入表中的产量数据。

第二步，打开SUPLY序列对象窗口，点击View→Line Graph，绘制连线图（见图10）。

' U6 c4 U( v' {. V: t: x4 O: E2 |

图10 产量变化图

6 U# y+ G3 F/ s# f2 W6 {: R

从图形的形状很容易看到，该种产品的产量确实存在非常明显的季节变动。

; s# q1 R( O7 G: A1 V; ]; F5 E4 d: m

第三步，生成调整后序列。根据前面的方法，生成调整后序列SUPLYSA和季节团于序列JIJIE。这里使用的模型是乘法模型，因此在如图9所示的对话框中选择的季节调整方法是移动平均季节乘法（Ratio to moving average－Multiplicative）。季节调整后产量变化情况和月度季节因子见图11和表9。

图11 季节调整后产量变化情况

! U, Y, |# B1 l! s6 f

表9 月度季节因子

第四步，进行预测。按照乘法模型的理论，当剔除序列的季节波动之后，序列中主要存在的变动因素是趋势。对于趋势，当然可以采用移动平均或者指数平滑的方法确定，但由于本例中要求预测2003年度12个月份的产量，预测期较长，因此采用建立趋势模型，进行外推预测是比较合适的。

% g0 x8 q. \7 w8 n

建立趋势模型的具体步骤这里不再赘述。这里仍然采用指数模型，通过参数估计得到模型的具体形态如下：

+ G7 e: n4 q/ E

log（suplysa）＝1.8557＋0.0284×T

! s3 k# S2 w$ n* P' e

其中，T使用命令Genr T＝＠Trend得到。根据趋势模型可以推算出2003年l－12月的趋势值（见表10（中））。将对应月份的趋势值乘以相应的季节因子得到预测值（见表10（右））。

表10 趋势预测值与预计产量 单位：万件