GUIA PARA USO DE EViews

1. Ingreso de datos

(a) Al abrir EViews se ve lo siguiente:

(b) Suponga que los datos están en un archivo de Excel. Considere la función consumo para el Reino Unido. Las variables están en en columnas. La primera fila es el nombre variable. No puede usar C como un nombre de variable, porque es el nombre reservado para la constante en EViews. La primera variable puede ser la frecuencia (año, el año y el trimestre, etcétera) o esta puede ser imputada por EViews. Supondremos aquí que el archivo de Excel sólo contiene los datos y no la frecuencia. Por lo tanto, nos vamos a File/Open/Foreign Data as Workfile…, localizamos el archivo de Excel y lo abrimos. Esto lo llevará a través de varias opciones pero básicamente podemos hacer caso omiso e ir a Finish:

1

(c) Primero, tenemos que definir la frecuencia de datos. Aquí los datos son anuales, de 1955 a 1999. Ir a Window/2 Workfile: ….. Este producirá la siguiente ventana, que es la ventana de básica de trabajo de EViews:

(d) Note que el archivo incluye la dos variable (el ingreso - el gasto).. También incluye el período constante - c - y una variable para incluir valores de cualquier residuals generados por las regresiones (esta variable en este momento no contiene ningún valor). Podemos añadir las frecuencias de datos ahora haciendo doble clic en "Alcance", e introducir la información en consecuencia. Lo siguiente es producido entonces/luego, con las fechas apropiadamente ajustar (si las fechas están en el archivo de Excel original en el que éstos serán leídos automáticamente):

2

(e) El archivo puede ser guardado haciendo clic en el archivo / guardar, que guardará el archivo como un EViews Workfile (que es la forma en la que será abierto de allí en adelante) ahora.. El nombre de incumplimiento es el nombre del archivo de Excel, y será guardado en el directorio de incumplimiento. Al cambio cualquiera de éstos usa guardar como.

2. Análisis de datos básicos

(a) De la ventana de Workfile, haga doble clic en cualquier variable que usted desea analizar. Considere a convictos. Hacer doble clic sobre convictos causa la serie de datos en un formato de hoja de cálculo, de la siguiente manera (en cuanto la ventana ha sido expandida):

(b) Los análisis de datos básicos pueden ser llevados a cabo vía el botón de visualización ahora. Por lo tanto, un gráfico de los datos es generado vía la vista / gráfico / línea, de la siguiente manera:

(c) Este gráfico puede ser editado vía derecha - clic y opción, copiado (vía el derecha - clic) y pegar en un archivo de Word, de la siguiente manera:

3

160000

200000

240000

280000

320000

360000

400000

440000

480000

520000

56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98

CONS

4

(d) Note que una diferencia entre el cálculo y los períodos pronosticados pueden ser conseguidos añadiendo una línea vertical a cualquier año seleccionado, vía el sombreado de Add derecho - clic. Por lo tanto, usando lo pasado 10 años como el punto pronosticado, podíamos añadir una línea vertical en 1989 de la siguiente manera, produciendo the following gráfico (el texto también puede ser añadidos vía la opción de texto de Add, y arrastrar y bajar para localizar el cálculo apropiadamente - y pronosticar que los puntos han sido añadidos aquí):

5

160000

200000

240000

280000

320000

360000

400000

440000

480000

520000

56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98

CONS

Estimation period Forecast period

(e) Estadísticas descriptivas pueden ser obtenido, otra vez vía el botón de visualización. Por lo tanto, haga clic en visualización y luego hoja de cálculo primero para regresar a las estadísticas de serie, y luego visualización / Descriptive de datos y luego a la opción deseada. The following producto es causado por el histograma y la opción de estadísticas (aunque tal análisis no es particularmente apropiado para los datos de tiempo - serie):

(f) Las correlaciones pueden ser obtenido regresando a la ventana de Workfile, hacer clic en la serie de datos (usar CTRL - clic) sobre dos o more y hacer doble clic sobre la serie seleccionada. Los datos saldrán en un formato de hoja de cálculo entonces/luego, y la visualización contendrá a range of opciones adicionales, incluyendo las correlaciones ahora.

3. Análisis de regresión

(a) La manera más simple de generar una ecuación de regresión es regresar a la ventana de Workfile. Haga clic en la variable dependiente, y luego sujete tecla ctrl y clic sobre la variable independiente (s), pero no el período constante (esto será añadido automáticamente). Haga clic con el botón derecho del ratón en cualquier variable seleccionada entonces/luego, y luego abra / como la ecuación, tan hacia dentro:

6

(b) Lo siguiente es producido entonces/luego (que también puede ser obtenido vía la identificación de Quick / cálculo aproximado, pero que involucraría el mecanografiar en variables explícitamente):

(c) Note que bajo la ventana de muestra, el período de cálculo puede ser variado por lo tanto,.. The following producto de cálculo es producido entonces/luego (el producto puede ser seleccionado, copiado y pegado en un archivo de Word):

7

(d) A range of pruebas adicionales pueden ser llevado a cabo, como la correlación por entregas (además de DW), la prueba vuelto a poner de Ramsey, una prueba de normalidad y una prueba de heteroscedasticity.. Por lo tanto, empezando con la correlación por entregas la prueba, vamos a Tests / serie Correlation … de prueba de LM de visualización / Residual que usted será exigido indicar que el número de los lapsos requería sobre los residuals, y aquí optar por 4 (arbitrariamente) causa the following producto:

Note que las dos estadísticas de prueba son muy importantes, confirmando la conclusión de la prueba de DW.. La F - estadística sólo es obtenido de una prueba de la trascendencia conjunta de los coeficientes sobre los términos residuales ido a la zaga de. Si solamente un lapso sobre los residuals fuera pedido, entonces/luego esta F - estadística sería sólo el cuadrado de la t - estadística sobre RESID (- 1).

(e) En relación con una prueba para la no linealidad, la prueba vuelto a poner de Ramsey puede ser usado. Por lo tanto, otra vez ir a pruebas / Ramsey de Stability a la visualización pero ahora volvió a poner Test, the following producto es producido (ignorar que the following cuadro de diálogo - el incumplimiento es incluir un término alineado):

Por lo tanto, las estadísticas de prueba insignificantes son producidas (es decir la F - estadística es sólo el cuadrado de la t - estadística sobre el cuadrado de los valores entallados en la ecuación de regresión)..

(f) También podemos considerar la normalidad de los términos residuales, vía la vista / Residual las pruebas / histograma - normalidad hacen pruebas. The following producto es producido, indicando que una hipótesis nula de residuals normales debe ser rechazado.

8

(g) Definitivamente, podemos considerar la posibilidad de heteroscedasticity. Esto es encontrado bajo pruebas / White Heteroskedasticity de visualización / Residual (ningunos términos de cross). The following producto es producido, que sólo ser obtenido de una regresión de los residuals alineado sobre la variable independiente y el cuadrado de la variable independiente (en la caja de una regresión múltiple los valores entallados serían usados) - las estadísticas de prueba (la F - estadística) aquí es

sólo la F - estadística de esta regresión. Note que en este caso la hipótesis nula of no heteroscedasticity tendría que ser rechazado por lo tanto,.

.. Pronosticar

9

(a) Considere usar nuestro consumo simple la función para generar 10 pronósticos - es decir de 1990 a 1999. Por lo tanto, primero necesitamos re- calcular la ecuación hasta 1989, y luego generar los pronósticos a 1999. Podemos conseguir esto haciendo clic en el botón de Estimate en la ventana de ecuación, y cambiar las fechas de muestra a 1955 a 1989. Esto causará the following producto:

10

(b) Después, generamos los pronósticos.. Esto es conseguido haciendo clic en el botón pronosticado en la ventana de cálculo. La notificación de que la ventana de muestra de Forecast demuestra el período de fecha entero, 1955 a 1999. Por lo tanto el procedimiento generará tanto el entallado como valores pronosticados (si requerimos sólo el pronóstico valores a los que cambiaríamos la muestra pronosticada 1990 a 1999). Note que este enfoque solamente es aplicable a la caja de generar los pronósticos estáticos. Note también que el generar quedaba bien y pronostique que los valores serán destinados a un consf variable (podíamos cambiar este nombre variable si requerir) automáticamente. Por lo tanto, hacer clic en OK causa the following producto - note que un gráfico del entallado y valores pronosticados son producido, con las 2 cintas de error usuales, y a variety of estadísticas de resumen, pero remitir al entallado a todos por lo tanto, y pronostique valores (ver abajo para un análisis más explícito de los pronósticos solamente):

(c) Es útil obtener un gráfico de los actuals en contra quedar bien y pronosticar valores. Esto puede ser conseguido haciendo clic en el gráfico de Quick / gráfico / línea, y luego cambiar la serie demostrada a convictos y a consf. Esto produce the following gráfico, donde el gráfico ha sido editado incluir una línea vertical en 1989, señalar la diferencia entre la estimación y pronosticar los períodos (y un poco de texto también ha sido añadido, y los valores / pronósticos entallados son mostrados como una línea discontinua ahora) - ¿usted ve? 2. (D) de arriba.

11

(d) Podemos sufrir los mismos procedimientos para la caja de un modelo dinámico, donde ahora habrá una diferencia entre los pronósticos estáticos y dinámicos. Por lo

tanto, regresamos a la ventana de cálculo, hacemos clic en Estimate y luego corregimos la ecuación para incluir a convictos (- 1) como una variable independiente. El período de cálculo se queda como 1955 a 1989. Es decir hemos:

(e) The following producto es producido entonces/luego:

12

(f) Podemos generar al entallado ahora y pronosticar valores. Por lo tanto, hacemos clic en Forecast y notamos que tenemos una elección entre los pronósticos dinámicos y estáticos ahora. Empezaremos con los pronósticos estáticos, y seleccionaremos esta alternativa (pronosticar que la muestra todavía es 1955 a 1999) therefore. Producto similar para eso menor de 4. (B) es producido de arriba, y podemos seguir adelante entonces/luego a producir un gráfico de valores verdaderos y entallados, como en 4. (C) de arriba. Luego de los mismos procedimientos the following gráfico es producido (otra vez, después de un poco de edición):

(g) Podemos pasar por el mismo proceso de obtener los pronósticos dinámicos, produciendo the following gráfico de actuals contra valores / pronósticos entallados. Los defectos claros del modelo pueden ser visto even more evidentemente que antes ahora.

(h) Sin embargo, note que los pronósticos mostrados en el gráfico previo no son estrictamente los pronósticos dinámicos.. Porque considere el primer pronóstico en 1990. El pronóstico dinámico sería generado by:

Pero por supuesto consumidores gasto por 1989 es conocido, y por lo tanto el primero por el que el pronóstico dinámico sería dado:

13

De allí en adelante, los valores pronosticados de convictos en los períodos previos tendrían que ser usados. Estos pronósticos dinámicos pueden ser generados en EViews usando Forecast otra vez en la ventana de ecuación, pero cambiar la muestra pronosticada a 1990 a 1999 ahora. Note que este procedimiento no causaría ningún valor entallados durante el período de cálculo (aunque éstos pueden ser generados - see la discusión del modelado de BJ abajo). El gráfico de los pronósticos dar como resultado es a saber:

14

5. Valorar pronosticar el rendimiento

(a) La forma más simple de pronosticar la evaluación es una evaluación gráfica informal, como demostrar en la sección previa. Es en general útil comparar los valores entallados (durante el período de cálculo) con los valores pronosticados (durante el período pronosticado) y determinar si would parecer estar cualquier futilidad entre el rendimiento de cálculo del modelo y su pronosticar el rendimiento (pero también la destitución la condición con respecto a la generación del pronóstico dinámico y los valores entallados en 4.(H) de arriba). Any such futilidad evidente constituiría la prueba suficiente a primera vista de una incompetencia de modelo fundamental. Sin embargo, EViews proveen varias pruebas formales del rendimiento pronosticado. Considere el función de consumo simple de 3 otra vez por lo tanto,.(C) de arriba. Para generar los pronósticos durante lo pasado 10 años, necesitamos el período de cálculo a respecify cuando 1955 a 1989, y luego una vez los resultados de cálculo han sido producidos, hacer clic en el botón pronosticado, cambiar la ventana de muestra de Forecast a 1990 a 1999, generando los pronósticos así durante lo pasado 10 años. The following producto es producido:

15

Note que los paneles a la derecha en este producto producen varias estadísticas de resumen que se relacionan con los pronósticos por lo tanto,. El error de plaza de media de raíz y el error total malo son las medidas usuales de la suficiencia / exactitud pronosticada, pero sufren de la desventaja de ser total en vez de las respectivas medidas - no hay sentido inmediato de "Grande" o "Pequeño" pronosticó los errores. El error de porcentajes total malo es una respectiva medida, y indica aquí que, por término medio, los pronósticos son diferente/s de los actuals por 3.4 %. Sin embargo, esta medida no proporciona el modelo constantemente sobre - a ningún sentido de cualquier prejuicio en los pronósticos - la extensión para cuál o under- calcular los actuals (aunque esto será aparente del gráfico de actuals contra los pronósticos - verá 4.(C) encima de donde es evidente que el modelo sobreestima los actuals constantemente). El coeficiente de Inequality de Theil es una medida adicional del rendimiento pariente pronosticar. Note que hay varias versiones de esta medida. La medida original (1961) lo es:

where summation is over the forecast period, and there are forecasts. Note que el numerator de esta expresión es sólo el RMSE. Por lo tanto, la medida expresa la variabilidad de los errores pronosticados en comparación con la variabilidad de los actuals durante el período pronosticado. Por lo tanto, los pronósticos perfectos causarían un valor de cero. En the other extremo, si la variabilidad de los errores pronosticados fuera el same como la variabilidad de los valores verdaderos (& # 1;), el modelo no añade nada a nuestra habilidad de pronosticar la variable dependiente.he dependent variable. Por lo tanto, un valor de 1 para esta versión del coeficiente de desigualdad sería causado por todos los pronósticos siendo cero. But clearly there is a range of forecasts that can produce a value for of 1. En otras palabras, ¡cualquier

16

valor de & que # 1; in excess of 1 demostraría muy inaceptable pronosticando el rendimiento, en el sentido de que los errores pronosticados presentan más variabilidad que la variable original, y esa superior pronosticó el rendimiento puede ser generado poniendo todos los pronósticos al cero!the forecasts to zero!

Una enmienda leve para esta medida puede ser hecha para restringir el coeficiente de desigualdad al alcance 0 a 1. Esto es la medida usada por EViews. Por lo tanto, específicamente, la medida es dada by:

Por lo tanto, la variabilidad del error pronosticado es expresada ahora en comparación con la suma de la variabilidad de los actuals y los pronósticos. Otra vez, un valor de cero sería producido por los pronósticos perfectos, y un valor por el que close to 1 sería producido pronostica los errores tan grande que eran comparables a la suma de la variabilidad de los valores verdaderos y la variabilidad de los pronósticos - el modelo no añade nada a nuestro conocimiento de la variable dependiente en otras palabras. La atención para la que los pronósticos del cero causarían un valor & # 1; de approximately 0.5, si la variabilidad y los niveles de los pronósticos eran en general similares a la variabilidad y los niveles de los actuals.levels of the actuals. So in a sense 0.5 should perhaps be interpreted as an acceptable upper bound for .

Una tercera versión de la desigualdad el coeficiente es expresó hacia dentro que pariente (o porcentajes) cambia la forma, y es dado específicamente by:

Donde FRC y arco demuestran el respectivo cambio pronosticado y el respectivo cambio verdadero en la variable dependiente durante el período pronosticado. Un valor del cero para esta versión demostraría los pronósticos perfectos, y un valor de 1 es equivalente a los "Ningún cambio" pronósticos. Un valor superior(es) a 1 insinuaría que los pronósticos son peores que "Ningún cambio" pronostica. Esta versión no es generada por EViews.

Returning again to the above output, the forecast statistics also include three components of the RMSE (the denominator of ). Por lo tanto, el proporción de prejuicio demuestra la extensión a la que los errores pronosticados pueden ser atribuidos a las diferencias en los niveles de los actuals y los pronósticos - la diferencia (saldada) entre el valor medio de los pronósticos y el valor medio de los actuals. Evidentemente requeriríamos que esta proporción sea relativamente pequeño - es decir por término medio, los pronósticos deben igualar los actuals. El segundo componente se relaciona con la variabilidad de los pronósticos en comparación con la variabilidad de los actuals. Por lo tanto, mientras el componente de prejuicio podría ser pequeño - el valor medio de los pronósticos y lo actuals es en general comparables

17

- los pronósticos podrían ser considerablemente más variable que los actuals, se apaciguan demostrar pobre pronosticando el rendimiento. Es decir los pronósticos presentan las diferencias amplias alrededor de los actuals. Por lo tanto, los buenos pronósticos requerirían que ambos de estos componentes sean relativamente pequeño. El componente final (la proporción de covariance) refleja el impacto de unsystematic que pronostica los errores eficazmente, y este componente debe explicar la mayor parte de la variabilidad en el RMSE para la caja de los buenos pronósticos. Por lo tanto, podemos notar del producto anterior que relaciona la función con el consumo que la proporción de covariance da cuenta de solamente 38 por ciento de el RMSE, el resto explicado por el prejuicio y los componentes de discrepancia, y de éstos el componente de prejuicio ser el dominante. Esto puede ser visto ser un resultado de la extensión a la que la modelo sobreestima gasto de consumo constantemente (¿usted ve? dibujar gráficas en 4.(C) de arriba).

(b) EViews producen varias estadísticas de evaluación pronosticadas adicionales.. Acceder a éstos regresamos a la ecuación original, y lo re- calculamos durante el período de muestra entero - la estimación y los períodos pronosticados. Después, haga clic en el botón de visualización, entonces/luego pruebas / chow-chow de Stability pronosticaron que … de prueba al que usted entonces/luego será pedido introdujo la fecha por el inicio del punto pronosticado (1990 aquí), produciendo the following producto por lo tanto,:

Por lo tanto, la ecuación es re- calculada durante el período 1955 a 1989, con la suficiencia pronosticada que las estadísticas de prueba constituyeron en the top of la página. Dos versiones de las estadísticas de prueba son dados - la F - estadística y el proporción de probabilidad de diario. La prueba es básicamente una prueba de la diferencia entre la discrepancia de los residuals aproximadamente durante el período de cálculo y la discrepancia de los errores pronosticados (durante el período pronosticado). El resultado aquí es que las pruebas las estadísticas son importantes - la discrepancia de los errores de pronósticos es significativamente más grande que la discrepancia de los residuals de cálculo, implicar una futilidad entre el rendimiento de cálculo del modelo y su pronosticar el rendimiento. Que es mientras que el modelo puede poder ser conveniente para los datos suficientemente durante el período de cálculo (a decir verdad, él no aquí, cuando hay correlación por entregas y los otros problemas), él poder pronosticar que la persona a cargo variable suficientemente (o por lo menos constantemente) y por lo tanto el modelo deben ser misspecified.

(c) Una prueba adicional relaciona los períodos tan entre la estimación y pronosticar con la estabilidad de los coeficientes. Es decir los pronósticos podrían ser malos debido a quizás un poco de cambio estructural que resultaría en los coeficientes cambiados durante el período pronosticado. Esta prueba es accedida como en el párrafo previo, pero bajo Stability Tests / chow-chow Again de … de prueba de punto de parada, una fecha por el inicio de la elemento esencial de período pronosticada introducida, cuál aquí otra vez es 1990. The following producto es producido entonces/luego:

Por lo tanto, las estadísticas de prueba importantes son producidas, consecuente con ser un cambio estructural allí en 1990 (aunque quieren decir que tal cambio tuvo lugar en realidad no necesariamente)..

18

6. Procedimientos misceláneos

(a) Generar variables.. Esto es conseguido vía la ventana de Workfile, y el botón de Genr. Hacer clic en el botón de Genr causará un cuadro de diálogo, en que las nuevas variables pueden ser generado vía las ecuaciones. Generar el diario de convictos que tenemos, después de hacer clic en el botón de Genr por lo tanto,:

Hay a range of comandos innatos en EView (generar variables de tendencia imitaciones estacionales, differenced los datos, etcétera), los destacamentos pequeños de cuál poder ser accedido vía Topics … de Ayuda de Ayuda / EViews notan también que en la ventana de Workfile, hacer clic en los detalles + el / - botón proveerá los detalles sobre cómo han sido generadas todas las variables en el archivo.

(b) El modelado de caja - Jenkins y pronosticar. Considere calcular un modelo de BJ para convictos durante el período 1955 a 1989, y genere los pronósticos por 1990 a 1999. Tenemos que determinar las transformaciones de datos requeridas para stationarity primero. En relación con differencing, esto podía ser conseguido oficialmente vía los procedimientos de prueba de unidad - raíz, pero guardaremos el enfoque informal aquí, y determinaremos los datos que las transformaciones requerían simplemente a base de los análisis gráficos. Por lo tanto, hacer doble clic sobre convictos en la ventana de Workfile causará una visualización de hoja de cálculo de la serie de datos. Un gráfico de los datos (la visualización / gráfico) demuestra non- stationarity evidentemente, con un poco de forma de differencing indudablemente requerir, y quizás una transformación discrepancia - estabilizadora. Nuevas variables podían ser generado (diario (convictos), dlog (convictos) - ie la primera diferencia del diario de convictos), y estas variables representar gráficamente y revisar para stationarity. Sin embargo, una manera alternativa de seguir (aunque no uno excesivamente conveniente) es usar el botón de transformación de datos, entre la helada y botones de Ordenar, generar las transformaciones varias automáticamente. Así que hacer clic en la carta de música pop -down demuestra las transformaciones automáticas varias que están disponibles (cambio de %, la diferencia, la diferencia de diario, etcétera). Por lo tanto, hacer clic en Differenced causa the following producto de hoja de cálculo:

Desafortunadamente, hacer clic en la visualización / gráfico solamente causa un gráfico de la serie original (algo ilógicamente).. El lo que esta alternativa especial permite es la posibilidad de editar el original de que las serie vía su differenced o % cambian la forma. Por lo tanto, haciendo clic en + / - de edición cualquier celda puede ser cambiado, que tendría el efecto de la edición en la que el versión de niveles de convictos - allí podría ser las situación que es decir los porcentajes cambian entre un año y las próximas necesidad para ser modificados. Para obtener un gráfico de la serie differenced, la serie más arriba es highlight primero y envió una copia a la tablilla con sujetapapeles, a entonces/luego el clic sobre objeto / nuevo … de objeto de la carta dar como resultado, la serie selecta entonces/luego bien, y lo siguiente será producido:

19

Ahora, haga clic en la edición + / - botón, y pegar (+ V de Ctrl) sobre el primer "NA" (1955 aquí), entonces/luego.. El differenced la serie ahora aparecerá, que puede ser representado gráficamente bajo la vista / gráfico / línea, produciendo lo siguiente entonces/luego:

Primer differencing parecería haber quitado la tendencia, pero la discrepancia es evidentemente non- estable. Log podía ser probado, y así que regresamos a la serie original (vía la ventana), hacemos clic en Dif de diario en la ventana de transformación de datos, y luego seguimos el procedimiento más arriba para generar un gráfico de esta serie, que causa lo siguiente:

20

Por lo tanto, una serie aproximadamente estacionaria es producida y podemos movernos al escenario de identificación de BJ ahora.. Primero, sin embargo, regresamos a la pantalla previa (el versión de hoja de cálculo de los datos), vía la visualización / hoja de cálculo. Hacer clic sobre el botón de nombre, permite que nosotros lo hacer/samos ahora para nombrar esta variable y añadirlo al Workfile (como una alternativa para usar el botón de Genr en la ventana de Workfile). Usaremos los dlcons de nombre variables aquí.

En relación con la identificación, regresamos al versión de hoja de cálculo de nuestra transformación preferida de la variable (el versión estacionario). Para identificar y calcular un modelo durante el período de cálculo, el primer clic en adelante probamos, y arreglar esto a 1989 de primera base de @, entonces/luego bien. Entonces/luego la vista / Correlogram … y luego el nivel selecto (que debe ser el incumplimiento), entonces/luego bien, produciendo lo siguiente:

Parecer estar una ca importante y Comité de Acción Política en 1 de lapso, pero ningúns otros dibujos obvios. Una identificación inicial es quizás ARMA (1,1). Para calcular este modelo, regresamos a la hoja de cálculo, vía la visualización, y luego a Quick / cálculo aproximado … de ecuación por lo tanto,, somos presentados con la ventana de cálculo de ecuación de regresión usual. Hay dos enfoques para especificar la variable independiente. Sólo podíamos usar el nombre que hemos dado a nuestra serie de datos estacionaria - dlcons. However esto quiere decir que ninguno quedaba bien o pronosticó que valores que obtenemos serán en relación con el primero la diferencia del diario de convictos, hacerlo difícil compararse quedaba bien y pronosticar valores al nivel del gasto de consumidores, convictos. El enfoque preferible es especificar la variable dependiente en relación con las transformaciones explícitas dado trabajo (como haber sido usado en el procedimiento de Genr). Esto quiere decir que cualquier pronósticos (o valores entallados) que son obtenido tendrán

la alternativa de estar en niveles o forma transformada. Por lo tanto, la variable

21

dependiente sería entrada en como dlog (convictos) aquí, que sería followed by las variables dependientes c, ar (1), mami (1) entonces/luego. Asegurando que la ventana de muestra es 1955 1989, lo siguiente aparecería:

Se encender bien, causa the following producto:

22

Modelo aproximadamente aparece razonable (aunque parámetro de AR importante en el nivel solamente 10 %, y parámetro de MA están muy cerca a 1). Podemos verificar el ACF y PACF de los residuals, regresando a la ventana de Workfile, y hacer doble clic en la variable de resid automáticamente generada. Note que esta variable podría contener valores durante el período de muestra entero (1955 a 1999), mientras que los únicos valores válidos para nuestros propósitos son aquellos que relacionan 1957 a 1989 con el período. Use que el botón de muestra ajuste el período de muestra en consecuencia por lo tanto,. Bajo la vista / Correlogram …, the following ACF y PACF son producidos, cuál seem insinuar que el modelo es suficiente:

Por lo tanto, definitivamente tenemos que generar los pronósticos. Por lo tanto, regresamos a la ecuación vía Window, y luego hacemos clic en el botón pronosticado, que produce the following ventana:

23

Note que tenemos la elección de tener pronósticos producidos en forma de niveles, o en forma de los datos que las transformaciones usaron por lo tanto,. El nombre de incumplimiento para la variable contener los pronósticos es consf, que podíamos cambiar si deseado. También podemos escoger entre los pronósticos estáticos o dinámicos (dinámico ser preferido en general). Definitivamente, tenemos que cambiar el período pronosticado a 1990 a 1999. Hacer clic en OK causa lo siguiente:

Para comparar los actuals con los pronósticos, regresamos a la ventana de Workfile, hacemos clic en los timos y consf (usar Ctrl), y abrimos estas dos variables como un grupo. Cambie la muestra a 1957 a 1999, y luego a la vista / gráfico / línea. Esto

24

causa lo siguiente, después de un poco de edición (note también que hasta 1989 consf es sólo el valor verdadero de convictos):

25

Por lo tanto,, como era de esperar los pronósticos a mayor plazo son muy malos, básicamente porque el modelo sólo extrapola la serie de datos del período de cálculo.

Es también útil revisar los valores entallados durante el período de cálculo, comparar éstos con los valores pronosticados. Obtener los valores entallados (durante el período de cálculo) regrese a la ventana de ecuación, y haga clic en Forecast. Modifique el período de muestra a 1955 a 1989, y cambie que el nombre variable en la ventana de nombre de Forecast lo hacer/sa es decir entallado. Estrictamente, durante el período de cálculo, los valores entallados son obtenidos como los "Pronósticos estáticos" y por tanto seleccionamos esta alternativa. Hacer clic en OK causa un gráfico de los valores entallados y las estadísticas de resumen varias. Para obtener un gráfico de los actuals en contra sido conveniente para sobre el punto de cálculo y los actuals contra los pronósticos durante el período pronosticado, regresamos a la ventana de Workfile, hacemos clic en los timos, consf y quedamos bien, y abrimos estas tres variables como un grupo, y luego vía el botón de muestra, cambiamos el punto de muestra a 1955 a 1999. Note que los valores entallados incluirán los valores verdaderos de convictos durante el período pronosticado, y, como previamente, consf contendrá los valores verdaderos de convictos durante el período de cálculo. Estos valores podían ser eliminados (vía el + / - de edición abotónese, algo tediosamente, celda por célula). El gráfico de línea dar como resultado de las tres variables causa lo siguiente (después de un poco de edición):

26

Por lo tanto, los valores entallados moderados son los pronósticos durante el período de cálculo, pero comparativamente muy malos producidos..

27