EViews 14 新计量经济学：估计与预测
EViews 14 包括许多新的估计技术：
脸书™先知
Prophet是由Facebook™开发的开源预测工具，具有Python和R接口。
EViews 14为Prophet引入了一个易于使用的图形用户界面，允许用户利用Prophet的力量，而无需担心Python或R的复杂性。
分位数 ARDL 估计
Cho、Kim和Shin（2015）引入的分位数自回归分布式滞后（QARDL）模型是传统ARDL模型的扩展，用于捕捉因变量的条件分位数（百分位数）的动态。虽然传统模型可以深入了解因变量对预测因子变化的平均响应，但QARDL模型允许您模拟预测因子变化对因变量分位数的影响。
虽然可以通过指定具有适当水平、滞后和滞后差异的变量的模型，使用通用分位数回归工具来估计QARDL模型，但EViews 14提供了一个易于使用的本地接口来估计QARDL和QNARDL模型
ARDL 改进
EViews 14扩展了ARDL方程中系数协方差的异方差和自相关一致（HAC）估计的计算。以前，HAC系数协方差仅针对规范的时间间动力学（ITD）表示的基本ARDL估计进行计算。HAC估计值不适用于模型的条件误差校正（CEC）或误差校正（EC）形式。
MIDAS GARCH 估计
混合数据采样（MIDAS）回归是一种估计技术，允许在相同的回归中使用以不同频率采样的数据。对于MIDAS GARCH模型，方法是将来自低频序列的大量滞后的信息合并到ARCH回归的方差规范中；例如，将季度数据的滞后纳入月度数据GARCH模型中。这种方法的主要优点之一是可以将方差分解为短期和长期方差。
EViews 14估计Conrad和Kleen（2020）的乘法分量MIDAS GARCH（1,1）模型。
弹性网络增强功能
虽然以前版本的 EViews 确实提供了弹性网络估计工具，但 EViews 14 完全更新了现有功能，以提供更有效的估计算法 控制系数惩罚，包括单个系数权重和系数 边界，用于沿 lambda 路径选择模型的更有效的交叉验证工具， 以及增强的视图和工具，用于检查沿路径的系数、估计目标和模型拟合统计量的行为。
改进的套索选择模型
除了弹性网络增强功能外，EViews 14 还为套索选择估计方法提供了相同的改进，允许更好地控制选择过程，并改进了选择后诊断套件。
局部投影脉冲响应 （LPIRF） 分析
EViews 14支持通过局部投影（Jordà2005）使用标准序列估计和联合估计来估计脉冲响应。对于序列估计，可以使用非参数HAC校正来处理协方差估计的序列相关性效应。
自举结构 VAR 置信区间
EViews 14现在可以对SVAR脉冲响应和方差分解两者执行蒙特卡罗和自举模拟。
改进贝叶斯时变系数 VAR 脉冲响应
EViews 14 提供了用于在固定水平上产生BTVCVAR IRF 的新工具，使您能够检查给定经过时间的系统响应如何随着脉冲日期变动。
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
