Nouveautés de la version 9.5

  • Estimation de régression MIDAS (MIxed DAta Sampling).
  • Estimation FIML (Full Information Maximum Likelihood) avec restrictions de Covariance.  
  • Vue Impression d'un Modèle, qui vous permet d'afficher les équations sans rompre les liens.
  • Description des Scénarios de Modèle. Vous pouvez ajouter des descriptions à vos scénarios de modèle  avant de les exporter vers les séries de solutions.
  • Vue Scénarios d'un Modèle : une liste de vos scénarios de modèle (et de leurs réglages).
  • Recherche d'équations dans la vue Equation d'un Modèle ; recherche par nom, par variable endogène ou par variable exogène.
  • Protection du Modèle. Vous pouvez établir un mot de passe pour protéger votre Modèle, afin que des utilisateurs puissent le résoudre, sans pouvoir en changer la structure.
  • Sauvegarde des Variables de Programme sur votre disque en format text-ini.
 

 

Focus sur la régression MIDAS, ajoutée à EViews 9.5

EViews 9.5 présente comme avancée majeure l’inclusion du Mixed-Data Sampling (MIDAS), technique économétrique et statistique qui vous sera d’une grande aide dans l’analyse de données de différentes fréquences chronologiques.

  • MIDAS – une méthode de prévision à partir de modèles où la variable dépendante dispose de données à une fréquence plus lente qu’au moins une des variables indépendantes. Les approches traditionnelles pour traiter les données de fréquences variées se contentent d’adapter les données de la plus haute fréquence au rythme de la plus faible fréquence. Par exemple, des données mensuelles peuvent être converties en une entrée trimestrielle. MIDAS permet l’estimation sans agrégation afin d’obtenir des résultats plus justes.

Les recherches économiques récentes qui ont appliquées la méthode MIDAS à l’analyse de données de différentes fréquences chronologiques ont montré des précisions supérieures aux benchmarks utilisés précédemment.
Tay en 2006 a utilisé différents modèles de rendements de titres pour la prévision de croissance du PNB trimestriel. Pour la période début 2000, son modèle MIDAS incluant des relevés de donnés fréquents (quotidiens et intra-quotidiens) a surclassé en précision son modèle de benchmark de 20-30%.
Ghysels, Santa-Clara et Valkanov, à l’origine du modèle MIDAS en 2004, ont utilisé en 2006 des données quotidiennes et intra-quotidiennes de rendements de titres pour la prévision de volatilité de rendements. Réussir à manier ces données relevées à une fréquence élevée (notamment les rendements absolus par tranches de 5 minutes) a permis d’améliorer la précision jusqu’à 30% sur les prévisions allant jusqu’à 4 semaines.
 

 

 


Nouveautés de la version 9

EViews 9 apporte de nombreuses fonctionnalités. Vous pouvez aussi consulter toutes les fonctionnalités de EViews (en français).
Le texte source de l'éditeur a été conservé afin d'éviter toute perte d'information.

 

General EViews Interface

The general EViews interface has been improved in a number of important ways. The following are some of the highlights.

Command Capture

EViews offers command capture for most object views and procedures, and a large number of interactive operations. With command capture, when you perform an operation using the dialogs or user-interface, EViews will save the equivalent text command for display and export.
You can copy-and-paste the contents of the capture window, or you can save the contents to a file. Right-clicking in the window brings up a menu for copying or clearing the window, saving the contents to a file on disk, or opening a new, untitled program containing the contents of the window.
To display the command capture window or set focus on the window, click on Window/ Display Command Capture Window from the main EViews menu.

Command capture
Note that not all interactive operations in EViews are capture enabled. Among the notable exceptions are some types of graph creation and customization, object view graph customization, and individual cell editing for tables and spreadsheets.

Window Docking

The EViews 9 command and capture windows are dockable, hideable, and floatable.
Dockable and hideable windows allow you to move frequently used windows out of the way while keeping them close at hand. They offer space saving convenience which is particularly valued when working with smaller screen devices like laptops.

Window Docking
Floatable windows allow you to move them out of the way of your work. You may even go so far as to float a window outside of the EViews frame.

Database and Workfile Object Preview

In earlier versions of EViews, browsing through the contents of a database or workfile could be tedious as it required opening and closing each object that you wished to examine.
EViews 9 offers you the ability to preview objects contained in a database or a workfile. With the preview tool, you may quickly browse through a number of objects. You may use the preview to quickly scroll through a preview of each object, viewing metadata (name, type, description, frequency, last update, source, units, etc.) and object type-specific information (for example, series will show observation data and a small graph while equations will show estimation output).

Database and workfile object preview



Data Handling

EViews 9 offers a variety of new features for working with data.

Enhanced import and linking of data

In EViews 9, series objects can be linked to an object in another workfile and to any external data source that can be imported into EViews (e.g. – Excel file, Text file, ODBC database, etc). These linked series may be unlinked and re-linked as desired and the data refreshed when the workfile is opened, or on request.
The Manage Links and Formulae dialog has been redesigned to help you manage these new data links.

Enhanced import and linking of data
You can use the dialog to examine and edit the link properties, refresh the data, and break or restore the links.

New FRED Database Interface

EViews 9 offers an updated interface to the FRED data service provided by the Federal Reserve Bank of St Louis. The new interface includes a custom browser for navigating the available FREDX data and adds support for retrieval of historical releases.
To use the new interface, select File/Open Database… from the main EViews menus and open the all new custom FRED database. The browser interface allows you to find data available within FRED by navigating through a set of nested folders. Click on the folder icons to drill down into subtopics:

New FRED database interface
In addition, the FRED interface offers a number of useful tools for working with your FREDX database, including keyword search, popularity and update ordering, filtering, vintage handling, and more.

New FRED database interface

Cloud Drive Support

You may now access your Box, Dropbox, Google Drive, or OneDrive drive from within EViews. The File Open… and File/Save As… dialogs allow you to configure access to your accounts, and to read and write files directly from your cloud drives.

Cloud drive support

Dated Data Table Templates

EViews 9 now allows you to store and load all of your dated data table settings to and from a dated data template.

dated data table template

Expanded Frequency Conversion Interpolation Methods

EViews 9 supports new low-to-high frequency conversion methods as well as modification to the existing methods.
The new conversion methods are Point, Denton, Chow-Lin and Litterman. Each of these methods supports a number of different match points (i.e. how the periods on the source page are connected to those in the destination page), including First, Last, Sum, and Average. The existing Linear and Cubic methods have been extended to allow matching on First as well as Last.

expanded frequency conversion interpolation methods



Graphs, Tables, and Spools

Graph Pan and Zoom

Panning and zooming is available on graphs and graph views that feature the observation slider bar (i.e., those graph views that allow for subsample display). You may use these features to focus on particular regions of the graph, much like cropping a photograph.
To zoom, left-click on the graph and drag the cursor to draw a box around the area into which you would like to zoom.

Graph pan and zoom

then release the mouse. The display changes to show only the area within the box and the observation slider bar and axis labels will change to reflect the modified display.

Graph pan and zoom

Note that there will be no indication that observations from the original graph have been trimmed away.
To pan, right-click on the graph, and when the cursor change to a hand, drag the image and release when the display shows the portion of the graph that is of interest.

Graph pan and zoom

Note that zooming and panning does not change the graph, only the display of the portion of the graph in the window. The observation slider bar and axis labels will change to reflect the modified display. Freezing the graph will take a snapshot of the current display.
To restore the original graph display, press ESC.

Multi-graph Slideshow

EViews 9 makes viewing multi-graphs easier via the introduction of a graph slideshow.
When working with multiple graphs in a single graph frame one sometimes finds that the individual graphs are too small to see any detail. Consider, for example, the graph of impulse responses for a three variable VAR:
EViews 9 allows you to zoom in on the individual graphs and to display the contents of the graph in a slideshow format. Click on the Zoom button on the toolbar to enable the slideshow:

Multi-graph slideshow
Here we see the zoom view. On the left is a gallery of the individual graphs; on the right is a larger display of the selected graph. You can page through the individual graphs using the arrow keys or Page Up/Page Down to select the next graph, or the Home and End keys to move to the first or last graph. Alternately, you can click on a gallery item to jump to that graph.
Click on ESC to exit zoom mode.
If you wish to enable the slideshow for a subset of the graphs, return to the original graph and select the graphs of interest by clicking or drag clicking to select the desired items,

Multi-graph slideshow
then press the Zoom button or right-mouse click and select View/Selected graphs. EViews will show the gallery for just the selected items:

Multi-graph slideshow

Improved Mixed Graph Type

EViews 9 offers an entirely new interface where you can flexibly specify the type of each graph in the mixed display.
Previous versions of EViews allowed you to display a mixed graph type where the first series or column of data was depicted using a bar, spike, or area plot, and the remaining data was plotted using line graphs. There was no way to mix more than two graph types, nor was there a way to draw with more than one of the first graph type.
The new EViews interface allows you to specify the type of each graph element. Set the first series to spike, the second to line, and the third to area. Or mix up the assignment. The choice is up to you.
When you select Mixed as your Basic Type, the left-hand side tree adds an additional page under Graph Type for Mixed settings. When you click on this node, the right-hand side of the dialog changes to display the settings for each type :

improved mixed graph type
You may, for example, graph your group data with a spike for the first series, a line for the second, and an bar for the remaining two.

improved mixed graph type

Rectangle and Ellipse Drawing

You may now draw rectangles and ellipses in frozen graph objects.

Rectangle and ellipse drawing

Data-based Anchoring

By default, the positions of arrow and text objects in a graph are specified in virtual inches relative the top left corner of the graph. While useful for some types of drawing, this approach is problematic when one wishes to place objects at particular data points or dates in the graph as in, for example, identifying an outlier or the observation value at a notable date. For one, placing the object is quite difficult programmatically as there is no clear way of translating from data values or observations to virtual inch offset. Moreover, if one changes the axes ranges, sample, or aspect ratio of the graph, the absolute positioning method breaks down.

data-based anchoring
You can attach arrows and the new rectangle and ellipse drawing objects to fixed data/date points within the graph. You can, for example, choose to place your object at the point defined by the observation for 1990m01 and the maximum value of X.
Similarly, sizes of objects may also be expressed in terms of observations and data units, so that you can draw a rectangle that is “2 years wide” and “10.5” data units tall.
In addition to being easier to specify programmatically, if, you then alter the graph frame or axes, the object will move with the data in the graph.

LaTeX Output

You can now save your table, graph, and spool output in LaTeX format.
This feature is available whenever you save a table, graph, or spool to disk (using commands, the table or graph save to disk proc, or the right-mouse button save from a table or graph view). In all of these case, you should select change the File type combo to “LaTeX file” to see the available options.
The options to save as PDF are included in the standard save dialogs for graphs, tables, and spools. Right-click on the graph, table, or spool object and select Save graph to disk..., Save table to disk..., or Save to Disk, respectively. The standard file save dialogs will appear. Select PDF from the File Type drop-down.

LaTeX Output

LaTeX also appears as a supported output type for table objects in EViews 9 :

LaTeX Output



Econometrics and Statistics

EViews 9 offers a exciting new additions and improvements to its set of econometric and statistical features. The following is a brief outline of the most important new features, followed by additional discussion and pointers to full documentation.

Automatic ARIMA Forecasting

Automatic ARIMA forecasting is a method of forecasting values for a single series based upon an ARIMA model.
Although EViews provides sophisticated tools for estimating and working with ARIMA models using the familiar equation object, there is considerable value in a quick-and-easy tool for performing this type of forecasting. EViews 9 introduces an automatic ARIMA forecasting series procedure that allows the user to quickly determine an appropriate ARIMAX specification and use it to forecast the series into the future.
You will find this feature using the Proc menu for a series object.

Automatic ARIMA Forecasting

Forecast Evaluation

When constructing a forecast of future values of a variable, economic decision makers often have access to different forecasts; perhaps from different models they have created themselves or from forecasts obtained from external sources. When faced with competing forecasts of a single variable, it can be difficult to decide which single or composite forecast is “best”. Fortunately, EViews 9 provides tools for evaluating the quality of a forecast which can help you determine which single forecast to use, or whether constructing a composite forecast by averaging would be more appropriate.
Given actual data and one or more sets of forecasts for an evaluation sample, EViews computes four different measures of forecast accuracy; RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error), and the Theil Inequality Coefficient.
In addition, EViews can compute the Combination Test, or Forecast Encompassing Test (Chong and Hendry, 1986; Timmermann, 2006) for evaluating whether averages of forecasts perform better than the individual forecasts.
To perform forecast evaluation in EViews, you must have a series containing the observed values of the variable for which you wish to evaluate forecasts. To begin, open up the series and click on View/Forecast Evaluation..., which will open the Forecast Evaluation dialog box:

Forecast Evaluation

Forecast Averaging

Economic forecasters often have a variety of different models and forecasts of the same variable from which to choose. Traditionally the forecasting decision was to pick which single forecast was “best” out of the individual forecasts available. However, a number of studies (Timmermann 2006) have shown that averaging forecasts is more accurate than choosing a single best forecast.
Forecast averaging, or forecast combining, is a methodology for combining multiple forecasts into a single forecast. EViews 9 offers a number of easy-to-use tools for performing forecast averaging using simple mean, least squares, mean square error, mean square error ranks, smoothed AIC, approximate Bayesian model averaging. trimmed mean and simple median methods.
To perform forecast averaging in EViews, you must start with a series representing the data to be forecasted. Some of the forecast weighting techniques require actual data to calculate the weights, and in these cases this series should contain actual values for the variable being forecasted for at least some of the observations for which forecast values are available.
Open the series and click on Proc/Forecast Averaging..., which will open the Forecast Averaging dialog box:

Forecast Averaging

The Forecast data objectsbox specifies the forecasts to be used for averaging. Forecasts can be entered either as a collection of series (in which case the names of the series, a series naming pattern, or the name of a group are entered), or as a list of equation objects. If equation objects are entered, EViews will automatically perform a dynamic forecast over the forecast period from each of those equation objects to generate the forecast data.

VAR Forecasting

Previously, to forecast from an estimated VAR object, you needed to first make an EViews model object from the VAR and then solve the model. This procedure was cumbersome, especially for those unaccustomed to working with models and scenarios.
In EViews 9, you may produce forecasts directly from an estimated VAR object. Click on the Forecast button or select Proc/Forecast to display the forecast dialog:

VAR Forecast
Fill out the dialog as desired and click on OK. EViews performs the forecast and, if appropriate displays output:

VAR Forecast
In this case, the output consists of a spool containing the forecast evaluation of all of the series in the VAR, along with individual graphs of the forecasts along with the corresponding actuals series.

Autoregressive Distributed Lag (ARDL) Models

EViews 9 offers new tools for estimating and examining the properties of Autoregressive Distributed Lag (ARDL) models. ARDLs are standard least squares regressions which include lags of both the dependent variable and independent variables as regressors.
Although ARDL models have been used in econometrics for decades, they have gained popularity in recent years as a method of examining long-run and cointegrating relationships between variables (Pesaran and Shin, 1999; Pesaran, Shin and Smith, 2001).
EViews offers specialized tools for estimating ARDL models, including built-in lag-length selection methods, cointegrating relationship estimation, and Bounds testing for long-run relationship.
To estimate an ARDL model using the ARDL estimator, open the equation dialog by selecting Quick/Estimate Equation…, or by selecting Object/New Object…/Equation and then selecting ARDL from the Method dropdown menu. EViews will then display the ARDL estimation dialog:

Autoregressive Distributed Lag (ARDL) Models

ML and GLS ARMA

EViews now allows you to estimate ARMA models specified by list using ML or GLS (in addition to the previously existing CLS-based estimator). Estimation of these models features the use of the Kalman filter to evaluation the exact likelihood (Hamilton 1994).
In the equation object dialog, click on the Options tab. The ARMA section in the upper right-hand corner of the dialog presents new options for estimating your ARMA model.

ML and GLS ARMA
In addition to a choice between ML, GLS, or CLS estimation of ARMA methods, you will have a choice of methods for determining ARMA starting values, optimization method, and the approach to computing the estimate of the coefficient covariance.

Fractional Integration (ARFIMA)

Stationary processes are said to have long memory when autocorrelations are persistent, decaying more slowly than the rate associated with ARMA models. Modeling long term dependence is difficult for standard ARMA specifications as it requires non-parsimonious, large-order ARMA representations that are generally accompanied by undesirable short-run dynamics (Sowell, 1992).
One popular approach to modeling long memory processes is to employ the notion of fractional integration (Granger and Joyeux, 1980; Hosking, 1981). A fractionally integrated series is one with long-memory that is not . By combining fractional integration with an ARMA specification we obtain a fractional ARIMA (ARFIMA) model. The ARFIMA model includes a fractional integration parameter that controls the degree of long-run dependence, allowing for the separate modeling of the short and the long-run dynamics.
EViews supports exact maximum likelihood estimation of ARFIMA models via ML or GLS using efficient algorithms as described in Sowell (1992) and Doornik and Ooms (2003). Among the supported features are automatic intialization of the integration parameter estimates using the Geweke and Porter-Hundlak (1983) log-periodogram regression, and concentration of the likelihood with respect to regression coefficients and scale.

Fractional Integration (ARFIMA)
To specify an ARFIMA model you should specify your ARMA model by list, then include “D” as a regressor to instruct EViews to estimate an integration term.

Panel ARDL and Pooled Mean Group (PMG) Estimation

EViews 9 supports estimation of the Pooled Mean Group (PMG) estimator of Pesaran, Shin and Smith (PSS, 1999) for ARDL models with individual effects. This model is particularly popular in panel settings where the number of periods is large, since alternative GMM estimators may not be appropriate in those settings.
The PMG takes the cointegration form of the simple ARDL model and adapts it for a panel setting by allowing the intercepts, short-run coefficients and cointegrating terms to differ across cross-sections.

Panel ARDL and Pooled Mean Group (PMG) Estimation

Threshold Regression

EViews 9 estimates threshold regression models (TR) which are linear regression models where the coefficients on explanatory variables may change as a threshold variable crosses boundary values. This class of model includes the popular threshold autogressive models (TAR).
To estimate a threshold equation, select Threshold Regression from the equation estimation method combo.

Threshold Regression

Optimization Engine and Coefficient Covariances

In EViews 9, we have integrated an all new estimation engine into many familiar EViews estimators.
The new engine, which implements a sophisticated trust region approach (More and Sorensen, 1983), supports versions of the Broyden-Fletcher-Goldfarb-Shanno (BFGS), Gauss- Newton/BHHH, Newton-Raphson, and Fisher Scoring algorithms.

Optimization Engine and Coefficient Covariances
One important benefit of the use of the new optimization engine is the availability of numeric second derivative estimates of the Hessian in cases where they were not previously available. Having second derivatives allows us additional choice in the estimators of the coefficient covariance, both through alternative estimators of the information matrix and through an expanded ability to compute Huber-White type sandwich estimators.
The following existing EViews estimators have been updated to support the new estimation engine: single equation nonlinear least squares and ARMA, binary, count, ordered, censored, ARCH (single equation and system), switching regression, GLM, Heckman selection, system FIML, state space, user-defined likelihood.

Unit Root Tests with a Breakpoint

EViews 9 supports the computation of modified Dickey-Fuller tests which allow for levels and trends that differ across a single break date. The testing framework follows the work of Perron (1989), Perron and Vogelsang (1992), Vogelsang and Perron (1998), Banerjee, et al. (1992).
EViews offers unit root tests under a variety of scenarios for the type and timing of the break and different data trend specifications. To compute a unit root test with breakpoint select View/Breakpoint Unit Root Test… from the series menu.

Unit Root Tests with a Breakpoint
Fill out the dialog as desired, and click on OK. EViews will display the test results, and will, by default, display a spool object that contains the test results table,

Unit Root Tests with a Breakpoint
and graphs of the breakpoint selection results,

Unit Root Tests with a Breakpoint

Panel Cross-section Dependence Tests

EViews 9 performs tests for cross-section dependence (CD) in panel data. You may perform the Breusch-Pagan LM (1980), Pesaran (2004) scaled LM and CD, and the Baltagi, Feng, and Kao (2012) bias-corrected scaled LM tests in panel equation and panel series settings.
To perform a panel series test, open a panel series and select View/Cross-section Dependence Test. To perform a test on the residuals from an estimated panel equation, select View/Residual Diagnostics/Cross-Section Dependence Test :

Panel Cross-section Dependence Tests
EViews will compute the relevant statistics, and display the results in tabular form:

Panel Cross-section Dependence Tests

Panel Random Effects Tests

EViews 9 allows you to test for individual and time unobserved random effects in a panel or pool equation. EViews computes the Breush-Pagan LM (1980), Baltagi and Li (199), Honda (1985), King and Wu (1997), Gourieroux, Holly, and Monfort (1982), Moulton and Randolph Standardized LM (1989) tests.
To compute the test statistics, select View/Fixed-Random Effects Testing/Omitted Random Effects - Lagrange Multiplier from an estimated panel equation:

Panel Random Effects Tests
The results for all of the tests are displayed in the object window:

Panel Random Effects Tests
 
.
 

 

 

Manipulation de données

 

 


Manipulation de données

Série numérique, alphanumérique (chaîne), et de date
ainsi que étiquettes de valeur.

Vaste bibliothèque d'opérateurs
et de fonctions statistiques, mathématiques, de date et de chaîne de caractère.

Langage puissant
pour la gestion des expressions et la transformation des données existantes en utilisant des opérateurs et des fonctions.


Manipulation des échantillons
et des objets échantillons facilite le traitement des sous-ensembles de données.

Prise en compte de structure de données complexes
avec dates régulières ou irrégulières, données transversales avec identifiants des observations, données de panel daté et non daté.

Fichiers de travail multi-page

Bases de données natives de EViews
offrent des fonctionnalités puissantes de requête et d'intégration avec les fichiers de travail EViews.

Conversion des données
entre EViews et différents formats de feuilles statistiques et de bases de données parmi lesquels (mais non limité à) : Microsoft Access® et Excel®, fichiers de données Gauss, fichiers de transport SAS®, fichiers SPSS natifs et portables, fichiers Stata, fichiers texte au format ASCII ou fichier binaire, HTML, ou de bases de données ODBC et les requêtes (support ODBC est fourni uniquement dans la version Enterprise Edition).

Support OLEDB
pour la lecture de fichiers de travail EViews et bases de données utilisant clients OLEDB ou des programmes personnalisés.

Support pour les bases de données FRED ® (Federal Reserve Economic Data)
EViews Edition Enterprise prend en charge les bases Global Insight DRIPro et DRIBase, Haver Analytics ® DLX ®, FAME, EcoWin, Datastream, FactSet, et Moody’s Economy.com.

Add-in Microsoft Excel® de EViews
vous permet de lier ou d’importer des données de feuilles de travail EViews et de bases de données à partir d'Excel.

« Glisser-Déposer »  possible pour la lecture des données 
il suffit de déposer les fichiers dans EViews pour une conversion automatique des données dans le format de fichier EViews.

Outils puissants
pour créer de nouvelles pages de travail à partir des valeurs et des dates des séries existantes.

Modification des fichiers de travail
Fusionner, joindre, ajouter, faire des sous-ensembles, redimensionner, trier et remodeler les fichiers de travail.

Conversion automatique de fréquence
facile à utiliser qui copie ou lie les données entre des pages de fréquence différente.

Conversion de fréquence et fusion
avec mise à jour dynamique des données lorsque celles-ci changent.

Mise à jour automatique des séries de formules
qui sont automatiquement recalculés chaque fois que les données soulignées changent.

Outils pour générer des nombres aléatoires et de ré-échantillonnage pour la simulation
Générer des nombres aléatoires pour 18 fonctions de distribution différentes en utilisant trois générateurs de nombres aléatoires différents.

 

 
.

 

Manipulation de séries chronologiques
Manipulation de séries chronologiques


Support intégré
pour la gestion de dates et des séries temporelles et chronologiques (régulières et irrégulières);

Prise en charge des données de fréquences régulières
annuelle, semestrielle, trimestrielle, mensuelle, bimestrielle, quinzaine, de dix jours, hebdomadaire, quotidienne – semaine de5 jours, quotidien -  semaine de 7 jours.

Prise en charge des données à haute fréquence (intrajournalière)
permettant des fréquences en heures, minutes, secondes. En outre, il existe un certain nombre de fréquences moins souvent rencontrées, y compris multi-année, bimestrielle, quinzaine, de dix jours, et quotidien avec une gamme arbitraire de jours de la semaine.

Fonctions et opérateurs spécialisés de séries chronologiques
décalages, différences, log-différences, moyennes mobiles, etc.

Conversion de fréquence
plusieurs modes de fréquence élevée à faible fréquence.

Lissage exponentiel
simple, double, Holt-Winters.

Outils intégrés
pour la régression de blanchiment.

Filtre de Hodrick-Prescott

Filtre de bande passante (fréquence)
Baxter-King, longueur fixe de Christiano-Fitzgerald et filtres asymétriques pour échantillons complets.

Dessaisonalisation
X11, X12-ARIMA, Tramo / Seats, moyenne mobile.

Interpolation des valeurs manquantes dans une série
linéaire, log-linéaire, spline de Catmull-Rom, cardinal spline.

 

 
.
Statistiques de bases

 

Statistiques


Base

 

Synthèses
Synthèse de base de données;  synthèses par groupe.

Tests d'égalité
Tests t, ANOVA (symétrique et asymétrique, avec ou sans variances hétéroscédastiques.), Wilcoxon, Mann-Whitney,chi carré médian, Kruskal-Wallis, van der Waerden, F-test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe.

Tables
Table à une entrée, tables croisées avec des mesures d'association (coefficient Phi, V de Cramer, coefficient de contingence), et tests d'indépendance (chi carré de Pearson, rapport de vraisemblance G ^ 2).

Analyse de covariance et de corrélation
Y compris coefficient de Pearson, Corrélation de rang de Spearman, tau-a  et tau-b de Kendall analyse partielle.

Analyse en composantes principales
avec scree plots, biplots et loading plots et calculs de de score de composantes pondérées.

Analyse factorielle
avec calcul de mesures d'association (y compris covariance et corrélation), estimations de singularité, estimations de facteurs de charges et facteurs de scores ainsi que la mise en œuvre de diagnostics et de l’estimation de facteur de rotation en utilisant l’une des 30 différentes méthodes orthogonales et obliques.

Distributions
Fonction de Distribution Empirique (FED), tests de distributions : loi normale, exponentielle, valeur extrême, logistique, Chi-carré, Weibull, ou Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson).

Histogrammes & polygones
Histogrammes, polygones de fréquences, polygones de fréquences Edge, Histogrammes Moyenne Shifted, CDF-survivor-quantile, quantile-quantile, densité par la méthode du noyau, distributions théoriques ajustée, boîtes à moustaches.

Tables
Table à une entrée,  Tables croisées avec des mesures d'association (coefficient Phi, V de Cramer, coefficient de contingence) et  tests d'indépendance (chi carré de Pearson, rapport de vraisemblance G ^ 2).

Nuages de points
avec droites de régression paramétriques et non paramétriques (LOWESS, polynômes locaux), régression par la méthode du noyau (Nadaraya-Watson, linéaire local, polynome local), ou ellipses de confiance.

 

 
.

 

Serie Temporelles

 

Séries temporelles


Autocorrélation
Autocorrélation partielle, corrélation croisée, statistiques de Q.

Tests de causalité de Granger

Tests de racine unitaire
Dickey-Fuller augmenté, GLS Dickey-Fuller transformé, Phillips-Perron, KPSS, Eliot-Richardson-Stock point optimal, Ng-Perron.

Tests de cointégration
Johansen, Engle-Granger, Phillips-Ouliaris, Park variables ajoutées, et stabilité de Hansen.

Tests d'Indépendance
Brock, Dechert, Scheinkman et LeBaron

Tests du rapport de variance
Lo et MacKinlay, Kim wild bootstrap, test du rang de Wright, score du rang  et test du signe. Test de Wald et tests du rapport de variance de comparaison multiple (Richardson et Smith, Chow et Denning).

Variance de long terme et calcul de covariance
symétrique ou covariance unilatérale à long terme en utilisant des noyaux non paramétriques (Newey-West 1987, Andrews, 1991), paramétrique VARHAC (Den Haan et Levin, 1997), méthode du noyau préblanchi (Andrews et Monahan 1992). En outre, EViews prend en charge les méthodes de sélection automatique de fenêtre pour des estimateurs du noyau  Andrews (1991) et Newey-West (1994), et sélection du nombre de retard basé sur des critères d’information pour les estimateurs VARHAC et préblanchi.

 

 
.

 

Panel et Pool

 

Panel & Pool

Statistiques et tests par groupe et par période

Tests de racine unitaire
Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri.

Tests de cointégration
Pedroni, Kao, Maddala et Wu.

 

 

 

 

 

 

 

 

 
.

 

Regression

 

Estimation


Regression

 

Régression multiple
Estimation par les moindres carrés ordinaires linéaire et non linéaire.

Régression linéaire
avec PDL sur n'importe quel  nombre de variables indépendantes.

Dérivées analytique
pour l'estimation non linéaire.

Moindres carrés pondérés

Écart-type
Écart-type robustes de White et de Newey-West.
Écart-types HAC peuvent être calculés en utilisant un noyau non paramétriques, paramétrique VARHAC, et les méthodes du noyau pré-blanchi, avec méthodes de sélection automatique des fenêtres pour des estimateurs du noyau Andrews et Newey-West, et sélection du nombre de retard basé sur des critères d’information pour les estimateurs VARHAC et pré-blanchi.

Régression Linéaire par quantile et moindres déviations absolues (DAL)
incluant à la fois le Sandwich de Huber et des calculs de covariance bootstrap.

Régression pas à pas
avec 7 différentes procédures de sélection.

 

 
.

 

 

ARMA & ARMAX

 

Modèles linéaires autorégressifs
avec moyenne mobile, autorégressifs saisonniers  et moyennes mobiles saisonnières.   

Modèles non linéaires avec spécifications AR et SAR

Estimation
par la méthode d'analyse rétrospective Box et Jenkins, ou par les moindres carrés conditionnels.

 

 
.

 

GMM

 

Variables instrumentales & GMM

 

Moindres carrés linéaires et non linéaires en deux étapes
Variables instrumentales (2SLS/IV) et estimation  par la méthode des moments généralisés (GMM).

Estimation linéaires et non linéaires 2SLS/IV
avec erreurs AR et SAR.

Maximum de vraisemblance
à information limitée (LIML) et estimation de classe K.

Options d'estimation GMM
incluant une actualisation permanente de l'estimation (CUE), et un nombre important de nouvelles options pour le calcul des écart-types incluant les écart-types de Windmeijer.

IV/GMM diagnostics spécifiques
incluant le test d’orthogonalité des instruments le test d’endogénéité des régresseurs, test d’instrument faible, test spécifique GMM de rupture.

 

 

 
.

 

ARCH/GARCH

 

ARCH / GARCH

 

GARCH (p, q), EGARCH, TARCH,
composante GARCH, Power ARCH, GARCH intégré

Équation moyenne linéaire ou non linéaire
possibilité d'inclure des termes ARCH et ARMA; les deux équations de moyenne et variance admettent des variables exogènes.

Distribution Normale, t de Student, et d'erreur généralisée

Écart-types robustes de Bollerslev-Wooldridge
Texte de description

Prévision de la moyenne et de la variance conditionnelle
pour l’échantillon et en dehors de l’échantillon, et des composants permanents.

 

 

 

 
.

 

Modèles à variables dépendantes limitées

 

Modèles à variables dépendantes limitées

 

Binaire logit, probit et Gompit
(valeur extrême)

Logit ordonné, Probit et Gompit
(valeur extrême)

Modèles censurés et tronqués
avec erreurs normales, logistique, et extrême (Tobit, etc.).

Modèles pour données de comptage
avec spécification de Poisson, binomiale négative et   du quasi-maximum de vraisemblance (QML).

Écart-type robustes de Huber/White

Modèle de comptage
avec ‘’Count Modèles’’ supportent  le modèle linéaire généralisé ou QML erreurs standard.

Tests de qualité
de l’ajustement de Hosmer-Lemeshow et Andrews pour modèles binaires.

Facilité d’enregistrement des résultats
dans de nouveaux objets EViews pour une analyse ultérieure (y compris les résidus généralisés et les gradients).

Outil général d’estimation GLM
Possibilité d'être utilisé pour estimer plusieurs de ces modèles

 

 
.

 

Données de panel / Séries chronologiques empilées, données en coupes transversales

 

Données de panel / Séries chronologiques empilées, données en coupes transversales

 

Estimation linéaire et non linéaire
avec prise en compte d’effets fixes ou d’effets aléatoires en coupe ou par période.
Choix des estimateurs quadratiques sans biais (QUEs) pour les composantes des variances dans les modèles à effets aléatoires: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn.   

Estimation 2SLS/IV
avec effets fixes ou effets aléatoires sur les périodes ou les coupes.

Estimation avec prise en compte d’erreurs AR
en utilisant les moindres carrés non linéaire sur une spécification transformée.

Moindres carrés généralisés, estimation généralisée 2SLS/IV, estimation GMM
permettant des spécifications hétéroscédastiques et corrélées pour les coupes ou les périodes.   

Estimation sur panels linéaires dynamique
en utilisant les différences premières ou les déviations orthogonales avec des instruments prédéterminés spécifiques aux périodes (Arellano-Bond).

Calculs d’écart-types robustes
incluant sept types d’écart-type robustes de White et d’écart-types corrigés sur panels (PCSE).

Tests
Test de restrictions sur les  coefficients, tests de variables omises et de variables redondantes, test de Hausman pour effets aléatoires corrélés.

Tests de racines unitaires sur panel
Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, tests de type Fisher à l'aide des tests ADF et PP (Maddala-Wu, Choi), Hadri.

 

 
.

 

 

Modèles linéaires généralisés

 

Familles
Normale, Poisson, binomiale, binomiale négative, gamma, gaussienne inverse, Exponentielle Mena, puissance moyenne, Binomiales carrées.

Fonctions de lien 
Identité, log, log-complément, logit, probit, log-log, log-log complémentaire, inverse, puissance, power odds ratio, Box-Cox, Box-Cox, odds ratios   

Variance a priori et pondération de fréquence

Déviance Fixe, chi-carré de Pearson, spécification des dispersions
définies par l'utilisateur.

Algorithmes d’estimation 
Quadratic Hill Climbing, Newton-Raphson, IRLS – Score de BHHH.

Coefficient covariances ordinaire
calculé à l'aide d’Hessian attendu ou observé ou le produit externe des gradients. Estimations covariance robuste utilisant les méthodes GLM ou Huber/White.

 

 
.

 

Equation de cointégration univariée

 

Équation de cointégration univariée

 

Prise en charge de trois méthodes d'estimation efficace
OLS modifié (FMOLS, Phillips et Hansen 1992), Régression de cointégration canonique (CCR, Park, 1992), et OLS dynamique (DOLS, Saikkonen 1992, Stock et Watson, 1993

Tests
Tests basés sur les résiduels de Engle et Granger (1987) et de Phillips et Ouliaris (1990), test d’instabilité de Hansen (1992b), et test de variable ajoutée de Park (1992).

Regresseurs
Spécification flexible de la tendance et des régresseurs déterministes dans l'équation et des régresseurs de cointégration.

Estimation des variances de long terme
pour FMOLS et CCR

Sélection automatique ou fixe des retards 
pour la méthode DOLS (retards et avance) whitening régression de la variance à long terme.

OLS rééchelonnés et calculs d’erreur standard robuste
pour DOLS.

 

 

 
.

 

Spécification par l’utilisateur du maximum de vraisemblance

 

Spécification par l’utilisateur du maximum
de vraisemblance

 

Utilisation des fonctionnalités
sur le calcul des séries d’EViews pour décrire les contributions à la vraisemblance.

Exemples
pour le logit multinomial et conditionnel, pour les modèles faisant intervenir la transformation Box-Cox, pour les modèles de déséquilibre et les modèles à changements de régime, probit avec erreurs hétéroscédastiques, logit emboîté, Méthode d’Heckman pour biais de sélection, modèles avec fonction de hasard de Weibull.

 

 

 
.

 

Systèmes d'équations de base

 

Systèmes d'équations


Base

 

Estimation linéaire et non linéaire

Moindres carrés, 2SLS, estimation pondérée, Modèle SUR, triples moindres carrés

GMM
avec des matrices de pondération White et HAC.

Estimation AR  
en utilisant les moindres carrés non linéaire sur une spécification transformée.

Maximum de vraisemblance à information complète (FIML)


 

 
.

 

VAR et VEC

 

VAR / VEC

 

Estimation de VAR structurels
en imposant des restrictions à court ou à long terme.

Fonctions de réponse impulsionnelle sous différents formats (tableaux, graphiques)
avec écart-types calculés analytiquement ou par des méthodes de Monte Carlo.

Chocs de réponse impulsionnelle calculée
à partir de la décomposition de Cholesky, égalà un résidu ou à écart-type résiduel (corrélations ignorées), impulsions généralisées, factorisation structurelle, ou spécifiée par l'utilisateur sous la forme d’un vecteur ou d’une matrice.

Imposer et tester des restrictions linéaires
sur les relations de cointégration et / ou sur les coefficients d'ajustement dans les modèles VEC.

Voir ou générer des relations de cointégration
à partir d’estimation de modèles VEC.

Large gamme de diagnostics
Tests de causalité de Granger, tests joint d’exclusion de retards, critères d'évaluation nombre de retards, corrélogrammes, autocorrélation, tests de normalité et d'hétéroscédasticité, tests de cointégration, autres diagnostics multivariés.

 

 
.

 

ARCH multivarié

 

ARCH multivarié

 

Diagonales
Corrélation conditionnelle constante (p, q), Diagonal VECH (p, q), Diagonal BEKK (p, q), avec termes asymétriques.

Large choix de paramétrisation
pour la matrice des coefficients d’une diagonale VECH.

Prise en compte de variables exogènes
dans les équations de la moyenne et de la variance; termes non linéaires et AR autorisés dans les équations de la moyenne.

Écart-types robustes de Bollerslev-Wooldridge.

Distribution multivariée Normale ou T de Student
pour les termes d’erreur.

Large choix de dérivées
Dérivées analytiques ou (rapides ou lents) ou numériques.
Dérivées Analytiques non disponibles pour certains modèles complexes.

Covariance, Variance, ou corrélation
calculées et représentées sous différentes formes (tableaux et graphiques) à partir des modèles ARCH estimés.

 

 

 
.

 

 

Espace d'État

 

Algorithme de filtre de Kalman
pour l'estimation de modèles structurels spécifiés par l'utilisateur unique et modèles structurels à plusieurs  équations.

Variables exogènes
dans l'équation d'état et spécifications de variance entièrement paramétrées.

Calcul des signaux
à l’horizon plus un, filtrés ou lissés, états et erreurs.

Proposition d’exemples
incluant des paramètres variant dans le temps, ARMA multivariés, modèles de volatilité avec pseudo vraisemblance stochastique.

 

 
.


 

Tests et Évaluation

 

tests et évaluation

Graphiques des valeurs observées, ajustées et des résidus.

Tests de Wald

pour les restrictions linéaires et non linéaires sur les coefficients, ellipses de confiance montrant la région de confiance conjointe de deux fonctions de paramètres estimés.

Autres diagnostics sur les coefficients 
Coefficients standardisés et calcul d’élasticités, intervalle de confiance, les facteurs d'inflation de la variance, coefficient de décomposition de la variance.

Variables, tests & résidus
Variables redondantes et variables omises, test LR, corrélogramme des résidus et du carré des résidus et leur Q-statistiques, autocorrélation des résidus, et test LM ARCH.

Tests d’hétéroscedasticité de White, de Breusch-Pagan, de Godfrey, d’Harvey et de Glejser

Diagnostics de stabilité 
Test de Chow de rupture et de prévision, test de Quandt-Andrews  avec date de rupture inconnue, test RESET de Ramsey, OLS récursifs, statistiques d’influence, graphes de levier.

Diagnostics des spécifications ARMA 
Graphiques ou tableaux des racines inverses du polynôme caractéristique de l’AR et/ou du MA, comparaison du comportement des fonctions d’autocorrélations théoriques avec celles estimées pour les résidus structurels, représentation de la réponse impulsionnelle ARMA à un choc d'innovation et du spectre de fréquences ARMA.

Facilité d’enregistrement
Facilité d’enregistrement des résultats (coefficients, coefficient de matrices de covariance, résidus, gradients, etc) sous la forme d’objets EViews pour une analyse ultérieure.

 

 
.

 

Prévisions et simulations

 

Prévisions et simulations

 

Prévisions statique ou dynamique
pour l’échantillon ou en dehors de celui-ci à partir de l’objet équation estimée et calcul des écart-types de la prévision.

Graphiques des valeurs prévues et évaluation de la prévision pour l’échantillon 
RMSE, MAE, MAPE, Coefficient d'inégalité et proportions de Theil.

Mise à disposition d’outils standard de modélisation
pour la prévision d'équations multiples et la simulation  multivariée.

Équations de modèles
Les équations des modèles peuvent être introduites dans le modèle comme du texte ou sous la forme de liens avec des équations qui seront automatiquement actualisés si celles-ci sont à nouveau estimées.

Affichage
Affichage de la structure de dépendance et du caractère endogène et exogène de chacune des équations du modèle.

Outils de résolution de modèles 
Gauss-Seidel, Broyden et Newton pour les simulations non-stochastiques et stochastiques. Solution Résolution des modèles à anticipations rationnelles avec calcul des solutions pour le futur. Les simulations aléatoires peuvent reposer sur des résidus bootstrapés.

Prise en compte de solution
avec variables de contrôle, tels que la variable endogène atteigne une cible donnée spécifiée par l'utilisateur.

Normalisation
Normalisation des équations sophistiquées, ajout de facteurs et ré-écriture du support.

Gestion & comparaison
Différentes solutions gérées et comparées sous la forme de scénarios impliquant différentes séries d'hypothèses.

Vues de modèles
Vues de modèles intégrés et affichage des résultats des simulations sous la forme de graphiques ou de tableaux.

 

 
.

 

graphiques et tableaux

 

Graphiques et tableaux

 

Graphiques
Ligne continue, dot plot, aire, bar, pic, saisonnier, camembert, xy-ligne, nuage de points, boîtes à moustaches, barre d'erreur, haut-bas-ouverture-fermeture, et bande d’aire.

Graphes
Graphes catégoriels et graphiques synthétiques, puissant et faciles d’utilisation.

Mise à jour automatique
Mise à jour automatique des graphiques avec actualisation des données.

Affichage d’information
Affichage d’information sur une observation et de sa valeur lorsqu’on passe le curseur sur le point correspondant dans un graphique.

Histogrammes & polygones
Histogrammes, histogrammes moyenne décalée, polygones  de fréquence, polygones bord de fréquence, boîtes à moustaches, densité du noyau, distributions théoriques ajustées, CDF, survivant, quantile, quantile-quantile.

Diagrammes de dispersion
Les diagrammes de dispersion avec n'importe quelle combinaison de noyau paramétrique et non paramétrique (Nadaraya-Watson, local linéaire, polynomiale locale) et droites de régression de plus proche voisin (LOWESS), ou ellipses de confiance.

Personnalisation Interactive
par pointer-cliquer ou ligne de commande.

Personnalisation étendue
Personnalisation étendue de fond graphique, cadre, légendes, axes, graduation, lignes, symboles, texte, ombrage, décoloration, avec des fonctionnalités améliorées de modèle graphique.

Personnalisation de tableau
avec un contrôle sur le type de police de la cellule, la taille et la couleur, la couleur de fond des cellules et des bords, la fusion et l'annotation.

Copier-coller des graphiques
dans d'autres applications Windows, ou enregistrement des graphiques en tant que métafichiers Windows réguliers ou améliorés, fichiers PostScript encapsulé, bitmaps, GIF, PNG ou JPG.

Copier-coller des tableaux
dans une autre application ou enregistrement dans un fichier RTF, HTML ou texte.

Gestion d'ensembles
Gestion des graphiques et tableaux ensembles en tant qu’objet ce qui vous permet d'afficher plusieurs résultats et analyses dans un seul objet.

 

 
.

 

commande et programmation

 

Les commandes et la programmation

 

Langage de commande orienté objet
permet d'accéder aux éléments du menu

Exécution de commandes par batch
dans le fichier de programme

Boucles et condition de branchement, routine et traitement des macros

Caractères
Caractères et objets vectoriels pour le traitement de chaînes de caractère. Vaste bibliothèque de caractères et de fonctions pour les chaînes de caractères.

Langage matriciel
Manipulation de matrice, multiplication, inversion, produits de Kronecker, valeur propre,  décomposition en valeur singulière.

 

 

 
.

 

interface externe & Add-ins

 

Interface externe et Add-Ins

 

Support du serveur d'automation EViews COM
afin que les programmes externes ou les scripts puissent lancer ou contrôler EViews, le transfert de données, et exécuter des commandes EViews.

MATLAB® & Serveur R
EViews offre un support client COM Automation des applications pour MATLAB ® et les serveurs R de sorte que EViews peut être utilisé pour lancer ou contrôler l'application, le transfert de données, ou exécuter des commandes.

Complément EViews Microsoft Excel®
Le complément EViews Microsoft Excel ® propose une interface simple pour aller chercher et relier à partir de Microsoft Excel ® (2000 et ultérieur) des objets sous la forme de séries et des matrices stockées dans des bases de données et des fichiers de travail EViews.

Infrastructure du complément EViews 
L'infrastructure du complément EViews offre un accès transparent aux programmes définis par l’utilisateur en utilisant la commande standard EViews, le menu et l'interface objet.

Compléments prédéfinis
Téléchargement et installation de compléments prédéfinis sur le site EViews

 

 
.

 Prochain Rendez-vous thématique

 

Intéressé ? Essayez la démo ou achetez-le.