eviews-services-amar-pishro

خدمات آمار پیشرو در حوزه نرم افزار Eviews

آشنایی با نرم افزار Eviews

در فیلم زیر شما می‌توانید موضوعات زیر را بیبینید:

آشنایی با نرم افزار Eviews، آشنایی با بخش‌های نرم افزار، چگونگی ساخت فضای کاری در نرم افزار، چگونگی ورود داده و گرفتن خروجی در نرم افزار Eviews

معرفی نرم‌افزار ایویوز (Eviews)

نرم افزار Eviews یکی از نرم افزارهای تخصصی در زمینه اقتصاد سنجی است که این نرم افزار جهت تحلیل و آنالیز دادهای اقتصادی مانند داده‌های پنل و یا سری زمانی مورد استفاده قرار می‌گیرد. یکی از ویژگی‌های نرم افزار Eviews استفاده راحت از نوار ابزار و منوی این نرم افزار با کمک گزینه‌های راهنما است.

 

چه کارهایی می‌توان با نرم‌افزار EViews انجام داد؟

بسیاری از تحلیل‌های مربوط به داده‌های زمانی را به وسیله این نرم‌افزار می‌توان انجام داد که برخی از آنها عبارتند از: هموارسازی، مدل‌های ARIMA، مدل‌های خانواده‌های ARCH، مدل‌های پویا، مدل‌های VAR، فضای‌حالت و…

هموارسازی:

در این روش فرض می‌شود که داده‌هایی که در طی زمان در فاصله نزدیکی از هم قرار دارند، احتمالا مقادیر نزدیک به همی نیز دارند. از این رو می توان با روش‌هایی مثل میانگین‌گیری متحرک خط‌های متحرک و… بعضی از عوامل تصادفی را حذف کرد و داده‌ها را هموار نمود (فراز و نشیب‌های تند داده‌ها را از بین برد) که در این صورت رفتار و روند داده‌ها بهتر نمایان می‌شود.

مدل‌های ARIMA:

این مدل که توسط باکس و جنکینز معرفی شد، برای مدل‌سازی و پیش‌بینی سری‌های زمانی تک متغیره و ایستا کاربرد دارد. این روش که در حوزه آمار پارامتری قرار دارد، دارای پیش‌فرض‌هایی نظیر ناخودهمبستگی باقیمانده‌ها و… می‌باشد.

مدل‌های خانواده‌های ARCH:

در مدل‌های ARIMA واریانس داده‌ها را ثابت در نظر می‌گرفتیم، اما اگر واریانس داده‌ها به صورت خوشه‌ای از یک دوره به دوره‌ی بعدی به صورت شرطی تغییر پیدا کند دیگر نمی‌توان واریانس را ثابت در نظر گرفت. در این صورت باید از مدلی کمک گرفت که تغییرات شرطی در واریانس را تبیین می‌کند به نام مدل ARCH.

مدل‌های پویا:

در این مدل‌ها یک یا چندین تأخیر یا تقدم متغیر وابسته و یا مستقل در مدل حضور دارند. در این صورت شروط علی و معلولی مدل نقض می‌شود و باید از روش‌های مخصوصی برآورد ضرایب مدل صورت بگیرد. کاربرد اینگونه مدل‌ها زمانی است که یا بر اساس مدل نظری باشد و یا برقراری پیش‌فرض‌ها نیازمند آن باشد.

مدل‌های VAR:

این مدل‌، یکی از مدل‌های موفق و انعطاف‌پذیر برای تحلیل کردن سری‌های زمان چند متغیره است. این مدل بسط مدل AR تک متغیره به حوزه سری‌های زمانی چندمتغیره پویاست. در این الگو هر متغیر تابعی از وقفه‌های خود و متغیرهای دیگر است.

فضای‌ حالت:

این مدل، حالت کلی مدل‌های چند متغیره سری زمانی، رگرسیونی و پویاست که به فرم ماتریسی نمایش داده می‌شود.

بنابراین با نرم‌افزاری روبرو هستیم که پاسخ‌گوی اغلب نیازهای محققان در زمینه‌های اقتصادسنجی و تحلیل‌های داده‌های زمانی می‌باشد.
این نرم افزار قابلیت‌های مختلف خود را در قسمت‌های مختلفی گذاشته است که با کمی تمرین می‌توان آن‌‌ها را بخوبی فراگرفت.