1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽(tīng)；
       2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。☆合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書(shū)，提升職業(yè)資質(zhì)。專(zhuān)注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書(shū)受到廣泛認(rèn)可。

第一講 Eviews入門(mén)
1.Eviews工作界面介紹
2.Eviews工作文件及常用對(duì)象介紹
3.變量的建立，變量中數(shù)據(jù)的錄入
4.刪除變量或觀察值
5.樣本區(qū)間的調(diào)整
6.變量的排序
7.通過(guò)數(shù)學(xué)運(yùn)算生成新的變量
8.工作文件的保存與EViews軟件的退出
9.如何調(diào)用已保存過(guò)的工作文件
第二講 Eviews圖形對(duì)象介紹
1.關(guān)于單個(gè)變量的作圖
2.關(guān)于多個(gè)變量的作圖
第三講 描述性統(tǒng)計(jì)分析
1.序列窗口下的描述性統(tǒng)計(jì)分析
2.序列組窗口下的描述性統(tǒng)計(jì)分析
第四講 一元線性回歸模型
1.做兩個(gè)變量的散點(diǎn)圖，從而看兩個(gè)變量是否具有線性關(guān)系。
2.通過(guò)建立方程對(duì)象的方式來(lái)估計(jì)一個(gè)方程
3.對(duì)方程估計(jì)結(jié)果的解釋與評(píng)價(jià)
4.在回歸估計(jì)結(jié)果中顯示方程的三種形式
5.如何根據(jù)我們估計(jì)的回歸方程計(jì)算需求的價(jià)格彈性
6.如何查看因變量的實(shí)際值、擬合值和回歸方程的殘差
7.如何用我們建立的方程進(jìn)行預(yù)測(cè)
第五講 多元線性回歸模型
1.做以因變量為橫軸，多個(gè)自變量為縱軸的散點(diǎn)圖，
2.建立組對(duì)象查看自變量的相關(guān)系數(shù)矩陣。
3.以建立方程對(duì)象的方式來(lái)建立多元線性回歸模型。
4.對(duì)模型結(jié)果的解釋和評(píng)價(jià)。
5.我們選取刪除引起共線性的變量的辦法來(lái)克服多重共線性。
6.對(duì)我們消除共線性后的模型進(jìn)行檢驗(yàn)，最后對(duì)模型進(jìn)行解釋和評(píng)價(jià)
第六講 非線性回歸模型
1.雙對(duì)數(shù)模型。
2.半對(duì)數(shù)模型。
3.倒數(shù)模型。
第七講 虛擬變量模型
1.虛擬變量的定義及意義。
2.如何通過(guò)加項(xiàng)的形式將虛擬變量引入到模型中去。
3.如何通過(guò)乘項(xiàng)的方式將虛擬變量引入到模型中去。
4.模型中加入季節(jié)虛擬變量。
第八講 單個(gè)經(jīng)濟(jì)時(shí)間序列的趨勢(shì)模型、季節(jié)調(diào)整、分解與平滑
1.趨勢(shì)模型。
2.季節(jié)調(diào)整方法。
3.HP濾波和BP濾波
4.指數(shù)平滑方法
第九講 離散因變量與受限因變量模型
1.二元選擇模型
2.排序選擇模型
3.計(jì)數(shù)模型
4.刪截回歸模型（censored regression model）
5.截尾回歸模型（Truncated Regression Model）
第十講 分布滯后模型
1.回歸方程殘差的序列相關(guān)性檢驗(yàn)
2.回歸方程殘差的自回歸模型（AR Error Model）
3.自回歸模型
4.有限分布滯后模型
5.自回歸分布滯后模型
第十一講 時(shí)間序列ARIMA模型
1.如何通過(guò)觀察時(shí)間序列的自相關(guān)圖和偏自相關(guān)圖來(lái)判斷時(shí)間序列的平穩(wěn)性。
2.檢驗(yàn)序列是否可以通過(guò)差分的方式來(lái)實(shí)現(xiàn)平穩(wěn)性。
3.通過(guò)觀察自相關(guān)圖和偏自相關(guān)圖對(duì)平穩(wěn)后的序列確定AR和MA和SAR的階數(shù)。
4.對(duì)估計(jì)的模型進(jìn)行檢驗(yàn)，包括顯著性檢驗(yàn)和殘差序列的相關(guān)性檢驗(yàn)。
第十二講 單位根檢驗(yàn)和基于殘差的協(xié)整檢驗(yàn)
1.時(shí)間序列數(shù)據(jù)的平穩(wěn)性說(shuō)明
2.時(shí)間序列平穩(wěn)性的DF和ADF單位根檢驗(yàn)
3.時(shí)間序列平穩(wěn)性的DFGLS單位根檢驗(yàn)
4.時(shí)間序列平穩(wěn)性的PP單位根檢驗(yàn)
5.時(shí)間序列平穩(wěn)性的KPSS單位檢驗(yàn)
6.時(shí)間序列平穩(wěn)性的ERS單位根檢驗(yàn)
7.時(shí)間序列平穩(wěn)性的NP單位根檢驗(yàn)
8.協(xié)整檢驗(yàn)
9.建立誤差修正模型
第十三講 自回歸條件異方差模型
1.通過(guò)日收盤(pán)價(jià)生成對(duì)數(shù)收益率變量
2.對(duì)數(shù)收益率序列的平穩(wěn)性檢驗(yàn)
3.均值方程的確定以及殘差的序列相關(guān)檢驗(yàn)
4.對(duì)殘差平方的序列相關(guān)檢驗(yàn)
5.對(duì)殘差平方做線形圖
6.對(duì)均值方程的殘差做ARCH-LM檢驗(yàn)
7.建立各種形式的ARCH模型并對(duì)新的殘差序列進(jìn)行ARCH—LM檢驗(yàn)。
8.根據(jù)我們建立的ARCH模型對(duì)收益率序列的方差進(jìn)行預(yù)測(cè)
第十四講 聯(lián)立方程計(jì)量經(jīng)濟(jì)學(xué)模型
1.聯(lián)立方程模型的介紹
2.聯(lián)立方程模型的概念以及分類(lèi)
3.聯(lián)立方程模型的識(shí)別
4.聯(lián)立方程模型的估計(jì)
第十五講 向量自回歸模型
1.VAR模型的有關(guān)概念(非結(jié)構(gòu)化的向量自回歸模型)
2.有關(guān)SVAR模型的有關(guān)概念。
3.VAR模型的識(shí)別條件
4.SVAR模型的短期約束
5.格蘭杰因果關(guān)系檢驗(yàn)
6.VAR模型滯后階數(shù)p的的確定。
7.脈沖響應(yīng)函數(shù)。
8.方差分解
9.Johansen協(xié)整檢驗(yàn)
10.向量誤差修正模型
第十六講 eviews矩陣計(jì)算
1.矩陣的建立
2.方陣的行列式.
3.矩陣的加法 4.矩陣的乘法
5.矩陣的秩（標(biāo)量） 6.矩陣的跡（標(biāo)量）
7.矩陣的轉(zhuǎn)置 8.矩陣的逆
9.求矩陣各個(gè)列向量的相關(guān)系數(shù)
10.建立對(duì)稱(chēng)矩陣
11.對(duì)稱(chēng)矩陣的特征向量
12.矩陣的內(nèi)積
13.用eviews解線性方程組
第十七講 Eviews編程應(yīng)用
1.如何把以前一年為基期計(jì)算的居民消費(fèi)價(jià)格指數(shù)換算成以某一年為
基期計(jì)算的居民消費(fèi)價(jià)格指數(shù)。
2.如何把名義變量（分類(lèi)變量）轉(zhuǎn)換成虛擬變量
第十八講 面板數(shù)據(jù)模型
1.面板數(shù)據(jù)和面板數(shù)據(jù)模型的簡(jiǎn)單介紹
2.如何將面板數(shù)據(jù)導(dǎo)入到Eviews中？
3.面板數(shù)據(jù)模型的分類(lèi)
4.固定影響（效應(yīng)）變截距模型
5.隨機(jī)影響（效應(yīng)）變截距模型
6.Hausman檢驗(yàn)
7.固定影響變系數(shù)模型
8.隨機(jī)影響變系數(shù)模型
9.面板數(shù)據(jù)的單位根檢驗(yàn)
10.面板數(shù)據(jù)的協(xié)整檢驗(yàn)
第十九講 方差膨脹因子
1.方差膨脹因子計(jì)算公式
2.通過(guò)建立輔助回歸方程的形式來(lái)計(jì)算方差膨脹因子
3.以矩陣計(jì)算的方式來(lái)計(jì)算變量的方差膨脹因子
4.方差膨脹因子大小評(píng)價(jià)準(zhǔn)則
第二十講 分位數(shù)回歸
1.分位數(shù)回歸簡(jiǎn)單介紹
2.分位數(shù)回歸的優(yōu)勢(shì)
3.分位數(shù)回歸的操作步驟
4.分位數(shù)回歸的結(jié)果分析
第二十一講 極大似然估計(jì)
1.極大似然估計(jì)的原理介紹
2.多元線性回歸的對(duì)數(shù)似然函數(shù)及其推導(dǎo)
3.用EViews軟件實(shí)現(xiàn)多元線性回歸的極大似然估計(jì)
4.GARCH(1,1)模型的對(duì)數(shù)似然函數(shù)
5.用EViews軟件實(shí)現(xiàn)GARCH(1,1)模型極大似然估計(jì)