格兰杰因果检验主要用于判断一个时间序列的历史信息，是否能够提高对另一个时间序列的预测能力。例如研究消费与收入、货币供应量与物价、投资与经济增长之间的动态关系时，都可能使用这一方法。需要注意的是，格兰杰因果关系强调的是“预测上的先后关系”，不能直接等同于现实中的真正因果关系。进行“EViews格兰杰因果检验怎么做EViews格兰杰因果检验结果如何判断”时，还必须先处理平稳性和滞后阶数，否则即使软件给出了结果，结论也可能缺乏可靠性。

脉冲响应分析常用于VAR、VEC等动态模型，用来观察某个变量受到一次冲击后，其他变量在随后多个时期中的变化方向、持续时间和衰减过程。图形能够把复杂的动态传导关系直观展示出来，但结果是否具有解释价值，还取决于模型稳定性、变量排序、冲击定义和置信区间。围绕“EViews脉冲响应图怎么生成EViews脉冲响应结果怎么看”，需要把图形生成与结果判断分开处理。

EViews里面VAR模型要怎么去建立，还有VAR脉冲响应图又要怎么去解读，这个是在时间序列分析里头比较常被碰到的问题，VAR模型它比较适合被拿来分析好多个变量之间，那种动态的影响关系，就比如说GDP、利率、通胀、汇率，还有货币供应量这些东西，它们彼此之间是怎么去互相影响的，它不像那种单方程回归的模型，只盯着一个因变量去看，而是把好多个变量全给放进系统里面去，叫每一个变量都能够被它自己的滞后项，还有别的变量的滞后项给影响到，建立VAR模型的时候，操作者不能光去瞅着软件它能不能把结果给估算出来，还得先去把平稳性、滞后的阶数，还有模型它稳不稳定这些事情给处理好。

EViews里ARDL模型怎么估计，边界检验的结果又该怎么去判断，这些事情的关键，并不是简单地把变量往方程里面一放，然后就去跑回归，而是要先弄清楚变量的阶数、滞后的阶数、趋势项是怎么设定的，还有模型的诊断这些。ARDL这个东西，常常被拿来分析变量之间的短期动态，还有它们长期的关系，它比较适合那种变量是混合着I零和I一的情况，但是，不适合那些包含了I二变量的情况。要是单位根检验已经说明了，有哪个变量是二阶单整的，那就不应该再接着去做那种普通的ARDL边界检验了。

在回归分析做到一半的时候，不少人习惯只把结果截张图，或者把表格复制到文档里，却没有顺手把方程对象给保存下来。等到下一次打开文件时，会发现原先导入的数据虽然还在，但上次算出来的回归系数、残差诊断的入口，还有做预测的路径，全都找不到了。在EViews里面，回归的结果通常是存在Equation对象里的，而这个Equation对象又是跟着Workfile工作文件一起保存的，只要把工作文件存好，方程就不会丢。官方帮助里也把保存工作文件、加载工作文件、方程对象以及如何处理方程这几个主题，列成了相互对应的操作模块。

在跑回归、做描述统计还有预测这些分析的时候，工作文件里装着的数据量，其实并不等于当前这一次计算真正会用到的数据量。要搞清楚EViews里面样本区间怎么去改，以及为什么改动过后结果就会跟着发生变化，这里的关键，就是得把工作文件的范围和当前样本的范围给区分开来。工作文件里面保存的是完整的数据，而当前样本才真正决定了这一次计算到底要用到哪些观测值。EViews的官方教程里面也强调过，当前样本的设置，会影响到后续所有的数据处理和统计操作。

当人们做回归分析时，像收入、价格、销量、投资额这样的变量，常常出现数值波动很大或者分布不对称的情况。那么在EViews里面，要怎样进行对数处理，而对数变换之后得到的系数又该怎样去理解，这就要先确定变量能不能被拿来取对数，然后再看模型里头到底哪些变量经过了变换，才好解释系数的意思。EViews当中，Series这个东西是用来存数据的，而且它也能够靠着敲入表达式来产生一组新的序列。

在得到回归分析的估计结果之后，如果只把目光停留在系数大小和显著性水平上，常常还不足以对模型质量形成可靠的判断。因为误差序列本身是否存在着自身前后关联、波动幅度不均匀或者分布形态异常，都会直接干扰到后续的统计推断，让原本看起来显著的结论站不住脚。所以，在EViews里怎样把残差序列单独导出来，导出之后又可以用它继续做哪些诊断检查，一个比较清晰的顺序是先把当前方程对应的残差保存成一个独立的对象，然后再按照模型的具体类型逐项往下排查。EViews本身支持将估计过程中产生的残差等结果另存为单独的序列，这样后面再做进一步分析的时候就会方便很多。

在回归分析里面，如果碰到了地区归属、某项政策有没有实施、企业的类型、所处的季节，或者突然发生的外部事件冲击，通常都需要把这些分类的信息给转成虚拟变量。在EViews里虚拟变量到底要怎么去设置，还有虚拟变量和交互项又该怎样一块儿放进模型，操作起来其实倒不算太复杂，但在做的过程中，得特别留心基准组的选定、用来分析的样本范围，还有建完模型之后要怎么去解读结果。虚拟变量一般只会取0和1两个值，而交互项呢，主要就是拿来观察某个解释变量，在不同的组别当中，它对被解释变量的影响是不是存在着明显的差异。

在建立时间序列模型的时候，滞后阶数的选择不能只靠经验或者感觉，因为阶数定得太低，前面一些冲击的影响可能就没法被纳入模型；反过来，如果阶数取得太高，又会白白消耗很多样本，让参数估计变得不可靠。在EViews里，不管是VAR、ARDL，还是ADF检验，都会涉及滞后阶数的问题，只是它们的入口和判断方法并不一样。下面以VAR模型的情况为主来说明，同时把其他模型中容易混淆的地方也一并提一下。