EViews® 15 Beta 文档导读
Reading Guide to the EViews 15 Beta Documentation
这份文档是什么？
本导读面向 EViews 15 Beta 版本的官方文档（中文译名版）。EViews 开发团队宣布 EViews 15 已开放 Beta 测试，本文档收录了其中部分（并非全部）新功能的初步说明与命令参考。
support@eviews.com（请附上 Help/About EViews 中的构建日期）。📖 快速入口： 阅读中文版（EViews-15-Beta-[1-85]-zh.pdf） ｜ Read the English edition (EViews-15-Beta-[1-85].pdf)
文档结构一览 Document Structure
| 章节 | 内容 | 起始页 |
|---|---|---|
| 第 1 章 Beta 文档说明 | 版本须知、新特性总览（按数据处理 / 计量经济学与统计 / 命令参考分类） | 第 2 页 |
| 第 2 章 数据处理 | 季节调整：样条分解季节调整 | 第 3 页 |
| 第 3 章 计量经济学与统计 | 估计与分析（样条回归、RDIT、模型平均、弹性网络 GLM、FAVAR、BVAR 增强）；预测（Prophet、NeuralProphet、LSTM、AutoGluon、Lag-Llama、随机森林、Chronos-2、ETS） | 第 5 页 |
| 第 4 章 命令参考的初步更新 | 新增与更新命令的语法、选项、示例与交叉引用 | 第 30 页 |
一、数据处理：季节调整 Data Processing
- 样条分解季节调整（Spline Decomposition Seasonal Adjustment）新增
使用样条回归对任意频率数据中的多个季节性成分建模，对时间序列结构几乎不作假设。趋势成分可选 B 样条、P 样条或多项式样条，最多用三个周期样条建模季节成分，还可添加线性回归变量建模节假日或一次性效应。
命令：splinedecomp（第 74 页）
二、计量经济学与统计 Econometrics & Statistics
估计与分析（Estimation & Analysis）
样条回归 Spline Regression 新增
通过分段多项式曲线（在”节点”处平滑连接）建模非线性关系。提供 B 样条、多项式样条、P 样条（惩罚样条）三种选项，可同时保留按线性处理的变量；输出含平均偏效应，完整偏效应表可通过 View 菜单查看。
splinereg（76）· knots（61）· partialeffects（66）
时间回归断点 RDIT 新增
准实验方法，估计已知时间点上干预的因果效应：以相对干预日期的时间为分配变量，在断点处寻找结果的不连续跳跃。遵循 Calonico、Cattaneo 与 Titiunik（2014a-c、2015）的局部多项式框架。
rdit（72）· balance（32）· bwsensitivity（35）· discontinuity（38）· donutsensitivity（38）· placebo（66）
模型平均 Model Averaging 新增
通过对多个模型的推断取平均来应对模型不确定性（Magnus 等，2010）。提供 WALS（加权平均最小二乘，经典方法）与 BMA（贝叶斯模型平均，后验模型概率作权重）两种方法。示例复现 Magnus 等人（2010）的输出结果。
modavg（61）· modelranking（62）· modelsize（63）· postmarginals（68）
弹性网络 GLM 已更新
在现有弹性网络估计基础上将广义线性模型（GLM）纳入 enet 工具集：通过恰当的分布与链接函数，把正则化建模扩展到二值、计数、比例等非高斯响应变量。
enet（39，已更新）
因子增广 VAR（FAVAR） 新增
用少量估计因子概括大批相关序列的协同运动，将因子追加到观测内生变量后按 VAR 估计，扩展标准 VAR 框架。
favar（50，新增）· bvarfavar（Var 方法）
BVAR 的增强 已更新
三项更新：① 先验类型选择改变；② 后验样本已缓存以便估计后复用；③ GLP 方法重新设计——支持指定超先验、超参数采用新参数化、后验模拟移至估计期间进行（参数估计值变为后验均值而非 MAP）。示例复现 Giannone 等（2015）小规模 BVAR（Y/P/FFR 的 BVAR(5)）。
bvar（32，已更新）· postdraws（67，已更新）· stablegr（77，新增）
预测（Forecasting）——机器学习与自动预测全面登陆
增强的 Prophet 已更新
Facebook Prophet 预测现已允许指定节假日效应。
prophet（69，已更新）
NeuralProphet 新增
Prophet 引擎的扩展：混合模型，用神经网络为 Prophet 增添自回归成分。
nprophet（63）
LSTM 模型 新增
内置 LSTM 预测引擎（Hochreiter 与 Schmidhuber，1997）：自动构建训练/验证集，基于梯度优化估计网络，输出预测及诊断（损失图、拟合值、调参摘要）。
lstm（54）
AutoGluon 新增
Amazon 开源库，通过易用界面提供一整套基于时间的机器学习预测模型，支持 preset= 预置（naive/fast/medium/high）与 @naive、@autoarima、@autoets、@deepar、@dlinear、@patchtst、@theta 等单模型关键字。
autogluon（26）
Lag-Llama 新增
构建于大语言模型（LLM）架构之上的自动预测软件包，跨多种频率与预测期限提供准确预测，能建模传统方法难以捕捉的复杂动态。
lagllama（52）
随机森林与决策树 新增
决策树集成预测：对过拟合鲁棒、调参直观、内置变量重要性度量。
randomforest（71）
Chronos-2 新增
Amazon 开发的 transformer 基础模型：将时间序列”分词”为离散区间，把预测作为语言建模任务，具备零样本（zero-shot）预测能力，支持单变量与多变量、序列与组（group）。
chronos2（37 / 组：36）
增强的 ETS 平滑 已更新
误差-趋势-季节（ETS）指数平滑现支持通过自助法（bootstrap）模拟生成预测区间。
ets（47，已更新）
三、命令参考的初步更新 Command Reference
第 4 章按对象类型汇总了全部新增与更新命令的初步文档（语法、选项、示例、交叉引用）：
| 分类 | 命令（类型） |
|---|---|
| 方程 · 方法 | enet（更新）· modavg（新）· rdit（新）· splinereg（新） |
| 方程 · 视图 | balance · bwsensitivity · discontinuity · donutsensitivity · knots · modelranking · modelsize · partialeffects · placebo（均新增） |
| 组 · 过程 | chronos2（新） |
| 序列 · 过程 | autogluon · chronos2 · lagllama · lstm · nprophet · randomforest · splinedecomp（均新增）；ets · prophet（更新） |
| Var · 方法 | bvar（更新）· bvarfavar（新） |
| Var · 过程 / 视图 | postdraws（更新）· stablegr（新） |
建议阅读路径 Suggested Reading Path
- 快速了解全貌：第 1 章”新特性总览”（第 2–3 页）→ 各功能章节的简介与截图。
- 关注 AI/机器学习预测：直接跳到第 3 章”预测”部分（第 25–30 页）：Prophet → NeuralProphet → LSTM → AutoGluon → Lag-Llama → 随机森林 → Chronos-2 → ETS。
- 关注贝叶斯方法：“模型平均”（WALS/BMA 示例，第 9–16 页）与”BVAR 增强 / GLP 方法示例”（第 18–25 页）。
- 查命令语法：第 4 章命令参考（第 30 页起），配合上方命令索引表定位页码。
两个版本的链接 Both Editions
| 版本 | 文件 | 说明 |
|---|---|---|
| 🇨🇳 中文版 | EViews-15-Beta-[1-85]-zh.pdf | 本导读基于此版本整理（当前页） |
| 🇬🇧 英文版 | EViews-15-Beta-[1-85].pdf | 英文原版，内容与中文版对应（1–85 页） |
提示：两份 PDF 内容一一对应，可对照阅读；PDF 内置书签（目录）可按章节快速跳转。