强大的功能和易用性的结合使EViews成为处理时间序列，横截面或纵向数据的任何人的理想软件包。借助EViews可以快速有效的管理数据，进行计量经△济和统计分析，生成预测▲或模型模拟，并生成高质量的图形和表格以供发布或包含在其他应用程序中。

　　EViews具有创新的面向对象的图形用户界面和分析引擎，将现代软件技术的优势与您一直想要的功能融合在一起。结果是一个新的程序。该程序在灵活，易于使用的界面中提供了前所未有的功能。

　　EViews 12通过创新，易于◎使用的界面为学术研究人员，公司，政府机构和学生提供了强大的统计，预测和建模工具。

　　EViews 12提供了更多功能和易用性。改进包括：

　　新的变量选择程序

　　分数集成的GARCH模型

　　因子选择方法

　　弹性网估计的︾增强

　　横截面相关的面版单〓元跟检验

　　增强的面板群集标准错误

　　小波分解

　　模型改进

　　图形动画

　　与DBNomics和其他数据库的连接

　　Markdown支持

　　和更多变量∩选择

　　变量选择，或在计算机科学文献中有时称为特征选择，是现代机器学习的重要组成部分。EViews包括五种技术：

　　Stepwise

　　Swapwise

　　Combinatorial

　　LASSO

　　Auto-Search/GETS

　　其中前三卐个是15年前与EViews 6一起引入的，但是LASSO和Auto-Search/GETS的现代，更流行的技术是EViews 12中的新功能。

　　LASSO选择

　　LASSO变量选择已成为现代计量々经济学中变量选择的常用方法。虽然LASSO估计是EViews以前的版本，EViews 12让你纯粹用LASSO估计技术作为变量选择的方法。

　　Auto-Search/GETS

　　常规到特定的Auto-Search/GETS算法遵循Escribano和Sucarrat 2011的AutoSEARCH算法建议的步骤，该算法◤又基于Hoover和Perez 1999的工作基础上。

　　分数集成GARCH模型

　　30多年来，GARCH模型一直是EViews估计工具套∞件的基本组成部分，但是EViews估计的传统GARCH模型专注于条件方差→的短期动态。

　　EViews 12引入了两个新的△GARCH模型，它们捕获了方差的长期依赖属性。

　　Baillie，Bollerslev和Mikkelsen（1996）的FIGARCH模型

　　Bollerslev和Mikkelsen的FIEGARCH模型（1996）

　　因素选择方法

　　EViews 12将Bai和Ng（2002）以及Ahn和Horenstein（2013）的方法添加到现有的主成▂分和因子分析ㄨ引擎中，以确保新保留的因子数量，以及新的截面相关面板单元根检验。

　　弹性网，Ridge和LASSO增强

　　EViews 11增加了Elastic Net（ENET）估计，包括Ridge回归和LASSO估计模型，并已证明是EViews机器学习工具的流行补充。

　　在EViews 12中增强了ENET，具有以下功能：

　　基于时间序▲列的交叉验证方法

　　用于显示交叉验证结果的新模型←选择视图

　　观察权重

　　可变权重

　　截面相关的面板单位根检验

　　由于许多经济时间序列的样本都比较短，但是在许多横截面上都可以观察到，因此将不同横截面的结果结合起Ψ来的多变量单位根检验（俗称第一代面板单位根检验）相对于单变量对应物具有更高的统计功效。这些第一代面板单位根测试涉【及对合并面板数据的单位根测试，（可能）具有单独的趋势，截距和滞后系数→。虽然此框架是自↙然而然的第一步，但代价是需要横截面独立性。

　　考虑横截面相关性的测试被称为第二代面板单位根测试。EViews当前支持两个重要的第二代贡献：基于Bai和Ng（2004）的特殊和常见成分（PANIC）的非平稳性面板分析▓，以及Pesaran（2007）开发的横截↓面增强IPS（CIPS）。

　　面板聚类协方差

　　在面板方程和Pool设置中，EViews 12之前版本的EViews提供了计算系数协「方差的工具，这些系数协方差是由横截面单位或周期定义的。在系数估计文献的指导下，这些稳健√的标准误差计算被称为“White cross-section”，用于按周期进行聚类，以表明横截面单元之间存在同期相关性；对于按横截面『进行聚类，则将◣其称为“White period”，以表明存在周期之间的关系横截面单位内的相关性。

　　EViews 12扩展了这些工具，以便在由横截面单位和周期定义时计算robust协方差（Petersen 2009、THompson 2011、Cameron、Gelbach和Miller 2015）。

　　小波分解

　　小波分解是一种新的“序列”视图和过程，可以将◥序列分解为长期行为（平滑）和短期行↓为（详细信息）。除其他事项外，小波可用于：

　　通过忽略瞬态特ω征（阈值）来获得序列的长期近似

　　检测异常值

　　分解一系列方差

　　解决目标控■制

　　EViews的早期版本提供了“目标求解控制”过程，该过程使您可以对模型解进行数值求逆，以确定沿预定路径或目标生成内∮变量的解所需的外变量的值。

　　这是一项非常强大的功能，可让研究员回答以下问题，例如，需要多少税率（外生变量）才能产生平衡的预算（内生变量）。

　　现有程╳序的局限性在于它一次只能解决一个外生变ㄨ量。

　　EViews 12通过可扩展以允许☉控制多个外生变量，并为该过程引入了更加用户友好的界面和输出，从而扩展了此功能。

　　动画图和◣地理地图

　　EViews 12包括用于图形和地理地图的新动画工具。

　　静态图显示固定♂范围的观察数据。该范围可以包含一个观察值多多个观察值，但不会改变。使用动画图，您可以动态调◥整数据范围，从而显示数据在给定间隔内的变化。

　　动画图使观看这可以看到数据如何从一个周期过渡到另一个周期，或者可以选择比较两个周期之间的数据。

　　EViews 12既具有用于在EViews自身中显示动画图的程序内动画套件，又具有用于将动画图输出为.GIF文件或.MPEG文件以在外⊙部程序包或Web中分发和表示的工具。

　　DBNOMICS数据库API支持

　　EViews 12将连接性引入到广泛的DBNomics数据库中，该数据库可对来自众多国际统计机构和数据提供者的数据进行整理。

　　数据访问▽包括来自70个提〗供商的数据以及22,000多个数据集，全部这些都可以在EViews中作为自动更新系列获得。

　　MARKDOWN语言支持

　　EViews 12通过Markdown扩展了EViews的打印功∑　能。现在可以使用这种简单易懂的标记语言的基本功能来格式化表格，图形和其他输出对象。

　　创新的图形化，面向对象的用户∑界面和复杂的分析引擎使EViews 12成为时间序＠ 列，横截面和面板数据分析的理想选择。

　　快速高效的管理数据

　　进行计量经济学和统计分析

　　生成预测和模型△模拟

　　生成高质量的图形和表格以供发布或包含在其他应用程序中

　　EViews 12提供了更多功能和易用性。从对大型内存应用■程序的64位Windows支持到OLE，智能编辑窗口以及新的计量经济学和统计信息，EViews为所有人提供了一◆些改进。

　　EViews 12新增功能

　　EViews 12具有许多令人激〖动的人心的变化和改进。以下是版本12中重要的新功能的概述

　　EViews界面和编程

　　新的基于开放文本的文件格式

　　Markdown语言支持输出

　　其他改进

　　数据处理

　　DBNomics数据库API支持

　　经●济合作与发展组织（OECD）数据库API支持

　　SDMX和EIA数据库接︻口的改进

　　其他改进

　　新的图形，表格和♀地理地图功能

　　按样本着色，使着色更容易

　　动画图和地理地图

　　XY误差线

　　其他改进

　　计量经济学与统计

　　估算值

　　变量选择方法：LASSO和Auto-Search/GETS

　　指标饱和々度-自动异常〇值和结构断裂检测

　　分数集成的GARCH模型（FIGARCH和FIEGARCH）

　　弹性网，Ridge和LASSO增强功能

　　面板聚类协方差

　　混合频率（MIDAS）增强

　　功能系数增强

　　测试▲和诊断

　　脉冲响应增强，包括引导协方差

　　横截面相关面板单位根试验（第二代测试）

　　因子选择方法

　　小波分解

　　弹性网，Ridge和LASSO增强

　　GARCH诊断：信息冲☆击曲线，符▃号偏差测试，稳定性测【试

　　模型

　　解决目标控制问题

　　代数转换内生和外生变量

　　依赖关系

　　EViews 12系统要求