一、计算预测值以及滞后内生变量和残差的实际值或估计值来计算因变量的拟合值。构造预测值的方法取决于估计模型和用户设定的环境。对预测样本中的每一观察值，EViews利用估计参数、等式右边的外生变量、为说明预测过程，我们从一个简单的线性回归模型开始，等式右边不含滞后内生变量和ARMA项。假设给出如下方程列表，并做出估计：ycxz选择Forecast，给定预测期间，然后单击OK。对预测期内的每一观察值，EViews将用估计出的参数和回归因子x,z的对应值计算y的拟合值：?t?c?(1)?c?(2)xt?c?(3)zty对预测期内的所有观测值，应该确保等号右边外生变量的值有效。如果外生变量预测样本有数据丢失，对应的预测值将为NA。13二、缺失值调整预测值被赋值为NA有两种情况：1、只要有一个解释变量有缺失值；2、只要有一个解释变量的样本超出了工作文件的范围，这还包括在AR模型中的隐含误差项。在公式中没有动态成分（如没有滞后内生变量或ARMA误差项）时，被预测序列中的缺失值并不影响随后的预测值。如果有了动态成分，即使是被预测序列中的一个缺失值也将会影响到以后所有的预测值。EViews将对方程中滞后变量的预测样本起始点进行调整，直到获得有效的预测值。例如，假设利用下面的方程进行动态预测：ycy(-1)ar(-1)，如果指定工作文件的起点为预测样本的起点，EViews将向后调整两个预测样本观测值，并且使用滞后变量前面的预测值。14三、预测误差与方差假设真实的模型由下式给定：yt?xt????t这里?是独立同分布，均值为零的随机扰动项，tt?是未知参数向量。下面我们放松?是独立的限制。生成y的真实模型我们尚不知道，但我们得到了未知参数?的估计值b。设误差项均值为零，可以得到y的预测方程：?t?xt?by该预测的误差为实际值与预测值之差et?yt?xt?b151．残差不确定误差的第一种来源是由残差或新息(innovation)?t的不确定引起的，因为方程中的新息?在整个预测区间未知，被设为它们的期望值。在残t差期望值为零时，单个残差值非零；单个误差的方差越大，预测中的总体误差越大。测量方差的标准方式是回归标准差（在输出方程中用“S.E.ofregression”表示）。残差不确定通常是预测误差的主要来源。在动态预测中，因为滞后因变量和由滞后随机变量构成的ARMA项的存在，使得新息不确定性更为复杂。EViews也将这些值设为它们的期望值，这与实际值有随机偏差。含有滞后因变量和ARMA项的预测在后面详细讨论。16