多元回归分析的Eviews实现（二）
异方差检验：
的散点图：
选取LnOutput
建立group,
View-&Graph-&Scatter :
输入 LnOutput& Resid
(似乎可以看出一点点异方差。中间某处离散程度较小)
【这个图有一定的问题。最初只是想用来看看残差项与Y项有没有关系，但散点图上看没有明显关系。但这不意味着Resid不存在明显规律性。所以这个图并不能说明什么】
Goldfeld-Quandt Test：
G-Q检验的基本思想是：将样本值分为容量相等的两部分，分别进行回归，并得到两者的残差平方和。他们除以自由度后均服从卡方分布，构建统计量F等于两者残差平方和之比，则F服从F分布。若F大于临界值，则表明两者的残差平方和有较大的差异，存在（递增）异方差；若F小于临界值，则不存在递增异方差。
（1）排序：在Workfile窗口中双击LnLabor，点右上角Sort进行排序，Ascending，递增。（对Lncapital
排序应该也可以，
因为只是为了分开样本而已。或直接在命令栏中输入sort lnlabor）
（2）本案例共有30个数据，剔除四分之一即剔除8个。将样本1:11,20:30分别作为两组：样本1，样本2。
（3）分别通过1:11和20:30做回归。首先在Workfile右上角选Sample，Range Pairs
改为 1 11。
再使用Estimate Equation
做回归模型。得到下表：
同样，将Sample处改为20 30，得到下表：
（4）此处要用到两者的Sum squared resid
值（课件里的SSE，残差平方和）之比。
F=SSE2/SSE1 = 13.70482 / 5.154901 =
，两者SSE自由度均为
11 & 2 - 1 =8。
因此F~F(8,8)。
查分布表，a=0.05时，F临界值为3.69；a=0.10时，F临界值为2.59，此处F&临界值，因此可以认为存在递增型异方差（a=0.10）。
White Test :
检验基本思路是构造et2关于x1t和x2t的辅助回归模型(二元条件下)，构造统计量n*R2~χ2，若n*R2小于临界值则认为不存在异方差。
步骤： View -& Residual Test
-& Heteroskedasticity Test
-&选White，出现如下对话框
(注：Heteroskedasticity即异方差的意思。)
打钩 Include White cross terms
即含交叉项，
不打钩则不含交叉项。
（1）不含交叉项：
即建立的et的回归方程中只含x1^2
项，而不含x1*x2项。
Prob. F() = 0.1867 & 0.05
，总体不显著。(或者查F分布表可以发现F-statistic&临界值。)
Prob. Chi-squared = 0.173
，不存在异方差。（或者查卡方（2）分布表可以发现
Obs*R-squared &临界值）
（注：Obs即
Observations，
Chi-Squared
（2）含交叉项：
即建立的et的回归方程中含x1^2
项，还含x1, x2 ,
和x1*x2项，共五项。
Prob. F() = 0.0001 & 0.05
，总体显著。(或者查F分布表可以发现F-statistic&临界值。)
Prob. Chi-squared = 0.0021
，存在异方差。（或者查卡方（2）分布表可以发现
Obs*R-squared &临界值。各变量Prob(t)也较小，说明各系数显著不为零，也说明存在异方差。
【在网上查了一下，对于多元模型要选有交叉项的，而且有无交叉项差别很大，比如此处无交叉项的White检验认为不存在异方差性，而有交叉项存在显著的异方差。而且老师的课件里也是直接给出含交叉项的White模型，因此无视上面无交叉项的结果吧。】
Glejser (Park) Test:
Glejser检验思想：构建|et|对于xt的回归模型，如果他们之间存在某种显著的函数关系，则说明异方差性存在；否则不存在。具体步骤：|et|分别对每个解释变量做回归方程，如果模型参数显著不为零，则存在异方差，否则不存在异方差。
步骤：View-&Residual Test
-& Heteroskedasticity Test -&
对话框选 Glejser
（另一种方法：
在命令栏中输入genre e=abs(resid)，生成残差绝对值数列。然后在命令栏中输入要建立的回归模型。如
ls e c lncapital^(-1)
注意，此处的Regressors默认为三个：
c lnlabor lncapital
，应该自己做出修改。
（1）C LnLabor&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
C LnCapial
（3）C LnLabor^(1/2)&&&&&&&&&&&&&&&&&&&&&&&&&&&
（4）C LnCapital^(1/2)
（5）C LnLabor^(-1)&&&&&&&&&&&&&&&&&&&&&&&&&&&
（6）C LnCapital^(-1)
（7）(Park)& e^2 c
LnLabor&&&&&&&&&&&&&&&&&&&
（8）(Park)&& e^2
c LnCapital
1、各式中是coefficient的
Prob(t)都较小，说明显著不为零。其中，C LnLabor^(-1)
和C LnCapital^(-1)中系数值都较大，且显著不为零。F检验效果比较好，方程整体显著，变量的t检验效果也较好，每个变量也显著。说明存在异方差。
2、各拟合方程的R2都很小，拟合效果不好。找不到合适的形式拟合abs(resid)。
【可以看到Glejser检验必须先验地知道拟合形式，换句话说就是得先蒙一个。但是我们蒙了八个拟合都很差。而寻找到拟合优度较好的回归形式对后面的异方差消除很重要。这算是Glejser的一大劣势吧。】
异方差的消除：&&&&&&&&
【网上对于异方差的消除多数是讲一元的。方法多是直接以1/x为权重，这种方法实质上就是假设x是e的一个线性函数。但上面的Glejser检验已经看出对本数据这种拟合很差，做完后也无法通过WhiteTest。另一种方法是直接以1/abs(e)做权重。试想每个残差项除以自己的绝对值，这样加权后的残差项实际上就是正负1序列，自然没有异方差。但是我在尝试这个方法的时候发现不能再做WhiteTest了。可能是程序问题？尚未解决】
由于Glejser检验的各种猜想形式拟合效果均较差，找不到适合形式的abs(resid)估计形式。但我们发现White检验中
=67.7*lnlabor+0.8083lnlabor^2-2.7980*lnlabor*lncapital
-26.9568*lncapital+2.0729*lncapital^2
拟合较好。(R2=0.6245)可以尝试将其作为权重消除异方差。
方法：在Estimate-&Option中勾选加权，以怀特检验拟合式的倒数开根号作为权重。加权后重新得到的回归方程：
再次进行异方差检验，发现其可以通过a=0.05的怀特检验。
由泰勒公式，任意函数可以以多项式进行无限趋近拟合。尝试以三阶泰勒展开式拟合Resid^2。【QG想到的…竟然因为这次作业重新理解了泰勒公式。QGV5】
Genr e2=resid^2
Ls e2 c lnlabor lnlabor^2 lnlabor^3 lncapital& lncapital^2
lncapital^3&
(lnlabor^2)*lncapital lnlabor*(lncapital^2)&
lncapital*lnlabor
得到对e2的拟合式：
E2 = 25. + 11.*LNLABOR +
57.*LNLABOR^2 + 11.*LNLABOR^3 -
9.*LNCAPITAL + 35.*LNCAPITAL^2 -
8.*LNCAPITAL^3 - 31.*(LNLABOR^2)*LNCAPITAL +
28.*LNLABOR*(LNCAPITAL^2) -
90.*LNCAPITAL*LNLABOR
Genr wg=25. +
11.*LNLABOR + 57.*LNLABOR^2 +
11.*LNLABOR^3 - 9.*LNCAPITAL +
35.*LNCAPITAL^2 - 8.*LNCAPITAL^3 -
31.*(LNLABOR^2)*LNCAPITAL +
28.*LNLABOR*(LNCAPITAL^2) -
90.*LNCAPITAL*LNLABOR
Equation -& Estimate -& Option
勾选WLS。权重为1/(wg^2)^(1/4)
（平方再四次方是因为拟合值里存在负值）
再次进行White检验：
可以看到此时Prob. Chi-Square(6) = 0.8299，
各变量系数不显著，方程整体不显著。证明此时非常有效得消除了异方差。
【不过做这样一个三阶泰勒要耗掉10个自由度，代价还是很大的。不过总样本数30个，虽然不算多，不过也还过得去。】
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。苹果/安卓/wp
积分 9, 距离下一级还需 1 积分
权限: 设置帖子权限
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板下一级可获得
道具: 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
用eviews软件做出回归模型后，怎么进行变量的多重共线性分析啊
回归分析后结果
Dependent Variable: YMethod: Least SquaresDate: 05/01/15& &Time: 11:49Sample: Included observations: 21[/table]Variable& & & & Coefficient& & & & Std. Error& & & & t-Statistic& & & & Prob.C& & & & -821.4056& & & & & & & & -0.536868& & & & 0.6004X1& & & & 0.175482& & & & 0.134395& & & & 1.305722& & & & 0.2143X2& & & & 45.56255& & & & 14.46684& & & & 3.149448& & & & 0.0077X3& & & & -1.266893& & & & 0.806629& & & & -1.570603& & & & 0.1403X4& & & & -0.229583& & & & 0.414084& & & & -0.554435& & & & 0.5887X5& & & & 2.590381& & & & 2.354146& & & & 1.100348& & & & 0.2911X6& & & & 1.063187& & & & 0.237976& & & & 4.467615& & & & 0.0006X7& & & & 30.87280& & & & 60.27750& & & & 0.512178& & & & 0.6171R-squared& & & & 0.996054& & & && &&&Mean dependent var& & & & & & & & Adjusted R-squared& & & & 0.993929& & & && &&&S.D. dependent var& & & & & & & & S.E. of regression& & & & 140.0077& & & && &&&Akaike info criterion& & & & & & & & 13.00360Sum squared resid& & & & & & & && &&&Schwarz criterion& & & & & & & & 13.40152Log likelihood& & & & -128.5378& & & && &&&Hannan-Quinn criter.& & & & & & & & 13.08996F-statistic& & & & 468.7650& & & && &&&Durbin-Watson stat& & & & & & & & 1.889761Prob(F-statistic)& & & & 0.000000然后我对单个变量分别作了回归分析结果如下：
变量X1X2X3X4X5X6X7参数估计-2.10762499.9987114.712242.78792534.462501.891027343.3799T统计量-1.53565123.085035.53401816.428749.91923726.0421819.13063R20.1104130.9655750.6171310.9342340.8381480.9727480.950647校正的R20.0635920.9637630.5969800.9307730.8296300.9713140.948049 请问，我该怎么分析并且剔除变量呢？求大神指导。。。。。[table]
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
如果有大于10的，可以考虑逐个剔除，再检验
本帖被以下文库推荐
& |主题: 8540, 订阅: 45
view-correlations-common sample可以先看一下相关系数
如果是7的版本，可以在回归结果界面点击View-&Coefficient Diagnostics-&Vif，一般VIF大于10就认为有共线性了
胖胖小龟宝 发表于
view-correlations-common sample可以先看一下相关系数
如果是7的版本，可以在回归结果界面点击View-&Coef ...Variance Inflation Factors& & & & & & & & & & & &
Date: 05/03/15& &Time: 17:55& & & & & & & & & & & &
Sample: & & & & & & & & & & & &
Included observations: 21& & & & & & & & & & & &
& & & & & & & & & & & &
& & & & Coefficient& & & & Uncentered& & & & Centered
Variable& & & & Variance& & & & VIF& & & & VIF
& & & & & & & & & & & &
C& & & &&&2340885.& & & &&&& & & &&&NA
X1& & & &&&0.018062& & & &&&290.4631& & & &&&1.479002
X2& & & &&&209.2895& & & &&&& & & &&&66.57556
X3& & & &&&0.650650& & & &&&979.3019& & & &&&6.111356
X4& & & &&&0.171465& & & &&&858.5515& & & &&&67.89534
X5& & & &&&5.542003& & & &&&235.0086& & & &&&12.88441
X6& & & &&&0.056633& & & &&&96.74129& & & &&&50.75076
X7& & & &&&& & & &&&& & & &&&96.50513
& & & & & & & & & & & &
那我这个结果接下来应该怎么做啊？
如果有大于10的，可以考虑逐个剔除，再检验
热心帮助其他会员
总评分:&经验 + 10&
论坛币 + 10&
无限扩大经管职场人脉圈！每天抽选50位免费名额，现在就扫
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师苹果/安卓/wp
积分 272, 距离下一级还需 178 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡, 匿名卡下一级可获得
道具: 抢沙发
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
无聊签到天数: 5 天连续签到: 1 天[LV.2]偶尔看看I
本帖最后由 wanghaidong918 于
14:00 编辑
ls(least squares)最小二乘法
R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，&0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整
Adjust R-seqaured()
S.E of regression回归标准误差
Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确
Durbin-Watson stat：DW统计量，0-4之间
Mean dependent var因变量的均值
S.D. dependent var因变量的标准差
Akaike info criterion赤池信息量(AIC)（越小说明模型越精确）
Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确）
Prob(F-statistic)相伴概率
fitted(拟合值)
线性回归的基本假设：
1.自变量之间不相关
2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布
3.样本个数多于参数个数
ls y c x1 x2 x3 ...
x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
模型检验：
1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度
F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。
2）回归系数显著性检验（t检验）：检验每一个自变量的合理性
|t|大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为n-p-1,n为样本数，p为系数位置
3）DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立）
残差：模型计算值与资料实测值之差为残差
0&=dw&=dl 残差序列正相关，du&dw&4-du 无自相关， 4-dl&dw&=4负相关 ，若不在以上3个区间则检验失败，无法判断
demo中的dw=0.141430 ，dl=1.73369,du=1.7786,所以存在正相关
目的：不同模型中择优
1）样本决定系数R-squared及修正的R-squared
R-squared=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。
Adjust R-seqaured=1-(n-1)/(n-k)(1-R2)
2）对数似然值(Log Likelihood,简记为L)
残差越小，L越大
3）AIC准则
AIC= -2L/n+2k/n, 其中L为 log likelihood,n为样本总量，k为参数个数。
AIC可认为是反向修正的L，AIC越小说明模型越精确。
SC= -2L/n + k*ln(n)/n
用法同AIC非常接近
预测forecast
root mean sequared error(RMSE)均方根误差
Mean Absolute Error(MAE)平均绝对误差
这两个变量取决于因变量的绝对值，
MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPE&10则认为预测精度较高
Theil Inequality Coefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。
偏差率(bias Proportion)，bp，反映预测值和真实值均值间的差异
方差率(variance Proportion)，vp，反映预测值和真实值标准差的差异
协变率(covariance Proportion)，cp，反映了剩余的误差
以上三项相加等于1。
预测比较理想是bp,vp比较小，值集中在cp上。
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？
1)Chow检验
chow's breakpoint检验
零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变
Chow Breakpoint Test: 1977Q1& && && && && && && && && && && &
& && && && && && && && && && &&&
F-statistic& && &&&2.42& && && && &Prob. F(3,174)& && && && && & 0.3355
Log likelihood ratio& && &&&8.78& && && && &Prob. Chi-Square(3)& && && && && & 0.0291
& && && && && && && && && && &&&
p值&0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。
问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。
chow's forecast检验
用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。
0假设是：模型与后段样本无显著差异
demo中的1976Q4作为break point,得到两个p值为0，即认为两段样本的系数应该是不同的。
2）自变量的选择
testadd检验：
操作方法是: eqation name.testadd ser1 ser2 ...
0假设：应该将该变量引入方程
检验统计量：wald,LR
结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设
testdrop检验：
操作方法是: eqation name.testdrop ser1 ser2 ...
0假设：应该将该变量剔除
检验统计量：wald,LR
结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设
含定性变量的回归模型
分为：自变量含定性变量，因变量含定性变量。后一种情况较为复杂
建立dummy 变量(名义变量)：用D表示
当变量有m种情况时，需要引入m-1个dummy变量
处理办法：把定性变量定义成0.1.2等数值后和一般变量同样处理
常见问题及对策
1）多重共线性（multicollinearity）:
p个回归变量之间存在严格或近似的线性关系
诊断方法：
1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过
2.某些自变量系数之间的简单相关系数很大
3.回归系数符号与简单相关系统符号相反
以上3条发生都有理由怀疑存在多重共线性
方差扩大因子(variance inflation factor VIFj)是诊断多重共线性的常用手段。
VIFj为矩阵(X’ X)-1第j个对角元素cjj=1/(1-R2j)(j=1,2…,p)
其中R2j为以作为cj因变量，其余p-1个自变量作为自变量建立多元回归模型所得的样本决定系数，所以R2j越大则说明自变量之间自相关性越大，此时也越大，可以认为VIFj&10(R2j&0.9)则存在多重共线性。
还可以使用VIFj的平均数作为判断标准，如果avg(VIFj)远大于10则认为存在多重共线性。
eviews里如何使用VIF法？--建立方程，然后手工建立scalar vif。demo中GDP和PR的vif为66，存在多重共线性? 只有一个自变量的方程是否会失效?此时dw值只有0.01远小于dl，说明GDP远远不是PR能决定的。结合testdrop将PR去除，两个p值为0，说明不能把PR去除。
在eviews中当自变量存在严重的多重共线性时将不能给出参数估计值，而会报错：nearly singular matrix
多重共线性的处理：
1.剔除自变量，选择通过testdrop实验，并且vif值最大的那个
2.差分法，在建立方程时填入 ls m1-m1(-1) c gdp-gdp(-1) pr-pr(-1)。m1(-1)表示上一个m1
& &差分法常常会丢失一些信息，使用时应谨慎。 demo中得到的模型，c 的p值0.11, pr-pr(-1)的p值为0.60，说明参数无效。
2）异方差性（Herteroskedasticity）
即随机误差项不满足基本假设的同方差性,异方差性说明随机误差中有些项对因变量的影响是不同于其他项的。
一般地，截面数据做样本时出现异方差性的可能较大，或者说都存在异方差性
若存在异方差性，用OLS估计出来的参数，可能导致估计值虽然是无偏的，但不是有效的。
（截面数据就是同一时间点上各个主体的数据，比如2007年各省的GDP数据放在一起就是一组截面数据
与之相对的是时间序列数据 如河北省从00年到07年的数据就是一组时间序列数据
两者综合叫面板数据 ）
00年到07年各省的数据综合在一起就叫面板数据
诊断方法：
1.图示法，以因变量作为横坐标，以残差项为纵坐标，根据散点图判断是否存在相关性。
(选择两个序列作为group打开，先选中的序列将作为group的纵坐标)
2.戈里瑟(Glejser)检验：
3.怀特(White)检验:
用e2作为因变量，原先的自变量及自变量的平方(还可以加上各自变量之间的相互乘积)作为自变量 建立模型。
怀特检验的统计量为：m=n*R2(n是样本容量，R2是新模型的拟合优度), m~ χ2(k) k为新模型除常数项之外的自变量个数
零假设：模型不存在异方差性
操作：在估计出来的方程中，view-residual tests-White Herteroskedasticity(no cross/cross) 分别为是否含自变量交叉项
demo中的两个p值为0，所以拒绝零假设，认为存在严重的异方差性。
异方差性的处理：
1.加权最小二乘法(WLS weighted least sequare)。
最常用的方法，一般用于异方差形式可知的情况。基本思路是赋予残差的每个观测值不同的权数，从而使模型的随机误差项具有相同的方差。
2.自相关相容协方差(Heteroskedasticity and antocorrelation consistent convariances HAC)
用于异方差性形式未知时。在建模时在options中选择Heteroskedasticity consistent convariances 再从white,newey-west中选择一种。
HAC不改变参数的点估计，改变的知识估计标准差。如何改变标准差？
3）自相关性
残差项不满足相互独立的假设。一般的，经济时间序列中自相关现象较为常见，这主要是经济变量的滞后性带来的。
自相关性将导致参数估计值虽然是无偏的，但不是有效的。
诊断方法：
1.绘制残差序列图。如果序列图成锯齿形或循环状的变化，可以判定存在自相关
2.回归检验法：
以残差e(t)为被解释变量，以各种可能的相关变量，如&&e(t-1) e(t-2)作为自变量，选择显著的最优拟合模型作为自相关的形式。
demo中以 ls residm1 c residm1(-1) residm1(-2)后 发现c的p值为0.54，做testdrop实验，两个p值都&0.5 可以将c剔除。剔除c后：
Dependent Variable: RESIDM1& && && && && && && && && && &&&
Method: Least Squares& && && && && && && && && && &&&
Date: 12/29/07& &Time: 11:26& && && && && && && && && && &&&
Sample (adjusted): 6Q4& && && && && && && && && && &&&
Included observations: 178 after adjustments& && && && && && && && && && &&&
& && && && && && && && && && &&&
Variable& && &&&Coefficient& && &&&Std. Error& && &&&t-Statistic& && &&&Prob.&&
& && && && && && && && && && &&&
RESIDM1(-1)& && &&&1.215361& && &&&0.077011& && &&&15.78173& && &&&0.0000
RESIDM1(-2)& && &&&-0.271664& && &&&0.078272& && &&&-3.470763& && &&&0.0007
& && && && && && && && && && &&&
R-squared& && &&&0.868569& && && && &Mean dependent var& && && && && & 0.011855
Adjusted R-squared& && &&&0.867823& && && && &S.D. dependent var& && && && && & 26.91138
S.E. of regression& && &&&9.783961& && && && &Akaike info criterion& && && && && & 7.410538
Sum squared resid& && &&&16847.76& && && && &Schwarz criterion& && && && && & 7.446289
Log likelihood& && &&&-657.5379& && && && &Durbin-Watson stat& && && && && & 2.057531
& && && && && && && && && && &&&
模型的r-sequared稍小，参数很显著，dw显示为无自相关。
但是常数c能剔除吗？剔除后模型没有f-statistic和对应p值，原理何在？
3.DW检验法
用于小样本的一阶自相关情况，缺点：当回归方程右边存在因变量的滞后项如m1(t-i) (i=1,2,...)时，检验失败。
解决办法：
用增量数据代替原来的样本数据，较好的克服了自相关，但是改变了原方程的形式，意义不大。
2.Cochrane-Orcutt迭代法
不能有常数项!验证了回归检验的中的做法。
建立新方程时，e同e(-1) e(-2) 相关，有两个系数如何处理？
--《数据分析与EVIEWS应用》读书笔记
载入中......
奖励积极上传好的资料
对论坛有贡献
很全面周到。
总评分:&论坛币 + 4&
学术水平 + 4&
热心指数 + 3&
信用等级 + 3&
弱弱的问一下
1，如果不平稳，以上回归是“伪”回归。是不是要先进行平稳性检验呢？
2，如果不平稳，看是不是同阶单整，再建立VAR模型以及协整检验，然后再进行VECM以及格兰杰因果关系检验呢？检验通过，就可以用协整方程代替现行回归方程？也就是说协整方程比线形行回归方程更可靠？
3，如果不同阶单整，是否说明线形回归不可信。只能另寻它径？
以上请高人给与确认，本人心里也没底，谢谢
写的很多啊 慢慢看
时间序列的平稳性可以用自相关分析图判断：如果序列的自相关系数呵快的落入随机区间，时序是平稳的，反之则不然。另外，只有平稳的时间序列才能直接建立ARMA模型，否则必须经过适当处理使序列满足平稳性要求。
donglifrance
bffffffffffffffffffffffffffffffffffffff
楼主好棒啊,向您学习
eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？
楼主的帖子内容写得很好，学习了
言简意赅啊，呵呵，学习~~
无限扩大经管职场人脉圈！每天抽选50位免费名额，现在就扫
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师经验分享,使用eviews做回归分析_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
经验分享,使用eviews做回归分析
上传于||暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩2页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}