下面是这些检验程序应用的例子，考虑用普通最小二乘估计的简单消费 函数的结果： mEVievs ▣x File Edit Objects View Procs Quick Options Window Help View Procs Objects Print Name Freeze Estimate Forecast Stats Resids Dependent Variable:CS Method:Least Squares Date:090202Time:10:44 Sample(adjusted):1947:2 1995:1 Included observations:192 after adjusting endpoints Variable Coefficient Std.Error t-Statistic Prob. C -10.15739 5.261915 -1.930360 0.0551 GDP 0.051290 0.015900 3.225790 0.0015 CS(1) 0.932396 0.022609 41.23991 0.0000 R-squared 0.999735 Mean dependent var 1962.776 Adjusted R-squared 0.999732 S.D.dependent var 854.9860 S.E.of regression 13.99431 Akaike info criterion 8.130680 Sum squared resid 37013.88 Schwarz criterion 8.181578 Log likelihood -777.5453 F-statistic 356371.9 Durbin-Watson stat 1.605104 Prob(F-statistic) 0.000000
下面是这些检验程序应用的例子，考虑用普通最小二乘估计的简单消费 例子: 函数的结果：
浏览这些结果：系数在统计上是很显著的，并且拟合得很好。但是，如果 误差项是序列相关的，那么估计OLS标准误差将是无效的，并且估计系数由于 在方程右端有滞后因变量会发生偏倚和不一致。在这种情况下D-W统计量作为 序列相关的检验是不合适的，因为在方程右端存在着一个滞后因变量。选搔 View/Residual test//Correlogram-Q-statistice会产生如下情况 盟Viers =▣ File Edit Objects View Procs Quick Options Window Help View Procs Objects Print Name Freeze Estimate Forecast Stats Resids Correlogram of Residuals Date:090202Time:15:49 Sample:1947:21995:1 Included observations:192 Autocorrelation Partial Correlation AC PAC Q-Stat Prob 1 0.1950.1957.37960.007 2 0.2160.18516.4980.000 30.2720.21831.1180.000 40.038-0.07731.4100.000 50.026-0.06531.5470.000 6 0.029-0.02131.7160.000
浏览这些结果：系数在统计上是很显著的，并且拟合得很好。但是，如果 误差项是序列相关的，那么估计OLS标准误差将是无效的，并且估计系数由于 在方程右端有滞后因变量会发生偏倚和不一致。在这种情况下D-W统计量作为 序列相关的检验是不合适的，因为在方程右端存在着一个滞后因变量。选择 View/Residual test/Correlogram-Q-statistice会产生如下情况
此相关图在滞后值3时出现峰值。Q统计量在各阶滞后值中都具有显著 性，它显示的是残差中的显著序列相关。 选择View/ResidualTests/Serial Correlation LM Test,输入滞后2产生如 下结果： Breusch-Godfrey Serial Correlation LM Test: F-statistic 7.226771 Probability 0.000948 Obs*R-squared 13.77529 Probability 0.001020 此检验拒绝直至2阶的无序列相关的假设。Q-统计和LM检验都表明： 残差是序列相关的，并且方程在被用于假设检验和预测之前应该重新定义
Breusch-Godfrey Serial Correlation LM Test: F-statistic 7.226771 Probability 0.000948 Obs*R-squared 13.77529 Probability 0.001020 此相关图在滞后值3时出现峰值。Q统计量在各阶滞后值中都具有显著 性，它显示的是残差中的显著序列相关。 选择View/Residual Tests/Serial Correlation LM Test，输入滞后2产生如 下结果： 此检验拒绝直至2阶的无序列相关的假设。Q-统计和LM检验都表明： 残差是序列相关的，并且方程在被用于假设检验和预测之前应该重新定义
§3 估计AR模型 在使用本章描述的工具之前，可以首先检验模型其他方面的错误。误差存 在序列相关是模型定义存在的严重问题。特别地，应注意使用OLS得出的过分 限制的定义。有时，在回归方程中添加不应被排除的变量会消除序列相关。 §3.1一阶序列相关 在EViews中估计一个AR(1)模型，选择Quick/Estimate Equation打开一个方 程，用列表法输入方程后，最后将AR(1)项加到列表中。例如：估计一个带有 AR(I)误差的简单消费函数 cS,=c +C2GDP +c3cs+u u,=Pu-1+8, 应定义方程为：cs c gdp cse(-l)ar(I)
§3 估计AR模型 在使用本章描述的工具之前，可以首先检验模型其他方面的错误。误差存 在序列相关是模型定义存在的严重问题。特别地，应注意使用OLS得出的过分 限制的定义。有时，在回归方程中添加不应被排除的变量会消除序列相关。 §3.1 一阶序列相关 在EViews中估计一个AR(1)模型，选择Quick/Estimate Equation打开一个方 程，用列表法输入方程后，最后将AR(1)项加到列表中。例如：估计一个带有 AR(1)误差的简单消费函数 t t t u = u + −1 应定义方程为： cs c gdp cs(-1) ar(1)。 t t t t cs = c + c GDP + c cs + u 1 2 3 −1
§3.2高阶序列相关 估计高阶AR模型稍稍复杂些，为估计AR(),应输入模型的定义和所包 括的各阶AR值。如果想估计一个有1-5阶自回归的模型 cs,C +C2GDP +C3cs1+ur u,=P1u1-1+.+P5u-5+8 应输入：cs c gdp cs(-1)ar(l)ar(2)ar(3)ar(4)ar(5) 例子：工作文件el3-I小eq cs ar5 可以输入在模型中想包括的各个自回归，EViews在消除序列相关时给与 很大灵活性。例如，如果你有季度数据而且想用一个单项来说明季节自回归， 可以输入：cs c gdp cs(-1)ar(4)
§3.2 高阶序列相关 估计高阶AR模型稍稍复杂些，为估计AR(k)，应输入模型的定义和所包 括的各阶AR值。如果想估计一个有1-5阶自回归的模型 t t t t u = u + + u + 1 −1 5 −5 应输入： cs c gdp cs(-1) ar(1) ar(2) ar(3) ar(4) ar(5) 例子：工作文件e13-1\eq_cs_ar5 可以输入在模型中想包括的各个自回归，EViews在消除序列相关时给与 很大灵活性。例如，如果你有季度数据而且想用一个单项来说明季节自回归， 可以输入：cs c gdp cs(-1) ar(4)。 t t t t cs = c + c GDP + c cs + u 1 2 3 −1