§3.3 存在序列相关的非线性模型 EViews可以估计带有AR误差项的非线性回归模型。例如：估计如下的带 有附加AR(2)误差的非线性方程 CS,=C+GDP +u 4,=C3L1-1+C4u1-2+8 使用EViews表达式定义模型，在后面的方括号内描述AR修正项，对每 一阶AR滞后项都应包括一个系数，每项之间用逗号隔开。 cs=c(1)+gdpAc(2)+[ar(1)=c(3),ar(2)=c(4)] EViews通过差分来转换这种非线性模型且使用Gauss-Newton迭代法来估 计转换后的非线性模型
§3.3 存在序列相关的非线性模型 EViews可以估计带有AR误差项的非线性回归模型。例如：估计如下的带 有附加AR(2)误差的非线性方程 t c CSt = c + GDPt + u 2 1 t t ut t u = c u + c + 3 −1 4 −2 使用EViews表达式定义模型，在后面的方括号内描述AR修正项，对每 一阶AR滞后项都应包括一个系数，每项之间用逗号隔开。 cs=c(1)+gdp∧c(2)+[ar(1)=c(3), ar(2)=c(4)] EViews通过差分来转换这种非线性模型且使用Gauss-Newton迭代法来估 计转换后的非线性模型
§3.4存在序列相关的二阶段回归模型 通过把二阶段最小二乘法或二阶段非线性最小二乘法和 AR项结合起来，对于在回归因子和扰动项存在相关性的情 况和残差存在序列相关一样估计模型。 如果原始回归模型是线性的，EViews使用marquardt.算法 来估计变形后模型的参数。 如果原始回归模型是非线性的，EViews使用Gauss- Newton算法来估计AR修正后的模型。 对于存在序列相关的情况，你可以通过向方程添加AR 项来调整TSLS。EViews会自动将模型转化为非线性最小二 乘问题，并用工具变量估计模型。估计对话框中的Options 钮用来改变非线性工具变量过程的迭代次数限制和收敛标准
§3.4 存在序列相关的二阶段回归模型 通过把二阶段最小二乘法或二阶段非线性最小二乘法和 AR项结合起来，对于在回归因子和扰动项存在相关性的情 况和残差存在序列相关一样估计模型。 如果原始回归模型是线性的，EViews使用marquardt算法 来估计变形后模型的参数。 如果原始回归模型是非线性的，EViews使用GaussNewton算法来估计AR修正后的模型。 对于存在序列相关的情况，你可以通过向方程添加AR 项来调整TSLS。EViews会自动将模型转化为非线性最小二 乘问题，并用工具变量估计模型。估计对话框中的Options 钮用来改变非线性工具变量过程的迭代次数限制和收敛标准
例子：el3-l小eq cs tsls ar 假设用二阶段最小二乘估计消费函数，考虑存在一阶 序列相关。二阶段最小二乘变量列表为：cs c gdp ar(I) 工具变量列表为：c gov log(ml)cs(-1)gdp(-l) 注意因变量的滞后(cs(-1))和内生变量的滞后(gdp( 1)都包括在工具变量表中。 类似地，考虑消费函数，cs c cs(-l)gdar(1I) 有效的工具变量表为：c gov log(ml)cs(-1)cs(-2) gdp(-1)
例子：e13-1\eq_cs_tsls_ar 假设用二阶段最小二乘估计消费函数，考虑存在一阶 序列相关。二阶段最小二乘变量列表为： cs c gdp ar (1) 工具变量列表为： c gov log(m1) cs(-1) gdp(-1) 注意因变量的滞后（cs(-1)）和内生变量的滞后（gdp(- 1)）都包括在工具变量表中。 类似地，考虑消费函数， cs c cs(-1) gdp ar(1) 有效的工具变量表为： c gov log(m1) cs(-1) cs(-2) gdp(-1)
§3.5含有AR项模型的估计输出 当估计某个含有AR项的模型时，在解释结果时一定要小心。在用通常的方 法解释估计系数，系数标准误差和t-统计量时，涉及残差的结果会不同于OLS的 估计结果。 要理解这些差别，记住一个含有AR项的模型有两种残差： 第一种是无条件残差 i,=y,-x'b 通过原始变量以及估计参数算出。在用同期信息对y值进行预测时， 这些残差是可以观测出的误差，但要忽略滞后残差中包含的信息
§3.5 含有AR项模型的估计输出 当估计某个含有AR项的模型时，在解释结果时一定要小心。在用通常的方 法解释估计系数，系数标准误差和t-统计量时，涉及残差的结果会不同于OLS的 估计结果。 要理解这些差别，记住一个含有AR项的模型有两种残差： 第一种是无条件残差 u ˆ t = yt − xt b 通过原始变量以及估计参数 算出。在用同期信息对y t值进行预测时， 这些残差是可以观测出的误差，但要忽略滞后残差中包含的信息。