计量经济学整理重点
计量经济学重点复习资料
计量经济学1、 P5 计量经济学的研究步骤① 模型设定 ②估计参数 ③模型检验 ④模型应用2、 P11 数据类型① 时间序列数据（同一空间不同时间）② 截面数据（同一时间不同空间） ③面板数据 ④虚拟变量数据3、P18 回归分析① 回归的现代意义：一个被解释变量对若干个解释变量依存关系的研究。
② 回归的实质：由解释变量去估计被解释变量的平均值。
4、P22-25总体和样本 总体回归函数：12()i i i E Y X X ββ=+ 样本回归函数：12ˆˆˆi i Y X ββ=+总体回归模型：12ii i Y X u ββ=++样本回归模型：12ˆˆi i iY X e ββ=++ 5、P22 “线性”的两种解释① 就变量而言是线性的——Y 的条件期望（均值）是X 的线性函数12()i i i E Y X X ββ=+：对参数“线性”，对变量“非线性” ② 就参数而言是线性的——Y 的条件期望（均值）是参数β的线性函数12()ln i i i E Y X X ββ=+：对变量“线性”，对参数“非线性”6、P22 随机扰动项随机扰动项是被解释变量实际值与条件均值的偏差，实际代表了排除在模型以外的所有因素对Y 的影响，i u 是其期望为0有一定分布的随机变量。
7、P23 总体回归线、样本回归线的意义① 样本回归线随抽样波动而变化：每次抽样都能获得一个样本，就可以拟合一条样本回归线。
（SRF 不唯一)② 样本回归函数的函数形式应与设定的总体回归函数的函数形式一致。
③ 样本回归线只是样本条件均值的轨迹，还不是总体回归线，它至多只是未知的总体回归线的近似表现。
8、P25i e ：剩余项或残差项① 表达式：ˆi ii e Y Y =- 或 12ˆˆi i iY X e ββ=++ ② 经济含义：被解释变量Y 的实际观测值不完全等于样本条件均值，二者之差用i e 表示 ③ 与随机扰动项的联系：i e 在概念上类似总体回归函数中的i u ，可视为对i u 的估计。
计量经济学复习知识点重点难点
计量经济学复习知识点重点难点计量经济学知识点第一章导论1、计量经济学的研究步骤：模型设定、估计参数、模型检验、模型应用。
2、计量经济学是统计学、经济学和数学的结合。
3、计量经济学作为经济学的一门独立学科被正式确立的标志：1930年12月国际计量经济学会的成立。
4、计量经济学是经济学的一个分支学科。
第二章简单线性回归模型1、在总体回归函数中引进随机扰动项的原因：①作为未知影响因素的代表；②作为无法取得数据的已知因素的代表；③作为众多细小影响因素的综合代表；④模型的设定误差；⑤变量的观测误差；⑥经济现象的内在随机性。
2、简单线性回归模型的基本假定：①零均值假定；②同方差假定；③随机扰动项和解释变量不相关假定；④无自相关假定；⑤正态性假定。
3、OLS回归线的性质：①样本回归线通过样本均值；②估计值的均值等于实际值的均值；③剩余项ei的均值为零；④被解释变量的估计值与剩余项不相关；⑤解释变量与剩余项不相关。
4、参数估计量的评价标准：无偏性、有效性、一致性。
5、OLS估计量的统计特征：线性特性、无偏性、有效性。
6、可决系数R2的特点：①可决系数是非负的统计量；②可决系数的取值范围为[0,1]；③可决系数是样本观测值的函数，可决系数是随抽样而变动的随机变量。
第三章多元线性回归模型1、多元线性回归模型的古典假定：①零均值假定；②同方差和无自相关假定；③随机扰动项和解释变量不相关假定；④无多重共线性假定；⑤正态性假定。
2、估计多元线性回归模型参数的方法：最小二乘估计、极大似然估计、矩估计、广义矩估计。
3、参数最小二乘估计的性质：线性性质、无偏性、有效性。
4、可决系数必定非负，但是根据公式计算的修正的可决系数可能为负值，这时规定为0。
5、可决系数只是对模型拟合优度的度量，可决系数越大，只是说明列入模型中的解释变量对被解释变量的联合影响程度越大，并非说明模型中各个解释变量对被解释变量的影响程度也大。
6、当R2=0时，F=0；当R2越大时，F值也越大；当R2=1时，F→∞。
计量经济学重点知识整理
计量经济学重点知识整理计量经济学是经济学中重要的一个分支，主要研究经济现象和经济理论的数理化方法。
本文将整理计量经济学中的重点知识，帮助读者系统地理解和掌握这门学科。
一、计量经济学简介计量经济学是运用统计方法和经济模型对经济问题进行定量分析的学科。
它利用数理统计学的工具，根据经济理论和实证研究的需要，对经济现象进行测度和解释。
计量经济学方法的特点是同时考虑了外生性和内生性变量之间的关系，能够揭示其中的因果关系。
二、计量经济学的基本原理1. 线性回归模型线性回归模型是计量经济学中最基本的模型之一，用于描述因变量与自变量之间的线性关系。
常见的线性回归模型有简单线性回归模型和多元线性回归模型。
对于简单线性回归模型，可以通过最小二乘法估计模型参数，求得最佳拟合曲线。
而多元线性回归模型则通过矩阵运算推导出参数的估计公式。
2. 假设检验在计量经济学中，假设检验是一种重要的统计方法，用于验证经济理论的假设。
常见的假设检验包括 t 检验、F 检验和卡方检验等。
通过构建原假设和备择假设，并计算相应的统计量，可以对经济理论提出的假设进行检验，从而得出结论。
3. 时间序列分析时间序列分析是计量经济学中的一个重要分支，用于研究随时间变化的经济现象。
常见的时间序列分析方法包括自相关函数（ACF）和偏自相关函数（PACF）的计算，以及平稳性检验、白噪声检验、单位根检验等。
这些方法可以帮助我们了解时间序列数据的性质，并进行有效的预测。
4. 面板数据分析面板数据是计量经济学中常用的一种数据类型，指同一时期内多个个体或单位的多个观测数据。
面板数据分析方法可以更好地解决普通截面数据和时间序列数据的缺陷，提高分析的效果。
常见的面板数据模型包括固定效应模型和随机效应模型，通过估计模型参数，可以得到各个因素对经济变量的影响。
三、计量经济学的应用领域1. 消费者行为分析计量经济学方法可以应用于消费者行为的分析，通过对消费者支出和收入等因素的测度和分析，揭示消费者行为背后的规律。
计量经济学知识点重点总结
一、一些应该掌握的概念（课都上完以后回顾时候提到的应该知道的一些知识，有可能会出简答题）1、中心极限定理2、大数定理3、正态分布4、契比雪夫不等式5、方差，期望6、协方差及其相关系数，二、一些基本题型1、随机变量分布，“离散型100%考，图形不会的补考！”（此为他课上威胁性话语，所以重视程度排在第一位了……不知道是不是真考，《北方工业大学》版本有一个其他的数据的例子，供参考）例：设对任意x，定义F(x)=P{X≤x}=P{w|X(w)≤x}X 1 2 3P 1/3 1/3 1/3求F(x)=P(X≤x)的分布1）x<1时，F(x)= P(X<1)=02）1≤x<2时，F(x)= P(X≤1)=P(X=1)=1/33）2≤x<3时，F(x)= P(X≤2) =P(X=1)+ P(X=2)=2/34）3≤x时，F(x)= P(X≤3) =P(X=1)+P(X=2)+ P(X=3)=1图形:次图形为右连续F(x)0 1 2 3 x2、需求量，很容易考（原话）P15的例1.5，实在打不出来，留个地，大家自己写上去吧。
3、联合概率密度（简单被积分数，身高、体重作为随机变量）例：用X表示身高，Y表示体重，（X,Y）为二维随机变量定义F(l,w)=P{X≤l1, Y≤w1}当两个事件相互独立时，得出F(l,w)=F X(l) * F Y(w)即同时满足身高、体重条件的概率为满足身高事件的概率与满足体重的概率乘积。
4、古典概型例子例一：有藏品100个，其中5个次品，求取8个里面最多2个次品的概率？解：书上p6，例1.1其中应注意公式：n!C m n =----------------------m!(n-m)! (公式打得难看了一点，但是很有用)例二：黑球a个，白球b个，放在一起抓阄。
1≤k≤a+b，求在第k个位置抓到黑球的概率？解：a*(a+b-1)! / (a+b)! =a/(a+b)此用来证明第k次抽签时与前面抽到的概率都相等，（本人认为考的可能性小，哈哈）例三：n个人坐一圈，求其中2个熟人坐一起的概率解：P=2/(n-1)即为，把两个人看作一个整体，与其他n-1个人排列，有n-1种方法，他们之间的座位左右更换，有两个，所以得出上式。
计量经济学重点整理
一、含义：多重共线性：对于解释变量 ，如果存在不全为0的数 ，使得 则称解释变量 之间存在着完全的多重共线性。
或者 异方差性：如果对于模型中随机误差项Ui 有： 则称Ui 具有异方差性。
自相关：是指总体回归模型的随机误差项之间存在相关关系。
即不同观测点上的误差项彼此相关。
可以表示为:造成的后果：不完全的多重共线性：(1)OLS 估计量仍保持BLUE 的性质(2)假设检验容易作出错误的判断(3)可能造成可决系数较高，但对各个参数单独的 t 检验却可能不显著，甚至可能使估计的回归系数符号相反，得出完全错误的结论。
异方差性和自相关：(1)OLS 估计量仍然是线性无偏的，但不再是有效的，即方差不再是最小的。
(2) T 检验和F 检验失效。
检验方法：多重共线性：(1)简单相关系数检验法(如果每两个解释变量的简单相关系数比较高,如果大于0.8则可以认为存在着严重的多重共线性.但此种方法只是充分条件而不是必要条件,也需要同时检查偏相关系数) (2)方差扩大（膨胀）因子法(3)直观判断法(当增加一个或者剔除一个解释变量改变一个观测值时,回归参数的估计值发生较大变化；从定性分析一些重要的解释变量的回归系数的标准误差较大,在回归方程没有通过显著性检验；有些解释变量回归系数所带正负号与定性结果违背时；相关矩阵种自变量之间的相关系数较大时都可能存在多重共线性一些重要的解释变量在回归方程中没有通过显著性检验，同时R2很高(或F 检验显著)，即t 检验和F 检验的结果相矛盾，或解释变量的回归系数所带正负号与定性分析结果违背时，模型可能存在严重的多重共线性。
(4)逐步回归法。
异方差性：(1)图示检验法(2)Goldfeld-Quanadt 检验作用：检验递增性(或递减性)异方差。
(3)White 检验检验步骤1)提出假设2)构造辅助回归方程 3)构造统计量并计算统计量的值,构造并计算统计量nR ²。
R ²为辅助回归的可决系数，n 为样本容量。
计量经济学重点知识整理
计量经济学重点知识整理1一般性定义计量经济学是以经济理论和经济数据的事实为依据，运用数学和统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
研究的主体〔动身点、回宿、核心〕：经济现象及数量变化规律研究的工具〔手段〕：模型数学和统计方法必须明确：方法手段要服从研究对象的实质特征〔与数学不同〕,方法是为经济咨询题效劳2注重：计量经济研究的三个方面理论：即讲明所研究对象经济行为的经济理论——计量经济研究的根底数据：对所研究对象经济行为瞧测所得到的信息——计量经济研究的原料或依据方法：模型的方法与估量、检验、分析的方法——计量经济研究的工具与手段三者缺一不可3计量经济学的学科类型●理论计量经济学研究经济计量的理论和方法●应用计量经济学：应用计量经济方法研究某些领域的具体经济咨询题4区不：●经济理论重在定性分析,并不对经济关系提供数量上的具体度量●计量经济学对经济关系要作出定量的估量，对经济理论提出经验的内容5计量经济学与经济统计学的关系联系：●经济统计侧重于对社会经济现象的描述性计量●经济统计提供的数据是计量经济学据以估量参数、验证经济理论的全然依据●经济现象不能作实验，只能被动地瞧测客瞧经济现象变动的既成事实，只能依靠于经济统计数据6计量经济学与数理统计学的关系联系：●数理统计学是计量经济学的方法论根底区不：●数理统计学是在标准假定条件下抽象地研究一般的随机变量的统计规律性；●计量经济学是从经济模型动身，研究模型参数的估量和推断，参数有特定的经济意义，标准假定条件经常不能满足，需要建立一些专门的经济计量方法3、计量经济学的特点：计量经济学的一个重要特点是：它自身并没有固定的经济理论，而是依据其它经济理论，应用计量经济方法将这些理论数量化。
4、计量经济学什么缘故是一门单独的学科计量经济学是经济理论、数理经济、经济统计与数理统计的混合物。
1、经济理论所作的陈述或假讲大多数是定性性质的，计量经济学对大多数经济理论给予经验内容。
计量经济学重点知识归纳整理
1.一般最小二乘法(Ordinary Least Squares,OLS)：已知一组样本观测值{}n i Y X i i ,2,1:),(⋯=，一般最小二乘法要求样本回来函数尽可以好地拟合这组值，即样本回来线上的点∧i Y 及真实观测点Yt 的“总体误差”尽可能地小。
一般最小二乘法给出的推断标准是：被说明变量的估计值及实际观测值之差的平方和最小。
2.广义最小二乘法GLS ：加权最小二乘法具有比一般最小二乘法更普遍的意义，或者说一般最小二乘法只是加权最小二乘法中权恒取1时的一种特别状况。
从今意义看，加权最小二乘法也称为广义最小二乘法。
3.加权最小二乘法WLS ：加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采纳一般最小二乘法估计其参数。
4.工具变量法IV ：工具变量法是克服说明变量及随机干扰项相关影响的一种参数估计方法。
5.两阶段最小二乘法2SLS, Two Stage Least Squares ：两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。
6.间接最小二乘法ILS ：间接最小二乘法是先对关于内生说明变量的简化式方程采纳一般小最二乘法估计简化式参数，得到简化式参数估计量，然后过通参数关系体系，计算得到结构式参数的估计量的一种方法。
7.异方差性Heteroskedasticity ：对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，则认为出现了异方差性。
8.序列相关性Serial Correlation ：多元线性回来模型的基本假设之一是模型的随机干扰项相互独立或不相关。
假如模型的随机干扰项违反了相互独立的基本假设，称为存在序列相关性。
9.多重共线性Multicollinearity ：对于模型i k i i X X X Y μββββ++⋯+++=i k 22110i ，其基本假设之一是说明变量X 1,X 2,…,Xk 是相互独立的。
计量经济学重点整理
2ˆσ1.同方差、异方差㈠同方差:回归模型中的随机误差项的方差相同①由于假定了X 值(解释变量)是给定的或非随机的,Y 的变异仅来源于u(扰动误差项).因此,给定的X i ,Y i 的方差与U i 的方差相同.简言之, Y i 与U i 的条件方差相同,即σ2.②假定扰动误差项U i 的方差为常数,或同方差,即var(U i )= σ2.该假定表明,与给定X 相对应的每个Y的条件分布具有同方差,即每个Y 值以相同的方差分布在其均值周围.㈡异方差:①定义:模型误差项随观察值的不同而变化.var(U i )= σi 2≠常数；②研究发现,异方差问题多存在于截面数据而非时间序列数据.在截面数据中,处理的是某个时点上的样本,例如个体消费者或家庭/企业/行业/州县市.且这些样本规模不同,如小/中/大公司,低/中/高收入,即可能存在规模效应；③如果CLRM 其他假定保持不变,放松同方差假定,异方差则有如下后果:⑴OLS 估计量仍是线性的/无偏的/不再具有最小方差性，即不再有效的,无论样本大小,OLS 估计量都不再是最优线性无偏估计量.⑵OLS 估计量的方差通常是有偏的.OLS 高估了估计量的真实偏差,产生正的偏差;低估则负偏差.⑶偏差的产生是由于即不再是真实σ2的无偏估计量.⑷建立在t 分布和F 分布之上的的置信区间和假设检验是不可靠的.沿用传统的假设检验方法可能得出错误结论.④检验异方差方法:⑴图形法:残差平方图,通常检验回归模型是否符合经典线性假设的第一步⑵帕克检验⑶格莱泽检验:⑵⑶将图形正规化,其通过假设解释变量同误差项之间的关系来检验模型中是否存在异方差问题⑷怀特的一般异方差检验:用普通最小二乘法估计回归方程,做辅助回归,求辅助回归方程的R 2值,χ2值超过临界值或P 值很低,则拒绝零假设:不存在异方差.⑤异方差的补救措施:⑴当σi 2已知时,加权最小二乘法⑵当σi 2未知时,情形1误差方差与X i 成比例用平方根变换,情形2误差方差与X i 2成比例用OLS 法估计方程⑶重新设定模型.2.完全多重共线性（近似）㈠完全多重共线性:是指两个或两个以上解释变量之间存在多个精确的线性关系.①当解释变量之间完全线性相关或完全多重共线性时,不可能得到所有参数的唯一估计值,因而也就不能根据样本进行任何统计推断(即假设检验)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、名词解释（5*3分=15分）(斜体表明仅供参考)计量经济学：以经济理论和经济数据的事实为依据，运用数学和统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
最小二乘法：指在满足古典假设的条件下，用使估计的剩余平方和最小的原则确定样本回归函数的方法，简称OLS随机扰动项：总体回归函数中，各个Y值与条件期望的Y值的偏差，又称随机误差项。
是代表那些对Y有影响但又未纳入模型的诸多因素的影响。
总体回归函数：在给定解释变量X i条件下，总体被解释变量Y i的期望轨迹，函数式表示为E（Y i∣X i）=f(Xi)= β0+β1X i 样本回归函数：在总体中抽取若干个样本构成新的总体，然后在新的总体下，给定解释变量X i，被解释变量Y i的期望轨迹，函数式表示为E（Y i∣X i）=Y i^= β0^+β1^X i系数显著性检验:（t检验）对回归系数对应的解释变量是否对被解释变量有显著影响的统计学检验方法方程显著性检验:（F检验）对模型的被解释变量与所有解释变量之间的线性关系在整体上是否显著的统计学检验方法高斯-马尔可夫定理：在古典假设的条件下，OLS估计量是总体参数的最佳线性无偏估计量，即BULE。
拟合优度：为说明多元线性回归模型中对观测值的拟合情况，可以考察在Y的总变差中能由解释变量所解释的那部分变差的比重，即回归平方和与总体平方和的比值，R2=ESS/TSS=1-RSS/TSS.调整的可决系数:是一个用于描述多个解释变量对被解释变量的联合影响程度的统计量，相对可决系数而言，克服了随解释变量的增加而变大的缺陷。
表达式为R—2=1-(n-1)RSS/(n-k)TSS多重共线性:指解释变量之间存在的完全或近似的线性关系异方差：模型中随机误差项不再满足经典假设的同方差假定，其方差随观测个体的变化而变化，即D（εi）=σi2加权最小二乘法：在拟合存在异方差的模型中，对不同的σi2区别对待（重小轻大原则）,构造权数W i=1/σi2，根据最小二乘原理，使加权的残差平方和最小，从而估计参数，这种求解参数估计式的方法为加权最小二乘法。
自相关：又称序列相关，是指在总体回归模型的随机误差项u i之间存在相关关系就，即cov(u i, u j)≠0.(i≠j)判断题（10*1分=10分）1、随机误差项u i与残差项e i是一回事。
（乂）2、总体回归函数给出了对应于每一个自变量的因变量的值。
（乂）3、线性回归模型意味着因变量是自变量的线性函数。
（乂）4、在线性回归模型中，解释变量是原因，被解释变量是结果。
（√）5、在实际中，一元回归没什么用，因为因变量的行为不可能仅由一个解释变量来解释。
(乂)6、尽管有完全的多重共线性，OLS估计量仍然是最优线性无偏估计量。
（乂）7、在高度多重共线的情形中，要评价一个或多个偏回归系数的个别显著性是不可能的。
（乂）8（√）9、变量的两两高度相关并不表示高度多重共线性。
（乂）10、如果分析的目的仅仅是预测，则多重共线性是无害的。
( √ )11、在多元回归中，根据通常的t ( 乂 )12、变量不存在两两高度相关表示不存在高度多重共线性。
( 乂 )13、当异方差出现时，最小二乘估计是有偏的和不具有最小方差特性。
（乂）14、当异方差出现时，常用的t检验和F检验失效。
（√）15、在异方差情况下，通常OLS估计一定高估了估计量的标准差。
（乂）16、如果OLS回归的残差表现出系统性，则说明数据中有异方差性。
（√）17、如果回归模型遗漏一个重要的变量，则OLS残差必定表现出明显的趋势。
（√）18、在异方差情况下，通常预测失效。
（√）19、当模型存在高阶自相关时，可用D-W法进行自相关检验。
（乂）20、当模型的解释变量包括内生变量的滞后变量时，D-W检验就不适用了。
（√）21、DW值在0和4之间，数值越小说明正相关程度越大，数值越大说明负相关程度越大。
（√）22、假设模型存在一阶自相关，其他条件均满足，则仍用OLS法估计未知参数，得到的估计量是无偏的，不再是有效的，显著性检验失效，预测失效。
（√）23、当存在自相关时，OLS估计量是有偏的，而且也是无效的。
（乂）24、消除自相关的一阶差换变换假定自相关系数必须等于－1。
（乂）25、发现模型中存在误差自相关时，都可以利用差分法来消除自相关。
（√）26那么杜宾—沃森（D—W）检验法不适用。
（√）27、在杜宾—沃森（D—W）检验法中，我们假定误差项的方差是同方差。
（√）28（√）三、汉译英（15分）1、Autocorrelation also known as serial correlation, is the cross-correlation of a signal with itself, in linear regression analysis, if the errors are serially dependent => autocorrelation/serial correlation Likely causes: 1. Omit variable that ought to be included. 2. Misspecification of the functional form. This is most obvious where a straight line is put through a curve of dots. This would clearly show up in plots of residuals. 3. Errors of measurement in the dependent variable. If the errors are not random then the error term will pick up any systematic mistakes.The Problem：OLS is not the best estimation method.(is unbiased, consistent, inefficient) It will underestimate the true variance. So the t values will look too good, will reject H0 when it is true Tests ：1. Plot the residuals over time or against a particular variable and see if there is a pattern.2. Durbin Watson Statistic:Solutions ：increase number of observations specify correctly GLS1、自相关又称序列相关，在线性回归分析中，如果随机误差是连续相关的，自相关是μ1，μ2，…，μn序列自身的相关。
产生原因：1.忽略了遗漏变量2.函数形式的设定偏误。
例如，将本应该是曲线的模型设定为线性曲线的模型，这将会在残差图中明确地表现出来。
3.相关变量的处理错误。
如果误差不是随机的，那么将会产生系统误差。
后果：普通最小二乘法（OLS）不是最好的估计方法（无偏的，一致的，无效的）它将低估参数估计值的真实方差，从而过高估计t统计量的值，当H0为真时，拒绝H0。
检验：1.按照时间顺序或者一个特定的变量绘制回归残差项的图形并且观察是否逐次有规律地变化。
2.DW检验法解决方法：增大样本容量准确定义 GLS（广义的最小二乘法回归）2、The econometrics literature focuses on use of the bootstrap in hypothesis testing,which relies on approximation of probabilities in the tails of the distributions of statistics. Other applications are to confidence intervals, estimation of standard errors, and bias education. The bootstrap is straightforward to implement for smooth √N-consistent estimators based on iid samples, though bootstraps with asymptotic refinements are underutilized. Caution is needed in other settings, including non-smooth estimators such as the median, nonparametric estimators, and inference for data that are not iid.计量经济学文献侧重于假设检验中的自举估计方法的使用，它依赖于检验统计量尾部概率分布的近似值。
其他的应用是对置信区间，标准误差估计和偏差的评判。
通常统计量不是渐进充分的，但对于独立同分布的自举样本，且统计量是光滑√N一致统计量时，自举估计量较容易实现。
，对于样本不是独立同分布或者统计量是非光滑估计量和非参数估计量等其它情形，自举推断较复杂。
3、The Durbin–Watson test has become so venerable that practitioners often forget the assumptions underlying the test. In particular, the assumptions that (1) the explanatory variables are non-stochastic;(2) the error term follows the normal distribution;(3) the regression models do not include the lagged value(s) of the regressand; and (4) only the first-order serial correlation is taken into account are very important for the application of the DW test. It should also be added that a significant DW statistic may not necessarilyindicate autocorrelation. Rather, it may be an indication of omission of relevant variables from the model.注：venerable 珍贵的，神圣的；regressand 回归元，在计量经济学中常指被解释变量；normal distribution 正态分布；the first-order serial correlation 一阶自相关；DW检验如此高大上以至于检验人员经常忘记相关的假设检验，特别是，如下假设(1)被解释变量是非随机的（2）误差项遵循正态分布（3）回归模型不包括解释变量的滞后值（4）在应用DW检验最重要的一点是只考虑一阶自相关。