序列相关的检验和修正

序列相关的检验及修正

例题：中国居民总量消费函数 数据：

年份 GDP CONS CPI TAX GDPC X Y

1978 3605.6 1759.1 46.21 519.28 7802.6 6678.9 3806.8 1979 4092.6 2011.5 47.07 537.82 8694.7 7552.1 4273.4 1980 4592.9 2331.2 50.62 571.70 9073.3 7943.9 4605.3 1981 5008.8 2627.9 51.90 629.89 9650.9 8437.2 5063.4 1982 5590.0 2902.9 52.95 700.02 10557.1 9235.1 5482.3 1983 6216.2 3231.1 54.00 775.59 11511.5 10075.2 5983.5 1984 7362.7 3742.0 55.47 947.35 13273.3 11565.4 6746.0 1985 9076.7 4687.4 60.65 2040.79 14965.7 11600.8 7728.6 1986 10508.5 5302.1 64.57 2090.37 16274.6 13037.2 8211.4 1987 12277.4 6126.1 69.30 2140.36 17716.3 14627.8 8840.0 1988 15388.6 7868.1 82.30 2390.47 18698.2 15793.6 9560.3 1989 17311.3 8812.6 97.00 2727.40 17846.7 15034.9 9085.2 1990 19347.8 9450.9 100.00 2821.86 19347.8 16525.9 9450.9 1991 22577.4 10730.6 103.42 2990.17 21830.8 18939.5 10375.7 1992 27565.2 13000.1 110.03 3296.91 25052.4 22056.1 11815.1 1993 36938.1 16412.1 126.20 4255.30 29269.5 25897.6 13004.8 1994 50217.4 21844.2 156.65 5126.88 32057.1 28784.2 13944.6 1995 63216.9 28369.7 183.41 6038.04 34467.5 31175.4 15467.9 1996 74163.6 33955.9 198.66 6909.82 37331.9 33853.7 17092.5 1997 81658.5 36921.5 204.21 8234.04 39987.5 35955.4 18080.2 1998 86531.6 39229.3 202.59 9262.80 42712.7 38140.5 19363.9 1999 91125.0 41920.4 199.72 10682.58 45626.4 40277.6 20989.6 2000 98749.0 45854.6 200.55 12581.51 49239.1 42965.6 22864.4 2001 108972.4 49213.2 201.94 15301.38 53962.8 46385.6 24370.2 2002 120350.3 52571.3 200.32 17636.45 60079.0 51274.9 26243.7 2003 136398.8 56834.4 202.73 20017.31 67281.0 57407.1 28034.5 2004 160280.4 63833.5 210.63 24165.68 76095.7 64622.7 30306.0 2005 188692.1 71217.5 214.42 28778.54 88001.2 74579.6 33214.0 2006 221170.5 80120.5 217.65 34809.72 101617.5 85624.1 36811.6

1、 建立回归模型，模型的OLS 估计 t t t X Y μββ++=10 （1）录入数据

打开EViews6，点“File ”

“New ”“Workfile ”

选择“Dated-regular frequency”，在Frequency 后选择“Annual”，在Start data后输入1978，在End data 后输入2006，点击“ok”。

在命令行输入：DATA X Y，回车

将数据复制粘贴到Group中的表格中：

（2）估计回归方程

在命令行输入命令：LS Y C X，回车

或者在主菜单中点“Quick”“Estimate Equation”，在Specification中输入 Y C X，点“确定”。得到如下输出：

写出估计结果：

X Y

4375.028.2091ˆ+= （6.243） （47.059）

2R =0.9880 =2R 0.9875 F=2214.537 D.W.=0.277

2、 序列相关的检验 （1） 图示检验法 作残差序列的时序图：

保存残差虚列： GENR E=RESID 作图： PLOT E

从图上可以看出，模型的最小二乘残差开始连续几期小于0，接着连续几期都大于0，这种模式的残差意味着模型可能存在正的序列相关性。

做t e ~和1

~-t e 的关系图： SCAT E(-1) E

-1,600

-1,200-800-4000400800

1,2001,6002,0002,400-4,000

-2,000

02,000

4,000

E

E (-1)

从上面的散点图可以看出，t e ~和1~-t e 之间可以拟合一个线性模型： t e ~=t

t e ερ+-1~ 且回归直线的斜率为正（>0），表明模型存在正的序列相关性。

（2）DW 检验

由OLS 估计的结果可知：D.W.=0.277。查DW 分布的临界值表，k=2，n=29时，L d =1.34，

U d =1.48，显然0<0.277

（3）回归检验法

拟合模型：t e ~=t

t e ερ+-1~，并运用OLS 估计模型：LS E E(-1) 得到如下结果：