经典线性回归模型的Eviews操作汇总
计量经济学-多元线性回归分析;eviews6操作
E(i ) 0
V(a i)rE (i2)2
C( o i,v j) E (ij) 0
i j i,j 1 ,2 , ,n
假设5，解释变量与随机项不相关
Co(Xvji,i)0
j1,2 ,k
假设6，随机项满足正态分布
i ~N(0,2)
2021/6/4
7
上述假设的矩阵符号表示 式：
假设1，nk矩阵X是非随机的，且X的秩=k，即X满
五、样本容量问题
六、估计实例
2021/6/4
10
一、普通最小二乘估计
对于随机抽取的n组观测值 ( Y i,X j) ii , 1 , 2 , ,n ,j 0 , 1 , 2 , k
如果样本函数的参数估计值已经得到，则有：
Y ˆ i ˆ 1 ˆ 2 X 2 i ˆ 3 X 3 i ˆ k X kii=1,2…n
1、线性性
β ˆ(X X )1X Y CY
其中,C=(X’X)-1 X’ 为一仅与固定的X有关的行向量
2021/6/4
18
2、无偏性
E(βˆ) E((XX)1 XY) E((XX)1 X(Xβ μ)) β (XX)1 E(Xμ) β
这里利用了假设: E(X’)=0
3、有效性（最小方差性）
习惯上：把常数项看成为一虚变量的系数，该 虚变量的样本观测值始终取1。这样：
模型中解释变量的数目为（k）
2021/6/4
3
模 型 ： Y t 1 2 t X 2 t k X k t u t
也被称为总体回归函数的随机表达形式。它 的
非随机表达式为: E ( Y i | X 2 i , X 3 i , X k ) i 1 2 X 2 i 3 X 3 i k X ki
基于EVIEWS软件下的多元线性回归分析
基于EVIEWS软件下的多元线性回归分析基于EVIEWS软件下的多元线性回归分析1. 引言多元线性回归分析是统计学中常用的一种方法，用于探究多个自变量对于因变量的影响程度和相关关系。
EVIEWS是一款常用的计量经济学软件，提供了多元线性回归模型的分析工具，具有高度的可视化和分析能力。
本文将利用EVIEWS软件，进行多元线性回归分析，探究自变量与因变量之间的关系。
2. 方法2.1 数据收集本研究收集了一份包含多个自变量和一个因变量的数据集。
自变量可以是各种影响因素，如年龄、性别、教育程度等，而因变量可以是根据自变量变化而得出的某种结果，如收入、消费水平等。
通过EVIEWS软件导入并编辑数据，确保数据的准确性和完整性。
2.2 模型构建在EVIEWS软件中，选择合适的多元线性回归模型。
首先，根据研究目的和现实情况，选择一个因变量和多个自变量，并进行变量选择和变量处理。
然后，在EVIEWS软件中建立多元线性回归模型，将因变量作为依变量，自变量作为自变量。
2.3 模型分析进行多元线性回归分析后，EVIEWS软件将给出模型的各项统计指标，包括回归系数、截距项、方差分析表等，并进行显著性检验，以判断自变量的影响是否显著。
此外，EVIEWS软件还能够提供模型残差的分析结果，用于检验模型的合理性和适用性。
3. 结果与讨论将多元线性回归模型的结果进行解读。
回归系数表示了自变量单位变化对因变量的变化程度。
通过检验回归系数的显著性水平，可以判断自变量的影响是否具有统计学意义。
方差分析表则能够提供模型的拟合程度，判断模型是否能够解释因变量的变异情况。
在讨论中，可以分析模型结果是否符合研究假设，自变量与因变量之间的关系是否与预期一致。
如果模型结果不如预期，可以进一步分析可能的原因，并考虑是否需要增加或调整自变量，以提高模型的解释力。
4. 结论本文利用EVIEWS软件进行了多元线性回归分析，通过分析回归系数、方差分析表等结果，探究了自变量与因变量之间的关系。
Eviews基本操作(3.1版本)
Eviews基本操作（3.1版本）一、创建工作文件一种创建方法为点击file/new/workfile，然后输入frequency，以及开始（start）日期和结束(end) 日期．（注：如果是截面数据，要选undated or irregular项，然后在start中输入1，end中输入样本容量）。
输入完毕后，点击OK就可以得到工作文件窗口。
二、导入excel文件中的数据1）在excel中先建立数据文件2）然后创建eviews工作文件3）点击file/import/read text-lotus-excel选项，在对话框中选择已建立的excel文件4）打开后，在新的对话框中输入想要分析的变量名称，然后点击OK即可。
此时工作文件中出现变量图标。
三、直接输入数据1）创建一个工作文件（方法同一）2）点击quick/empty group，打开一个空白表格3）点击ser01，把第一列全选，在命令栏中输入变量名称后回车，即可改变变量名称，按此方法命名每一变量4）删除group对话框后，会发现工作文件中多了新变量四、画图有两种方法可以将数据绘成曲线，第一种方法是：1）首先在工作文件中选中所要分析的变量，点击右键open/as group项，打开数据文件2）点击view/graph/scatter(或其它图形)后，即可画出图形3）在选中图表窗口后，在工作文件窗口点击edit/copy，在对话框中点击copy to clipboard，然后可将图表粘贴到word文档中，还可进行编辑第二种方法是：1）在工作文件窗口中点击quick/graph2）在弹出的对话框中输入想要分析的变量3）选择图表的类型及选项即可输出图表4）可将图表移动到word文档中并进行编辑（方法同上）五、数据的描述性统计量1）在工作文件中选中变量后，点击右键点open group，打开数据文件2）点击view/descriptive stats/common sample，就会出现描述性统计量3）在选中若干行统计量数据后，点击edit/copy，在弹出的对话框中点OK，然后可将其粘贴到word文档中注：Mean 样本均值Median 中位数Maximum 最大值Minimum 最小值Std. Dev. 标准差Skewness 偏度Kurtosis 峰度Jarque-Bera 正态性检验Probability P值Observations样本容量六、一元线性回归模型的估计1）建立变量的工作文件2）在主菜单上选择quick/estimate equation，出现对话框3) 在对话框的equation specification框中，按被解释变量、常数项、解释变量的顺序输入，中间用空格空开4）在对话框的estimation settings框中，在method栏中选择估计方法，点击OK即可5）在工具栏中，点击name，在name to identify object框中输入方程的新名字，点击OK 后，工作文件中将出现方程的图标注：R-squared 拟合优度Mean dependent var 被解释变量均值Adjusted R-squared 修正的拟合优度S.D. dependent var 被解释变量标准差S.E. of regression 回归方程标准差Akaike info criterion 赤池信息准则Sum squared resid 残差平方和Schwarz criterion 施瓦兹信息准则Log likelihood 似然函数的对数F-statistic F统计量Durbin-Watson stat DW统计量Prob(F-statistic) F统计量的P值6）在第四步输出估计结果后，在结果窗口中点击view/actual,fitted,residual/相应的残差图，可出现被解释变量的实际值、估计值、残差以及残差图。
实验一经济计量学软件Eviews的基本使用与线性回归分析
实验一经济计量学软件Eviews的基本使用与线性回归分析
实验一经济计量学软件Eviews的基本使用与线性回归分析
实验要求：
（1）使用表1数据，熟悉Eviews软件基本使用功能，建立工作空间，读入数据（2）利用Eviews软件对表1中变量CPI和S&P进行描述统计分析（包括计算各变量序列的均值、方差、偏度、峰度，变量之间的协方差、相关系数）；以CPI 为横轴，S&P指数为纵轴作图，两者之间关系如何？考虑回归模型
S&P t=β0+β1CPI t+u t
根据表1中数据，运用最小二乘法估计方程并简要分析回归结果。
（3）给定我国1975-2000年粮食产量、农业劳动力、播种面积和化肥使用量数据（表2），建立单位面积的产量与单位面积劳动力、单位面积化肥施用量之间的多元回归模型，并进行模型检验与结果分析。
Eviews 实验操作手册(部分)
Eviews实验操作记录（慢慢整理）相关系数检验：W AGE ED SEXW 1.000000 0.210152 0.495856 -0.260906AGE 0.210152 1.000000 -0.038637 0.144689ED 0.495856 -0.038637 1.000000 -0.084487SEX -0.260906 0.144689 -0.084487 1.000000①可以在命令窗口键入命令：cor x y z……，就会输出相关系数矩阵。
②假设你的样本数据序列：x1 x2从主菜单选择Quick/Group Statistics/Correlations之后会弹出个对话框，在对话框选择你的目标序列x1 x2说明：序列相关好像只有正相关、负相关、完全相关、完全不相关、强相关、弱相关等概念。
相关系数为1是完全正相关，－1是完全负相关，0是完全不相关。
个人感觉0.5左右的相关关系（趋势）就比较弱了。
eviews提供的相关计算是指序列之间的线性相关关系。
如果序列之间不存在线性相关，也有可能存在其他类型的相关关系，如对数相关、指数相关等等。
通常显著性是和建设检验关联的。
统计假设检验也称为显著性检验，即指样本统计量和假设的总体参数之间的显著性差异。
显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。
显著性差异就是实际样本统计量的取值和假设的总体参数的差异超过了通常的偶然因素的作用范围，说明还有系统性的因素发生作用，因而就可以否定某种条件不起作用的假设。
假设检验时提出的假设称为原假设或无效假设，就是假定样本统计量与总体参数的差异都是由随机因素引起，不存在条件变动因素。
假设检验运用了小概率原理，事先确定的作为判断的界限，即允许的小概率的标准，称为显著性水平。
如果根据命题的原假设所计算出来的概率小于这个标准，就拒绝原假设；大于这个标准则接受原假设。
这样显著性水平把概率分布分为两个区间：拒绝区间，接受区间。
《计量经济学》(庞浩第一版)第三章多元线性回归模型eviews上机操作
第三章多元线性回归模型案例分析一、研究目的1提出问题：研究中国税收收入增长的主要原因(必须要有研究的意义，且具创新价值)2分析问题：从宏观经济看经济增长是税收增长的源泉；公共财政的需求；物价水平；税收政策（要注重经济理论的相关性和逻辑性）二、模型设定1被解释变量：为了全面反映中国税收增长的全貌，选择包括中央和地方的的“国家财政收入”中的各项税收作为被解释变量2解释变量：选择“国内生产总值GDP”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表，选择“商品零售物价指数”作为物价水平的代表，而由于财政体制的改革难以量化，且1985年后财税体制改革对税收增长影响不是很大，故暂不考虑。
3设定线性模型为：Y t= β1+β2X2t+β3 X3t+β4 X4t +u t注：X1默认为14经济理论构造成功之后，即着手收集数据资料（这要借助统计学的知识进行整理，并不是什么数据都可以直接拿来用。
首先，数据来源的权威性，即必须保证数据的准确可靠性，不能随意捏造，其次，数据的合理分类，最后是数据的合理运用）附：数据三、估计参数利用eviews3.0进行分析1建立工作文件新建工作文档：file-new-workfile，在打开的workfile range 对话框中的workfile frequency 中选择annual，start date 输入1978，end date输入2002，点击ok。
2输入数据直接在命令窗口输入“data Y X2 X3 X4 、、、”本案例中输入data Y X2 X3 X4然后是将excel中的数据复制过来，并点击name命名GROUP01。
3估计参数直接在命令窗口输入“LS Y C X2 X3 X4 、、、”。
LS是做最小二乘估计的命令，Y为被解释变量，C为截距项，X为解释变量，注意LS Y C X之间要有空格，被解释变量紧接在命令LS之后。
本案例中输入LS Y C X2 X3 X4 本题中得到下表，点击name 命名eq01。
计量经济学 多元线性回归分析;eviews6操作ppt课件
CONSP
GDPP
CONSP
1978
395.8
675.1
1990
797.1
1979
437.0
716.9
1991
861.4
1980
464.1
763.7
1992
966.6
1981
501.9
792.4
1993
1048.6
1982
533.5
851.1
1994
1108.7
1983
572.8
931.4
1995
1213.1
根据最小二乘原理，参数估计值应该是下列方程组的解
ˆ 1
Q
0
ˆ 2 Q
0
ˆ k
Q
0
n
n
其中 Q ei2 (Yi Yˆi)2
i1
i1
n
2
Yiˆ1ˆ2X2i ˆkXki
i1
完整版PPT课件
11
于是得到关于待估参数估计值的正规方程组：
ˆ1 ˆ2 X 2i ˆk X ki ˆ1 ˆ2 X 2i ˆk X ki
Sample: 1978 2000 Included observations: 23
Coefficient Std. Error t-Statistic Prob.
C
201.1228 14.88892 13.50822
0
X
0.386173 0.007224 53.45683
0
R-squared Adjusted R-squared
或 1
n
x2 ji1 n
(XjiXj)2 Q j
1 xx Q n
eviews实验报告一元线形回归模型
【实验编号】 1【实验名称】一元线形回归模型【实验目的】掌握一元线性回归分析的步骤【实验内容】一、实验数据表1 1978年-2009年中国税收与国内生产总值统计表单位：亿元年份税收GDP 年份税收GDP1978 519.28 3645.2 1994 5126.88 48197.91979 537.82 4062.6 1995 6038.04 60793.71980 571.7 4545.6 1996 6909.82 71176.61981 629.89 4891.6 1997 8234.04 78973.01982 700.02 5323.4 1998 9262.80 84402.31983 775.59 5962.7 1999 10682.58 89677.11984 947.35 7208.1 2000 12581.51 99214.61985 2040.79 9016.0 2001 15301.38 109655.21986 2090.73 10275.2 2002 17636.45 120332.71987 2140.36 12058.6 2003 20017.31 135822.81988 2390.47 15042.8 2004 24165.68 159878.31989 2727.4 16992.3 2005 28778.54 184937.41990 2821.86 18667.8 2006 34804.35 216314.41991 2990.17 21781.5 2007 45621.97 265810.31992 3296.91 26923.5 2008 54223.79 314045.41993 4255.30 35333.9 2009 59521.59 340506.9 资料来源：《中国统计年鉴2010》二、实验过程1、建立工作文件（1）点击桌面Eviews5.0图标，运行Eviews软件。
eviews实验报告总结（范本）
eviews实验报告总结eviews实验报告总结篇一：Evies实验报告实验报告一、实验数据：1994至201X年天津市城镇居民人均全年可支配收入数据 1994至201X年天津市城镇居民人均全年消费性支出数据 1994至201X年天津市居民消费价格总指数二、实验内容：对搜集的数据进行回归，研究天津市城镇居民人均消费和人均可支配收入的关系。
三、实验步骤：1、百度进入“中华人民共和国国家统计局”中的“统计数据”，找到相关数据并输入Exc el，统计结果如下表1：表11994年--201X年天津市城镇居民消费支出与人均可支配收入数据2、先定义不变价格（1994=1）的人均消费性支出（Yt）和人均可支配收入（Xt）令：Yt=cn sum/priceXt=ine/pri ce 得出Yt与Xt的散点图，如图1.很明显，Yt和X t服从线性相关。
图1 Yt和Xt散点图3、应用统计软件EVies完成线性回归解：根据经济理论和对实际情况的分析也都可以知道，城镇居民人均全年耐用消费品支出Yt依赖于人均全年可支配收入Xt的变化，因此设定回归模型为 Yt=β0+β?Xt﹢μt（1）打开E Vies软件，首先建立工作文件， Fil e rkfile ,然后通过bject建立 Y、X系列，并得到相应数据。
（2）在工作文件窗口输入命令：l s y c x,按E nter键，回归结果如表2 ：表2 回归结果根据输出结果，得到如下回归方程：Y t=977.908+0.670Xt s=(172.3797) (0.0122) t=(5.673) (54.950) R2=0.995385 Adjust ed R2=0.995055 F-sta tistic=3019.551 残差平方和Sum sq uared resi d =1254108回归标准差S.E.f regressi n=299.2978（3）根据回归方程进行统计检验：拟合优度检验由上表2中的数分别为0.995385和0.995055，计算结果表明，估计的样本回归方程较好地拟合了样本观测值。
eviews操作实例-向量自回归模型VAR和VEC
-5.4324 -5.7557
5% 临界值
-2.9202 -2.9202 -2.9202
模型形式 （C t p）
(c 0 3) (c 0 0) (c 0 0)
DW值
1.6551 1.9493 1.8996
结论
LGDPt ～I(1) LCt ～I( 1)
LIt～I(1)
注 C为位移项， t为趋势，p为滞后阶数。
yNt
的最大p阶滞后变量为解释变量的方程组模型，方程组模 型中共有N个方程。显然，VAR模型是由单变量AR模型推广到 多变量组成的“向量”自回归模型。
对于两个变量（N=2），Yt ( yt xt )T 时，VAR(2)模型为
2
Yt iYti Ut 1Yt1 2Yt2 Ut i 1
6
用矩阵表示：
xt
121 yt1
122xt1
221yt2
222xt2
u2t
显然，方程组左侧是两个第t期内生变量；右侧分 别是两个1阶和两个2阶滞后应变量做为解释变量，且 各方程最大滞后阶数相同,都是2。这些滞后变量与随 机误差项不相关（假设要求）。
7
由于仅有内生变量的滞后变量出现在等式的 右侧，故不存在同期相关问题，用“LS”法估计 参数，估计量具有一致和有效性。而随机扰动列 向量的自相关问题可由增加作为解释应变量的滞 后阶数来解决。
3
政策分析。但实际中，这种模型的效果并不令人满 意。
联立方程组模型的主要问题：
（1）这种模型是在经济理论指导下建立起来的结构模型 。遗憾的是经济理论并不未明确的给出变量之间的动态关 系。
（2）内生、外生变量的划分问题较为复杂； （3）模型的识别问题，当模型不可识别时,为达到可识别 的目的，常要将不同的工具变量加到各方程中，通常这种 工具变量的解释能力很弱； （4）若变量是非平稳的（通常如此），则会违反假设， 带来更严重的伪回归问题。
- 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)。
经典线性回归模型经典回归模型在涉及到时间序列时，通常存在以下三个问题：1）非平稳性→ ADF单位根检验→ n阶单整→取原数据序列的n阶差分（化为平稳序列）2）序列相关性→D.W.检验/相关图/Q检验/LM检验→n阶自相关→自回归ar(p)模型修正3）多重共线性→相关系数矩阵→逐步回归修正注：以上三个问题中，前两个比较重要。
整体回归模型的思路：1）确定解释变量和被解释变量，找到相关数据。
数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。
2）把EXCEL里的数据组导入到Eviews里。
3）对每个数据序列做ADF单位根检验。
4）对回归的数据组做序列相关性检验。
5）对所有解释变量做多重共线性检验。
6）根据上述结果，修正原先的回归模型。
7）进行模型回归，得到结论。
Eviews具体步骤和操作如下。
一、数据导入1）在EXCEL中输入数据，如下：除去第一行，一共2394个样本。
2）Eviews中创建数据库：File\new\workfile, 接下来就是这个界面（2394就是根据EXCEL里的样本数据来），OK3）建立子数据序列程序：Data x1再enter键就出来一个序列，空的，把EXCEL里对应的序列复制过来，一个子集就建立好了。
X1是回归方程中的一个解释变量，也可以取原来的名字，比如lnFDI，把方程中所有的解释变量、被解释变量都建立起子序列。
二、ADF单位根检验1）趋势。
打开一个子数据序列，先判断趋势：view\graph，出现一个界面，OK。
得到类似的图，下图就是有趋势的时间序列。
-.8-.6-.4-.2.0.2.4X12）ADF检验。
直接在图形的界面上进行操作，view\unit root test，出现如下界面。
在第二个方框内根据时序的趋势选择，Intercept指截距，Trend为趋势，有趋势的时序选择第二个，OK，得到结果。
上述结果中，ADF值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。
若大于5%，则存在单位根。
按照这个做法将所有的序列都操作一遍。
3）修正。
倘若原序列存在单位根，就对原序列进行一阶差分。
程序：genr dx1=D(x1)Enter键后，Eviews里会自动生成子序列dx1，x1只是解释变量，可以自己命名。
再对该一阶差分序列进行ADF检验，若所得均显著，即为一阶单整序列，此序列不存在单位根。
按照一阶单整序列建立模型，模型的数据序列是平稳的。
三、模型回归程序：data y x1 x2Y是模型的被解释变量，后面的解释变量随模型的具体情况而定。
Enter键，出来一个数据组合，我这里DX11做为被解释变量。
接下来是回归的操作。
点击Proc/make equation，出来界面，直接点确定。
其中，dx11是被解释变量，其余都为解释变量。
得到结果，形式如下。
结果说明：coefficient是每个解释变量对应的系数，第四列是t统计值，最后一列是伴随概率。
R-squared是拟合优度，下面那个是调整的拟合优度。
分析时遵循下列原则：<1>模型总体拟合优度R2，一般而言50%以上就很好。
这个说明的是方程解释变量总体对被解释变量的解释力度好，即你的模型建立的比较正确。
F值和此类似，判断方法和t统计值的一样，看伴随概率。
<2>系数。
看t值和伴随概率，如果伴随概率小于自己设定的显著性水平（1%、5%、10%），则拒绝原假设，说明该一个解释变量对被解释变量有显著的贡献度。
注：R2看的是整体（所有解释变量），t注重的是单个解释变量的贡献度。
四、序列相关性检验序列相关性指的是模型回归后产生的残差序列（resid序列）具有自相关性，即前一个时间段的残差对现今的残差有影响，因此需要进行修正。
方法有下列4种：D.W.统计量检验，相关图，Q检验，LM检验。
可随机选一种，但要注意：D.W.检验法方便但比较粗糙，而且只能针对一阶自回归，无法进行高阶自回归的验证和模型自带滞后项的验证。
LM检验能克服以上问题。
另外，相关图和Q检验也较常用。
1）D.W.检验——只针对一阶自相关DW值直接在模型回归结果中显示，下述红色值。
Sample (adjusted): 2 5957Included observations: 5956 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.DX1 0.963865 0.006527 147.6794 0.0000DX2 0.006964 0.001868 3.727361 0.0002DX3 0.002006 0.001365 1.469924 0.1416DX13 0.004876 0.001101 4.430584 0.0000DX4 0.024139 0.006576 3.670863 0.0002C 1.01E-06 4.96E-06 0.203737 0.8386R-squared 0.994890 Mean dependent var 6.02E-05Adjusted R-squared 0.994886 S.D. dependent var 0.005341S.E. of regression 0.000382 Akaike info criterion -12.90144Sum squared resid 0.000868 Schwarz criterion -12.89470Log likelihood 38426.50 Hannan-Quinn criter. -12.89910F-statistic 231679.7 Durbin-Watson stat 2.398212Prob(F-statistic) 0.0000002）相关图与Q检验在模型回归后的界面上进行操作，view\Residual Diagnostics\Correlogram-Q-statistics弹出对话框后直接OK，出现下述结果。
AC代表自相关系数，PAC表示偏自相关系数，判断模型是几阶自相关，看其AC和PAC 图形有多少超出区域，图中有临界值线，这张图不是很清楚。
也可以观察Q值和伴随概率，若小于5%就显著，拒绝原假设。
但是，这个方法在一些模型结果中不太明显，所以不清楚的时候进行LM检验比较直观。
3）LM统计量检验同样，在回归结果界面操作，view\Residual Diagnostics\Serial Correlation LM test弹出对话框，意在选择阶数，在不确定具体是几阶自相关时，可以一步一步来。
这是一阶的检验，结果中会给出RESID(-1)的结果，且t统计值的伴随概率Prob小于5%，即拒绝原假设（不存在自相关性），说明该模型存在自相关性。
继续进行二阶的检验，重复上述操作，在对话框输入2，得到结果。
仍然拒绝假设，再进行操作，直到RESID（-n）的t值不显著。
当进行到6阶的时候，RESID(-6)的t值不显著，故该模型的自相关阶数为5阶。
4）修正。
对于自相关模型的修正，也有一系列方法，但是建立自回归模型ar(p)比较简单。
操作如下，在原模型数据组界面进行操作，即进行简单回归的界面。
点击Proc/make equation，出来界面，根据模型自相关阶数，进行修改如下。
在出来的结果中，可以看到模型的拟合优度R2有所提高，且模型的DW值接近2。
一般而言，DW值为2时说明该模型不存在自相关性。
（可与上面的结果比较）Dependent Variable: DX5Method: Least SquaresDate: 04/29/15 Time: 18:26Sample (adjusted): 7 5957Included observations: 5951 after adjustmentsConvergence achieved after 4 iterationsVariable Coefficient Std. Error t-Statistic Prob.DX1 0.960615 0.006150 156.1974 0.0000DX2 0.006804 0.001632 4.168534 0.0000DX3 0.002038 0.001244 1.638556 0.1014DX13 0.003691 0.000967 3.815573 0.0001DX4 0.028310 0.006244 4.533668 0.0000C 1.25E-06 2.96E-06 0.422018 0.6730AR(1) -0.249123 0.012972 -19.20470 0.0000AR(2) -0.196537 0.013365 -14.70575 0.0000AR(3) -0.084137 0.013549 -6.209773 0.0000AR(4) -0.048747 0.013350 -3.651427 0.0003AR(5) -0.041069 0.012971 -3.166196 0.0016R-squared 0.995270 Mean dependent var 6.04E-05Adjusted R-squared 0.995262 S.D. dependent var 0.005342S.E. of regression 0.000368 Akaike info criterion -12.97650Sum squared resid 0.000803 Schwarz criterion -12.96413Log likelihood 38622.56 Hannan-Quinn criter. -12.97220F-statistic 124979.4 Durbin-Watson stat 2.000095Prob(F-statistic) 0.000000Inverted AR Roots .32+.43i .32-.43i -.20+.50i -.20-.50i-.49这样回归出来的结果就自动进行了序列相关性的修正。
做分析结果时，直接按照上述结果的系数就可以，不存在系数不可信的问题。
五、多重共线性检验多变量的线性回归模型可能存在多重共线性问题，即模型的解释变量之间存在相关性，可通过相关系数矩阵进行检验。
1）相关系数矩阵建立解释变量的数据组，程序：data dx1 dx2 dx3 dx13 dx4Enter键，跳出数据组。
其中，dx1 dx2 dx3 dx13 dx4是我模型中的解释变量，其他模型视具体情况而定。
点击Quick\Group Statistics\Correlationsdx1 dx2 dx3 dx13 dx4，OK在弹出的对话框内输入需要进行相关关系检验的解释变量：在弹出的对话框中点击2）修正。