【正文】 （1）如果模型為高階自相關形式，則再加上AR（2）、AR（3）、…等等。EViews軟件將使用迭代估計法估計模型，并輸出的估計值及其標準差、t統(tǒng)計量值等等，根據(jù)AR項的t檢驗值是否顯著，可以進一步確定自相關性的具體形式。（4）迭代估計過程的控制 迭代估計過程中，EViews軟件按照默認的迭代次數(shù)（100次）和誤差精度（）來控制迭代估計程序，也可以在方程說明對話框中點擊Options進行修改。第七章 分布滯后變量模型與自回歸模型第一節(jié) 滯后變量模型一、滯后效應及其產(chǎn)生原因被解釋變量受自身或其它經(jīng)濟變量過去值或前期值影響的現(xiàn)象稱為滯后效應或滯后現(xiàn)象，產(chǎn)生滯后效應的原因主要有：心理因素、技術因素、制度因素。二、滯后變量和滯后變量模型滯后變量是指過去時期的、對當前被解釋變量產(chǎn)生影響的變量。滯后變量分為滯后解釋變量與滯后被解釋變量。把滯后變量引入回歸模型，這種回歸模型稱為滯后變量模型。滯后變量模型的兩種常見形式：分布滯后模型：如果模型中的滯后變量只是解釋變量x的過去各期值，即： ，則稱其為分布滯后模型，表明x對y的滯后影響分布在過去各個時期。可分為有限分布滯后模型和無限分布滯后模型。自回歸模型：如果模型中包含解釋變量x的本期值和被解釋變量y的若干期滯后值，即：，則稱其為(k階)自回歸模型。三、滯后變量模型作用引入滯后變量經(jīng)常能全面、客觀描述經(jīng)濟現(xiàn)象，有效提高模型的擬合優(yōu)度；動態(tài)的反映過去的經(jīng)濟活動對現(xiàn)期經(jīng)濟行為的影響；模擬分析經(jīng)濟系統(tǒng)的變化和調整過程。四、分布滯后模型估計的困難無限分布滯后模型中待估參數(shù)有無數(shù)個，而樣本總是有限，故無法直接采用最小二乘估計。有限分布滯后模型估計困難：多重共線性問題，即經(jīng)濟變量的各期值之間經(jīng)常是高度相關的；自由度問題，即滯后變量個數(shù)的增加將會降低樣本的自由度；難以客觀地確定滯后期的長度。第二節(jié) 分布滯后模型估計一、分布滯后模型估計的總體思路對于有限分布滯后模型，其基本思路針對分布滯后模型估計面臨的困難，通過對分布滯后模型的系數(shù)施加某種約束或假定條件，通過線性組合或其他方式變換模型，設法將各滯后變量組合起來成為個數(shù)較少的新變量，這樣，減少了需要直接估計的模型參數(shù)個數(shù)，進而緩解多重共線性，減少自由度損失。 對于無限分布滯后模型，主要是通過適當模型變換（庫伊克變換），使無限分布滯后模型轉化為只需估計有限個參數(shù)的自回歸模型。二、有限分布滯后模型的估計方法經(jīng)驗加權法針對問題的特點，根據(jù)實際經(jīng)驗確定各期滯后變量的權數(shù)，再將各期滯后變量加權組合成新的解釋變量wt，然后用OLS法估計變換后的模型yt=f(wt)+εt，得到原模型中各參數(shù)的估計值。權數(shù)的不同分布決定了模型滯后結構的不同類型，常見的滯后結構類型有：遞減滯后結構、不變滯后結構、倒V型滯后結構。經(jīng)驗加權法優(yōu)點：簡單易行，不損失自由度，避免多重共線性干擾及參數(shù)估計具有一致性。缺點：設置權數(shù)的主觀隨意性較大，要求分析者對實際問題的特征有比較透徹的了解。阿爾蒙法阿爾蒙估計法的原理：設有限分布滯后模型為，其中，k為滯后期長度。根據(jù)韋爾斯特拉斯定理，阿爾蒙認為連續(xù)函數(shù)bi=f(i)可以用滯后期i的適當次（m）多項式逼近： (其中，m k) ，將此關系式代入原分布滯后模型，經(jīng)過適當?shù)淖兞孔儞Q（稱為阿爾蒙變換），可以減少模型中的變量個數(shù)，從而在削弱多重共線性影響的情況下，估計模型中的參數(shù)。 使用阿爾蒙估計法，應事先確定兩個問題：一是滯后期長度k的確定。具體方法如下：可以根據(jù)經(jīng)濟理論或實際經(jīng)驗加以確定；可以通過相關系數(shù)，利用被解釋變量與滯后的解釋變量之間的相關系數(shù)初步判斷滯后期長度；選擇使調整的判定系數(shù)最大的滯后期；選擇使施瓦茲SC準則或赤池AIC信息準則最小的滯后期。二是多項式次數(shù)m的確定。在實際應用中，阿爾蒙多項式的次數(shù)m可以根據(jù)經(jīng)濟理論和實踐經(jīng)驗加以確定，其往往帶有主觀性；也可用試探法選。m通常取的較低，一般取2或3，很少超過4。阿爾蒙估計法的特點：阿爾蒙估計法的原理巧妙、簡單，估計參數(shù)時有效地消除了多重共線性的影響，并且適用于多種形式的分布滯后結構，變換后的模型中不存在與隨機誤差項相關的解釋變量；但需要人為確定滯后期長度和多項式次數(shù)。第三節(jié) 滯后效應分析一、滯后效應的乘數(shù)分析 對于分布滯后模型：b0：短期乘數(shù)，表示解釋變量變化一個單位對同期被解釋變量所產(chǎn)生的影響；即短期影響；bi：延期乘數(shù)或動態(tài)乘數(shù)，反映解釋變量在各滯后時期的單位變化對yt產(chǎn)生的影響，即x的滯后影響；為（s期）中期乘數(shù)，反映了解釋變量對y的s期累計影響； 為長期乘數(shù)，表明x變動一個單位對y產(chǎn)生的累計總影響（假設b= 存在）。 二、滯后效應的速度分析 乘數(shù)效應比 稱Ds為截止到第s期為止的乘數(shù)效應比，它反映了xt的變動在經(jīng)歷s期之后，對yt的影響所達到（或完成）的程度。使Ds達到某個百分比（如90%）的s值越小，則作用時間越快，滯后時間越短。 特別地， Ds=50%的s值稱為中位滯后，即經(jīng)歷s期后，x對y的影響已達到其總影響的一半。平均滯后時間稱MLT為平均滯后時間（或平均滯后），實際上是以各期延期乘數(shù)為權數(shù)的、各滯后期的加權平均數(shù)，反映了滯后期的平均長度。其值越小，則平均滯后期越短，表明y對x變化的反應速度越快。第八章 虛擬變量第一節(jié) 虛擬變量的概念和作用虛擬變量是反映品質指標變化、數(shù)值只取0和1的人工變量。用符號D來表示，一般而言，當某種屬性存在時取值為1，當某種屬性不存在時取值為0。引入虛擬變量的主要作用有：（1）可以描述和測量定性因素的影響。 這是計量經(jīng)濟學研究的重點。 （2）能夠正確反映經(jīng)濟變量之間的相互關系，提高模型的精度。 從經(jīng)濟意義上來說，能夠更好地解釋現(xiàn)實經(jīng)濟現(xiàn)象。 （3）便于處理異常數(shù)據(jù)。 當樣本資料中存在異常數(shù)據(jù)時，一般有三種處理方式，一是在樣本容量較大的情況下直接剔除異常數(shù)據(jù)；二是用平均數(shù)等方式修勻異常數(shù)據(jù)；三是設置虛擬變量，即將異常數(shù)據(jù)作為一個特殊的定性因素。第二節(jié) 虛擬變量的設置一、虛擬變量的設置規(guī)則在有截距項的模型中，若定性因素有m個相互排斥的類型，只能引入m－1個虛擬變量，否則會陷入所謂“虛擬變量陷阱”，產(chǎn)生完全的多重共線性。二、虛擬變量的引入方式在計量經(jīng)濟模型中，加入虛擬解釋變量的途徑有兩種基本類型：一是加法類型；二是乘法類型。以加法方式引入虛擬變量改變的是模型的截距；以乘法方式引入虛擬變量改變的是模型的斜率。實際應用中，一般用加法方式和乘法方式引入虛擬變量，然后再利用t檢驗判斷其系數(shù)是否顯著的不等于零，進而確定虛擬變量的具體引入方式。 第三節(jié) 虛擬變量的特殊應用一、虛擬變量在季節(jié)調整中的應用按季節(jié)或按月份數(shù)據(jù)的許多經(jīng)濟時間序列呈現(xiàn)有季節(jié)模式。例如冷飲的銷售、服裝的銷售、收成季節(jié)的農(nóng)產(chǎn)品價格等都具有很強的季節(jié)特點。我們常常要從一個時間序列里除掉季節(jié)成因或成分，以便我們進一步集中分析其他的影響因素。從一個時間序列中剔除季節(jié)因素的方法稱為季節(jié)調整，得到的序列稱為季節(jié)調整序列。對一個時間序列進行季節(jié)調整的方法很多，其中一個重要方法就是設置虛擬變量。二、虛擬變量檢驗回歸模型的結構穩(wěn)定性如果模型的斜率有所不同，先檢驗截距的差異就沒有什么實際意義。所以我們研究判斷兩個或多個回歸有無差異，就可能是因為截距，也可能是由于斜率，或者二者都有。當我們利用不同的樣本數(shù)據(jù)估計同一形式的計量經(jīng)濟模型，可能會得到不同的估計結果。如果估計的參數(shù)之間存在著顯著差異，則稱模型結構是不穩(wěn)定的，反之則認為是穩(wěn)定的。模型結構的穩(wěn)定性檢驗既可以用來檢驗樣本的敏感性，又可以比較兩個（或多個）回歸模型結構是否發(fā)生顯著變化。三、分段回歸在實際經(jīng)濟問題的研究中，有些經(jīng)濟關系需要用分段回歸加以描述：當解釋變量低于某個已知的臨界水平時，y與x之間是某種線性相關關系，而時又是另一種相關關系。從而我們得到一個分段線性回歸(piecewise linear regression)。四、混和回歸建立計量經(jīng)濟模型時，如果可以同時使用時間序列和橫截面數(shù)據(jù)，可以有效的擴充樣本容量，解決一些建模時產(chǎn)生的問題。這就要求混和模型中參數(shù)不隨時間的變化而改變，并且在各個橫截面之間沒有差異。因此，我們在合并樣本之前，需要比較使用不同樣本估計的模型之間是否存在顯著差異。