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。

X1.4.2.0-.2-.4-.6-.8100020003000400050002）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\Correlations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：dx1 dx2 dx3 dx13 dx4，OK 在弹出的对话框中点击YES，出现结果。