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 5957
Included observations: 5956 after adjustments
Variable DX1 DX2 DX3 DX13 DX4 C
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Coefficient 0.963865 0.006964 0.002006 0.004876 0.024139 1.01E-06
Std. Error 0.006527 0.001868 0.001365 0.001101 0.006576 4.96E-06
t-Statistic 147.6794 3.727361 1.469924 4.430584 3.670863 0.203737
Prob. 0.0000 0.0002 0.1416 0.0000 0.0002 0.8386 6.02E-05 0.005341 -12.90144 -12.89470 -12.89910 2.398212
0.994890 Mean dependent var 0.994886 S.D. dependent var 0.000382 Akaike info criterion 0.000868 Schwarz criterion 38426.50 Hannan-Quinn criter. 231679.7 Durbin-Watson stat 0.000000
2）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: DX5 Method: Least Squares Date: 04/29/15 Time: 18:26 Sample (adjusted): 7 5957
Included observations: 5951 after adjustments Convergence achieved after 4 iterations
Variable DX1 DX2 DX3 DX13 DX4 C AR(1)
Coefficient 0.960615 0.006804 0.002038 0.003691 0.028310 1.25E-06 -0.249123
Std. Error 0.006150 0.001632 0.001244 0.000967 0.006244 2.96E-06 0.012972
t-Statistic 156.1974 4.168534 1.638556 3.815573 4.533668 0.422018 -19.20470
Prob. 0.0000 0.0000 0.1014 0.0001 0.0000 0.6730 0.0000
AR(2) AR(3) AR(4) AR(5)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots
-0.196537 -0.084137 -0.048747 -0.041069
0.013365 0.013549 0.013350 0.012971
-14.70575 -6.209773 -3.651427 -3.166196
0.0000 0.0000 0.0003 0.0016 6.04E-05 0.005342 -12.97650 -12.96413 -12.97220 2.000095
0.995270 Mean dependent var 0.995262 S.D. dependent var 0.000368 Akaike info criterion 0.000803 Schwarz criterion 38622.56 Hannan-Quinn criter. 124979.4 Durbin-Watson stat 0.000000 .32+.43i -.49
-.20+.50i
.32-.43i
-.20-.50i
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 dx4
Enter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。
以上就是相关系数矩阵。通常认为，两变量的相关系数在0.8以上属于强相关系。如上，DX1与DX4之间属于有相关性，因此模型存在多重共线性。
2）修正。采用逐步回归法、差分法、岭回归法。但是三种方法都有缺点，逐步回归法会改变模型系数的经济意义，差分法会带来模型的自相关性，岭回归引入偏误。
注：在做实证分析时，拟合优度和多重共线性并不是很大的问题，即若拟合优度比较低、多重共线性的存在不是大问题，而单位根检验和序列自相关是比较重要的。
相关推荐：
loading