在对话框中的Enter equation处,按如下格式分别键入:
w11=1/lnX2,w12=1/lnX3;w21=1/(lnX2)^2,w22=1/(lnX3)^2;W31=1/sqr(lnX2),w32=1/sqr(lnX3)
经估计检验发现用权数w21的效果最好。
在工作文件窗口中点Quick\\Estimate Equation,在弹出的对话框中输入 lny c lnx2 lnx3
图9
然后在图9中点Options选项,选中Weighted LS/TLS复选框,在Weight框中输入w21,即可得到加权最小二乘法的结果。
图10
估计结果如下
(15.6557) (0.1438) (2.1269) T= (-2.6356) (0.1438) (2.1269)
可以看出运用加权小二乘法消除了异方差性后,参数的t检验均显著,可决系数大幅提高,F检验也显著. 4.自相关
可以看出运用加权小二乘法消除了异方差性后,参数的t检验均显著,可决系数大幅提高,F检验也显著.对样本量为18、一个解释变量的模型、5%显著水平,查DW统计表可知,dL=1.16,DW=1.112,模型中DW
图11 残差图
图11残差图中,残差的变动有系统模式,连续为正和连续为负,表明残差项存在一阶正自相关,模型中t统计量和F统计量的结论不可信,需采取补救措施。
3、自相关问题的修正
为解决自相关问题,选用科克伦—奥克特迭代法。在EViews中,每次回归的残差存放在resid序列中,为了对残差进行回归分析,需生成命名为e的残差序列。点击工作文件窗口工具栏中的Genr,在弹出的对话框中输入
,点击OK得到残差序列et。
图12
使用et进行滞后一期的自回归,在EViews命今栏中输入 ls e e (-1) 可得回归方程 et= 0.5293et-1 由式 2.3.6可知
(2.3.6)
=0.5293,对原模型进行广义差分,得到广义差分方程
对式 2.3.7的广义差分方程进行回归,在EViews命令栏中输入
ls lnY-0.5293*lnY (-1) c lnX2-0.5293*lnX2(-1) lnx3-0.5293*lnx3(-1),
回车后可得方程输出结果图2.3.18。
图13
图14
由图14可得回归方程为
(2.5983) (0.1093) (0.6656) T=(-5.0028) (16.1222) (3.7294)
式中,
,