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， ,