eviews分布滯后和虛擬變量模型PPT學(xué)習(xí)教案

1、會計學(xué)1eviews分布滯后和虛擬變量模型分布滯后和虛擬變量模型2021-10-152 對于有限滯后長度的情形，分布滯后模型的一般形式如對于有限滯后長度的情形，分布滯后模型的一般形式如下下 tktktttuxxxy110其中其中系數(shù)系數(shù) 描述描述 x 對對 y 作用的滯后。在模型中解釋變量與作用的滯后。在模型中解釋變量與隨機誤差項不相關(guān)的情況下，可以直接使用隨機誤差項不相關(guān)的情況下，可以直接使用OLS估計參數(shù)。估計參數(shù)。但是，一個顯然的問題是解釋變量之間，即但是，一個顯然的問題是解釋變量之間，即 x 的當前和滯后的當前和滯后值之間具有高度共線性，而共線性問題的一個直接后果是參值之間具有高度共線

2、性，而共線性問題的一個直接后果是參數(shù)估計量失去意義，不能揭示數(shù)估計量失去意義，不能揭示 x 的各個滯后量對因變量的影的各個滯后量對因變量的影響，所以必須尋求另外的估計方法。響，所以必須尋求另外的估計方法。 (8.1.1)第1頁/共55頁2021-10-153 可以使用多項式分布滯后（可以使用多項式分布滯后（Polynomial Distributed Lags , PDL）來減少要估計的參數(shù)個數(shù)，以此來平滑滯后系）來減少要估計的參數(shù)個數(shù)，以此來平滑滯后系數(shù)。平滑就是要求系數(shù)服從一個相對低階的多項式。數(shù)。平滑就是要求系數(shù)服從一個相對低階的多項式。p 階階PDLs模型限制模型限制 系數(shù)服從如下形式

3、的系數(shù)服從如下形式的 p 階多項式階多項式 ppjcjcjcj)()()(12321 j = 0 , 1 , 2 , , k (8.1.2)c 是事先定義常數(shù)：是事先定義常數(shù)： (1)/2( )/2kkckk是奇數(shù)是偶數(shù)第2頁/共55頁2021-10-154 PDL有時被稱為有時被稱為Almon分布滯后模型。常數(shù)分布滯后模型。常數(shù) c 僅用來避僅用來避免共線性引起的數(shù)值問題，不影響免共線性引起的數(shù)值問題，不影響 的估計。這種定義允許的估計。這種定義允許僅使用參數(shù)僅使用參數(shù) p 來估計一個來估計一個x 的的 k 階滯后的模型（如果階滯后的模型（如果 p k，將顯示將顯示“近似奇異近似奇異“錯誤信

4、息）。錯誤信息）。 定義一個定義一個PDL模型，模型，EViews用用(8.1.2)式代入到式代入到(8.1.1)式，式，將產(chǎn)生如下形式方程將產(chǎn)生如下形式方程 tpptuzzzy112211其中其中 ktptptppktttktttxckxcxczxckxccxzxxxz)()1 ()()()1 (111211(8.1.3)第3頁/共55頁2021-10-155 一旦從一旦從(8.1.3)式估計出式估計出 ，利用，利用(8.1.2)式就可得到式就可得到 的各的各系數(shù)。這一過程很明了，因為是系數(shù)。這一過程很明了，因為是 的的 線性變換。定義一個線性變換。定義一個PDLs要有三個元素：滯后長度要有

5、三個元素：滯后長度k，多項式階數(shù)（多項式最高次多項式階數(shù)（多項式最高次冪數(shù)）冪數(shù)）p和附加的約束條件。和附加的約束條件。 一個近端約束限制一個近端約束限制 x 對對 y 一期超前作用為零：一期超前作用為零： 0)1()1()1(123211ppccc 一個遠端約束限制一個遠端約束限制 x 對對 y 的作用在大于定義滯后的數(shù)目衰的作用在大于定義滯后的數(shù)目衰減：減： 0)1()1()1(123211ppkckckck 如果限制滯后算子的近端或遠端，參數(shù)個數(shù)將減少一個來如果限制滯后算子的近端或遠端，參數(shù)個數(shù)將減少一個來解釋這種約束。如果對近端和遠端都約束，參數(shù)個數(shù)將減少二解釋這種約束。如果對近端和遠

6、端都約束，參數(shù)個數(shù)將減少二個。個。 EViews缺省不加任何約束。缺省不加任何約束。 第4頁/共55頁2021-10-156 通過通過PDL項定義一個多項式分布滯后，信息在隨后的括號項定義一個多項式分布滯后，信息在隨后的括號內(nèi)，按下列規(guī)則用逗號隔開：內(nèi)，按下列規(guī)則用逗號隔開： 1.序列名序列名 2.滯后長度（序列滯后數(shù)）滯后長度（序列滯后數(shù)） 3.多項式階數(shù)多項式階數(shù) 4.一個數(shù)字限制碼來約束滯后多項式：一個數(shù)字限制碼來約束滯后多項式： 1 = 限制滯后近端為零限制滯后近端為零 2 = 限制遠端為零限制遠端為零 3 = 兩者都限制兩者都限制 如果不限制滯后多項式，可以省略限制碼。方程中可以包含

7、多個如果不限制滯后多項式，可以省略限制碼。方程中可以包含多個PDL項項。例如：。例如： sales c pdl(y , 8 , 3 )是用常數(shù)，解釋變量是用常數(shù)，解釋變量 y 的當前和的當前和8階分布滯后來階分布滯后來擬合因變量擬合因變量sales，這里解釋變量，這里解釋變量 y 的滯后系數(shù)服從沒有約束的的滯后系數(shù)服從沒有約束的3階多項式。階多項式。第5頁/共55頁2021-10-157 類似地，類似地， y c pdl(x , 12 , 4 , 2) 包含常數(shù)，解釋變量包含常數(shù)，解釋變量 x 的當前的當前和和12階分布滯后擬合因變量階分布滯后擬合因變量 y，這里解釋變量這里解釋變量x的系數(shù)服

8、從帶有的系數(shù)服從帶有遠端約束的遠端約束的4階多項式。階多項式。 PDL也可用于二階段最小二乘法也可用于二階段最小二乘法TSLS。如果。如果PDL序列是序列是外生變量，應(yīng)當在工具表中也包括序列的外生變量，應(yīng)當在工具表中也包括序列的PDL項。為此目的，項。為此目的，可以定義可以定義PDL(*)作為一個工具變量，則所有的作為一個工具變量，則所有的PDL變量都將被變量都將被作為工具變量使用。例如：如果定義作為工具變量使用。例如：如果定義TSLS方程為方程為 sales c inc pdl(y(-1) , 12 , 4) 使用工具變量：使用工具變量：z z(-1) pdl(*)則則y的分布滯后和的分布滯

9、后和z，z(-1)都被用作工具變量。都被用作工具變量。 第6頁/共55頁2021-10-158 投資投資INV關(guān)于關(guān)于GDP的的 分布滯后模型的結(jié)果如下分布滯后模型的結(jié)果如下第7頁/共55頁2021-10-159 逐個觀察，逐個觀察，GDP滯后的系數(shù)統(tǒng)計上都不顯著。但總體上講回歸具有一個滯后的系數(shù)統(tǒng)計上都不顯著。但總體上講回歸具有一個合理的合理的R2 (盡管盡管DW統(tǒng)計量很低統(tǒng)計量很低)。這是回歸自變量中多重共線的典型現(xiàn)象，。這是回歸自變量中多重共線的典型現(xiàn)象，建議擬合一個多項式分布滯后模型。估計一個無限制的建議擬合一個多項式分布滯后模型。估計一個無限制的3階多項式滯后模型，階多項式滯后模型，

10、輸入變量列表：輸入變量列表：INV c PDL(GDP, 3, 2)，窗口中顯示的多項式估計系數(shù)，窗口中顯示的多項式估計系數(shù)，PDL01, PDL02, PDL03分別對應(yīng)方程分別對應(yīng)方程(8.1.3)中中Z1, Z 2 , Z3 的系數(shù)的系數(shù) 1 , 2 , 3 。 第8頁/共55頁2021-10-1510 方程（方程（8.1.1）中的系數(shù)）中的系數(shù) j j 在表格底部顯示。在表格底部顯示。 表格底部的滯后值是分布滯后的估計系數(shù)值，并且在平穩(wěn)表格底部的滯后值是分布滯后的估計系數(shù)值，并且在平穩(wěn)的假設(shè)下有的假設(shè)下有GDP對對INV的長期影響的解釋。的長期影響的解釋。 第9頁/共55頁2021-1

11、0-1511待估計的方程待估計的方程： INV = c(1) + c(2)*INV(-1) + c(6)*GDP + c(7)*GDP(-1) + c(8)*GDP(-2) + c(9)*GDP(-3)估計的方程：估計的方程： INV = -15.877 + 0.97188*INV(-1) + 0.2548*GDP - 0.119657*GDP(-1) - 0.185*GDP(-2) + 0.0574*GDP(-3)第10頁/共55頁2021-10-1512 考伊克、適應(yīng)性期望和部分調(diào)整模型都有如考伊克、適應(yīng)性期望和部分調(diào)整模型都有如下的共同的形式：下的共同的形式： (8.2.1) 它們都是屬

12、于自回歸性質(zhì)，因此用最小二乘它們都是屬于自回歸性質(zhì)，因此用最小二乘法未必對它們直接適用，因為隨機解釋變量的出法未必對它們直接適用，因為隨機解釋變量的出現(xiàn)和序列相關(guān)的可能性?，F(xiàn)和序列相關(guān)的可能性。 如前所述，運用最小二乘法，必須表明隨機如前所述，運用最小二乘法，必須表明隨機解釋變量解釋變量 的分布與干擾項的分布與干擾項 無關(guān)。無關(guān)。 即使原始即使原始的干擾項的干擾項 滿足經(jīng)典假設(shè)，滿足經(jīng)典假設(shè)， 也未必滿足這些也未必滿足這些性質(zhì)。性質(zhì)。0121ttttYXY1tYttut第11頁/共55頁2021-10-1513ttututu第12頁/共55頁2021-10-15141tYtt1tY1tX1tY

13、0121ttYnXY20121ttttttY XXXYX第13頁/共55頁2021-10-151510111211tttttttY XXX XYX第14頁/共55頁2021-10-1516ttuttut21var()nhn第15頁/共55頁2021-10-15172var()1tY21(1)21var()nhdn第16頁/共55頁2021-10-1518XY2var()第17頁/共55頁2021-10-1519*tttYX*tttYX第18頁/共55頁2021-10-1520*011ttttYXYu第19頁/共55頁2021-10-1521增加增加1（億元），則未來預(yù)（億元），則未來預(yù)期最佳新

14、增固定資產(chǎn)量為期最佳新增固定資產(chǎn)量為0.1037（億元）。（億元）。*01,1,tt 0.9853,0.1037,1.9249*1.92490.1037tttYX第20頁/共55頁2021-10-1522期增加期增加1（億元），當期新增（億元），當期新增固定資產(chǎn)量為固定資產(chǎn)量為0.1037（億元）。（億元）。*011,1,(1)ttt 0.9853,0.1037,1.9249*1.92490.1037tttYX第21頁/共55頁2021-10-1523第22頁/共55頁2021-10-1524第23頁/共55頁2021-10-1525iiiYaDuY10iD若是男教授若是女教授第24頁/共55

15、頁2021-10-1526218.003.28(57.74)(7.439)0.8737iiYDtR第25頁/共55頁2021-10-152712iiiiYaa DXuiX第26頁/共55頁2021-10-1528第27頁/共55頁2021-10-1529iY12233iiiiiYaa Da DXuiX210D如果是高中教育其他310D如果是大學(xué)教育其他第28頁/共55頁2021-10-153012233iiiiiYaa Da DXuiYiX210D男性女性310D白色黑色第29頁/共55頁2021-10-1531()0iE u231(|0,0,)iiiE YDDXaX2312(|1,0,)()

16、iiiE Y DDXaaX2313(|0,1,)()iiiE Y DDXaaX23123(|1,1,)()iiiE Y DDXaaaX第30頁/共55頁2021-10-1532模型是模型是第31頁/共55頁2021-10-1533第32頁/共55頁2021-10-1534第33頁/共55頁2021-10-1535 經(jīng)典的計量經(jīng)濟學(xué)模型理論與方法是在線性模型的基礎(chǔ)上發(fā)經(jīng)典的計量經(jīng)濟學(xué)模型理論與方法是在線性模型的基礎(chǔ)上發(fā)展、完善起來的，因而線性計量經(jīng)濟學(xué)模型領(lǐng)域的理論與方法已展、完善起來的，因而線性計量經(jīng)濟學(xué)模型領(lǐng)域的理論與方法已經(jīng)相當成熟。但是，現(xiàn)實經(jīng)濟活動并不都能抽象為線性模型，所經(jīng)相當成熟。

17、但是，現(xiàn)實經(jīng)濟活動并不都能抽象為線性模型，所以非線性計量經(jīng)濟學(xué)模型在計量經(jīng)濟學(xué)模型中占據(jù)重要的位置，以非線性計量經(jīng)濟學(xué)模型在計量經(jīng)濟學(xué)模型中占據(jù)重要的位置，關(guān)于它的理論與方法的研究是計量經(jīng)濟學(xué)理論與方法研究的一個關(guān)于它的理論與方法的研究是計量經(jīng)濟學(xué)理論與方法研究的一個廣泛的領(lǐng)域。廣泛的領(lǐng)域。 假設(shè)回歸方程為：假設(shè)回歸方程為： tttufy),(x其中其中f 是解釋變量和參數(shù)是解釋變量和參數(shù) 的函數(shù)。最小二乘估計就是要選擇的函數(shù)。最小二乘估計就是要選擇參數(shù)參數(shù) 使殘差平方和最?。菏箽埐钇椒胶妥钚。?tttfyfyfyS),() ),(),()(2XXx第34頁/共55頁2021-10-1536

18、如果如果 f 關(guān)于參數(shù)的導(dǎo)數(shù)不依賴于參數(shù)關(guān)于參數(shù)的導(dǎo)數(shù)不依賴于參數(shù) ，則我們稱模型為參則我們稱模型為參數(shù)線性的，反之，則是參數(shù)非線性的。例如，數(shù)線性的，反之，則是參數(shù)非線性的。例如，是參數(shù)線性的，是參數(shù)線性的，f 關(guān)于參數(shù)的導(dǎo)數(shù)與參數(shù)關(guān)于參數(shù)的導(dǎo)數(shù)與參數(shù) 無關(guān)。無關(guān)。 而而其函數(shù)的導(dǎo)數(shù)仍依賴于參數(shù)其函數(shù)的導(dǎo)數(shù)仍依賴于參數(shù) ，所以它是參數(shù)非線性的。對于這所以它是參數(shù)非線性的。對于這個模型，沒有辦法使用普通最小二乘估計來最小化殘差平方和個模型，沒有辦法使用普通最小二乘估計來最小化殘差平方和。必須使用非線性最小二乘估計技術(shù)來估計模型參數(shù)。必須使用非線性最小二乘估計技術(shù)來估計模型參數(shù)。 ttttuKL

19、yloglog321ttttuKLy321第35頁/共55頁2021-10-1537 非線性最小二乘估計根據(jù)參數(shù)非線性最小二乘估計根據(jù)參數(shù) 的選擇最小化殘差平方和。的選擇最小化殘差平方和。最小化的一階條件是：最小化的一階條件是： 其中其中G( )是是f (X, )關(guān)于關(guān)于 的導(dǎo)數(shù)。的導(dǎo)數(shù)。 估計協(xié)方差矩陣為：估計協(xié)方差矩陣為： 關(guān)于非線性估計的詳細討論，參見關(guān)于非線性估計的詳細討論，參見Pindick和和Rubinfeld (1991, 231 - 245頁頁) 或或Davidson和和MacKinon(1993)。 0),(),(2)(itttffySxx即即0),()(XyfGx),()(

20、tfG令令12)()(NLLSNLLSNLLSGGsbb第36頁/共55頁2021-10-1538 估計非線性最小二乘模型很簡單，對于任何系數(shù)非線性的估計非線性最小二乘模型很簡單，對于任何系數(shù)非線性的方程，方程，EViews自動應(yīng)用非線性最小二乘估計，會使用迭代算自動應(yīng)用非線性最小二乘估計，會使用迭代算法估計模型。法估計模型。 對于非線性最小二乘模型，必須使用直接包含系數(shù)約束的對于非線性最小二乘模型，必須使用直接包含系數(shù)約束的EViews表達式以方程形式來說明?？梢允褂萌笔∠禂?shù)向量表達式以方程形式來說明?？梢允褂萌笔∠禂?shù)向量C中中的元素的元素(例如，例如，c(1), c(2), c(34),

21、c(87) ) ，也可以定義使用其它系，也可以定義使用其它系數(shù)向量。例如：數(shù)向量。例如： Y=c(1)+c(2)*(Kc(3)+Lc(4) 就是缺省系數(shù)向量就是缺省系數(shù)向量C的的4個元素從個元素從c(1)到到c(4)。 第37頁/共55頁2021-10-1539 如果設(shè)定例如果設(shè)定例6.1中的消費函數(shù)為非線性形式：中的消費函數(shù)為非線性形式： （8.4.1）其中：其中：cst 是實際居民消費，是實際居民消費，inct 是實際可支配收入。利用我國是實際可支配收入。利用我國1978年年2002年的年度數(shù)據(jù)估計此非線性方程，由于用迭代法年的年度數(shù)據(jù)估計此非線性方程，由于用迭代法計算，首先要賦初值，比如

22、可以設(shè)計算，首先要賦初值，比如可以設(shè) 3的估計值的估計值b3初值是初值是1，則可，則可以利用以利用OLS估計值估計值(例例6.1中，中，b1 =414.88，b2 =0.51) 作為作為b1 ，b2 的初值。經(jīng)過迭代，得到的非線性消費方程為的初值。經(jīng)過迭代，得到的非線性消費方程為 （8.4.2）b1，b2 ，b3 的標準差分別為的標準差分別為386.3，0.21和和0.096。tttuinccs3210857. 12139. 036.774ttincsc第38頁/共55頁2021-10-1540非線性形式的邊際消費傾向為非線性形式的邊際消費傾向為 即即 MPCt = c(2)*c(3)*inc

23、tC(3)-1 = 0.214*1.0857*YDt1.0857-11323)(ddttttincinccsMPC第39頁/共55頁2021-10-15410.460.480.500.520.540.5678808284868890929496980002 因此，非線性情況下的因此，非線性情況下的MPC是時變的，根據(jù)式（是時變的，根據(jù)式（8.4.1）計）計算得到的邊際消費傾向序列如圖算得到的邊際消費傾向序列如圖8.1所示。注意，所示。注意，inc 的平均值的平均值(9795.355)對應(yīng)的邊際消費傾向為對應(yīng)的邊際消費傾向為 MPC=0.2139 1.0857 9795.355(1.0857-1

24、) =0.51等于線性模型估計值，因為線性模型的參數(shù)反映的是變量之間等于線性模型估計值，因為線性模型的參數(shù)反映的是變量之間平均意義上的影響關(guān)系。平均意義上的影響關(guān)系。 第40頁/共55頁2021-10-1542 迭代估計要求模型系數(shù)有初始值。選擇參數(shù)初始值沒有迭代估計要求模型系數(shù)有初始值。選擇參數(shù)初始值沒有通用的法則。越接近于真值越好，因此，如果你對參數(shù)值有通用的法則。越接近于真值越好，因此，如果你對參數(shù)值有一個合理的猜測值，將是很有用的。在某些情況下，可以用一個合理的猜測值，將是很有用的。在某些情況下，可以用最小二乘法估計嚴格形式的模型得到良好的初始值?？傮w說最小二乘法估計嚴格形式的模型得到

25、良好的初始值?？傮w說來，必須進行試驗以找到初始值。在開始迭代估計時，來，必須進行試驗以找到初始值。在開始迭代估計時，EViews使用系數(shù)向量中的值。很容易檢查并改變系數(shù)的初始使用系數(shù)向量中的值。很容易檢查并改變系數(shù)的初始值。要察看初始值，雙擊系數(shù)向量。如果初始值是合理的，值。要察看初始值，雙擊系數(shù)向量。如果初始值是合理的，可以對模型進行估計。如果想改變初始值，首先確定系數(shù)向可以對模型進行估計。如果想改變初始值，首先確定系數(shù)向量表使處于編輯狀態(tài)，然后輸入系數(shù)值。完成初始值設(shè)定后量表使處于編輯狀態(tài)，然后輸入系數(shù)值。完成初始值設(shè)定后，關(guān)閉系數(shù)向量窗口，估計模型。，關(guān)閉系數(shù)向量窗口，估計模型。第41頁

26、/共55頁2021-10-1543 也可以從命令窗口使用也可以從命令窗口使用PARAM命令設(shè)定初始系數(shù)值。只需命令設(shè)定初始系數(shù)值。只需輸入關(guān)鍵詞輸入關(guān)鍵詞PARAM，然后是每個系數(shù)和想要的初值：，然后是每個系數(shù)和想要的初值： param c(1) 153 c(2) .68 c(3) .15 中設(shè)定中設(shè)定c(1)=153，c(2)=0.68 和和c(3)=0.15。 可以通過說明收斂標準和最大迭代次數(shù)來控制迭代過程。按可以通過說明收斂標準和最大迭代次數(shù)來控制迭代過程。按Options鈕并輸入想要的數(shù)值。如果系數(shù)變化的最大值低于閾值鈕并輸入想要的數(shù)值。如果系數(shù)變化的最大值低于閾值，EViews報告

27、估計過程已經(jīng)收斂。例如，設(shè)定閾值為報告估計過程已經(jīng)收斂。例如，設(shè)定閾值為0.001，則，則EViews會通過檢查系數(shù)的最大變化是不是小于會通過檢查系數(shù)的最大變化是不是小于0.001來決定是否來決定是否收斂。收斂。 在大多數(shù)情況下，不許改變最大迭代次數(shù)。然而，對于某在大多數(shù)情況下，不許改變最大迭代次數(shù)。然而，對于某些難于估計的模型，在最大迭代次數(shù)下迭代過程不收斂。這時些難于估計的模型，在最大迭代次數(shù)下迭代過程不收斂。這時，只需單擊，只需單擊Options鈕，然后，增加最大迭代次數(shù)并點鈕，然后，增加最大迭代次數(shù)并點OK接受接受選項選項 ,開始估計。開始估計。EViews會使用最后一組參數(shù)值作為初始

28、值進行會使用最后一組參數(shù)值作為初始值進行估計。估計。 第42頁/共55頁2021-10-1544為遺漏變量模型是無遺漏變?yōu)檫z漏變量模型是無遺漏變量模型的一個特例：被遺漏量模型的一個特例：被遺漏變量的系數(shù)為變量的系數(shù)為0。第43頁/共55頁2021-10-1545ie0H :受約束回歸模型,1H:無約束回歸模型。ieie ，22121()nniiiiideee，按遺漏解釋變量的遞增次序?qū)埐钚蛄邪催z漏解釋變量的遞增次序?qū)埐钚蛄羞M行排序進行排序，對排序后的殘差序列對排序后的殘差序列計算計算 d 統(tǒng)計量：統(tǒng)計量：2設(shè)定設(shè)定 1對回歸模型運用對回歸模型運用OLS法得殘差序列法得殘差序列DW檢驗的具體

29、步驟檢驗的具體步驟3 3查查Durbin-WatsonDurbin-Watson表，若表，若 d d 為顯著，則拒絕原假為顯著，則拒絕原假設(shè)，受約束回歸模型不成立，存在模型設(shè)定誤差，設(shè)，受約束回歸模型不成立，存在模型設(shè)定誤差，否否則不拒絕原假設(shè)，受約束回歸模型成立，模型無設(shè)則不拒絕原假設(shè)，受約束回歸模型成立，模型無設(shè)定誤差。定誤差。第44頁/共55頁2021-10-1546量不具有統(tǒng)計顯著性，則認為沒有量不具有統(tǒng)計顯著性，則認為沒有遺漏變量形成的設(shè)定誤差。遺漏變量形成的設(shè)定誤差。第45頁/共55頁2021-10-1547具體步驟：具體步驟：第46頁/共55頁2021-10-1548案例分析及案

30、例分析及EViewsEViews操作操作第47頁/共55頁2021-10-15491067.3370.2307iiiimGDPe 220.92300.91950.5357 263.6657 RRDWF，se= (792.2620) (0.0142)t = (-2.0288) (16.2378) 對模型對模型(1)(1)進行回歸進行回歸, ,有回歸結(jié)果有回歸結(jié)果第48頁/共55頁2021-10-1550-6000-4000-20000200040006000800010000808284868890929496980002IM Residuals顯然，存在自相關(guān)現(xiàn)象，其主要原因可能是顯然，存在自

31、相關(guān)現(xiàn)象，其主要原因可能是建模時遺漏了重要的相關(guān)變量造成的。建模時遺漏了重要的相關(guān)變量造成的。作模型作模型(1)回歸的殘差圖：回歸的殘差圖： 第49頁/共55頁2021-10-1551存在顯著的遺漏變量現(xiàn)象。存在顯著的遺漏變量現(xiàn)象。1、DW檢驗檢驗第50頁/共55頁2021-10-1552Dependent Variable: IMMethod: Least SquaresDate: 08/06/05 Time: 23:41Sample (adjusted): 1981 2003Included observations: 23 after adjustmentsVariable Coeffi

32、cient Std. Error t-StatisticProb. C -224.3632 1892.132 -0.1185770.9069GDP 1.148259 0.151433 7.5826060.0000GDP(-1) -0.822444 0.147359 -5.5812130.0000EXCHANGE -4.290746 8.348744 -0.5139390.6135EXCHANGE2 -0.018637 0.008353 -2.2311620.0386R-squared 0.978691 Mean dependent var 8434.222Adjusted R-squared 0.973956 S.D. dependent var 9025.326S.E. of regression 1456.525 Akaike info criterion 17.59515Sum squared resid 38186370 Schwarz criterion 17.84200Log likelihood -197.3443 F-statistic 206.6799Durbin-Watson s