eviews经典单方程计量经济学模型
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
eviews不能直接计算自变量的方差扩大因子需根据前述公式计算得到可编辑ppt10一般情况下并不需要对共线性进行特别的检验但如果回归方程的可决系数很高或f值很大而系数的标准差较大t值很小则说明解释变量间存在较严重的多重共线可编辑ppt11当自变量出现共线性时应设法消除其影响一方面从收集数据增大样本容量考虑一方面改变模型形式
❖ ⑤构建F统计量：
F
(n
2
c
k
1)
~
F(n
c
k
1,
n
c
k
1)
e12
2
2
(n c k 1)
2
操作：用计算器功能将直接读出的残差平均和相比
❖ ⑥检验并决策：根据给定的α值，查F分布表 得临界值
❖ 当F>Fα时，认为序列存在异方差
❖ 例：caБайду номын сангаасe 15
❖ G-Q检验的适用条件：大样本 ❖ G-Q检验的基础：F统计量 ❖ G-Q检验的结果：判断有无异方差
点图） ❖ 或者： ❖ 在eviews中，建立回归模型之后，在方程窗口中点
击Resids按钮可以得到模型的残差分布图。
例
❖ case15
正式方法
❖ 帕克检验 ❖ 格里奇检验 ❖ G-Q检验 ❖ White检验 ❖ ARCH检验
帕克检验（Park test)
❖ 帕克的基本思想是：利用残差平方和序列e2， 求Lne2对Lnxi 的回归方程，最后对回归方程 作显著性、拟合优度判断，以确定异方差是 否存在。
2、检验简单相关系数
❖ （1）相关系数检验。在命令窗口输入： COR X1 X2 X3 X4 X5，或者在变量组窗口， 点击VIEW-CORRELATION
2、检验简单相关系数
列出X1，X2，X3，X4，X5的相关系数矩阵：
X1
X2
X3
X4
X5
X1 1.00
0.01 0.64 0.96 0.55
X2 0.01
1.00 -0.45 -0.04 0.18
X3 0.64 -0.45 1.00 0.69 0.36
X4 0.96 -0.04 0.69 1.00 0.45
X5 0.55
0.18 0.36 0.45 1.00
❖ 发现： X1与X4间存在高度相关性。
❖ （2）方差膨胀因子检验。
❖ 先建立每个解释变量对其余解释变量的辅助 回归模型。EVIEWS可以调用已建方程的回 归系数。
❖ 此时可以选择在辅助回归模型中是否包含交 叉乘积项(cross terms)。输出结果中obs * Rsquared即White检验统计量，由其双侧概率 可以判断是否拒绝无异方差性的原假设。
❖ 例：case 15
❖ 例：case2是1950-1987年间美国机动汽油消 费量和影响消费量的变量数值。其中各变量 表示：QMG-机动车汽油消费量；MOB-汽车 保有量；PMG-机动汽油零售价格；POP-人 口数；GNP-按照1982年美元计算的GNP； 以汽油消费量为因变量，其它变量为自变量， 建立一个回归模型。并对美国机动车汽油消 费量研究模型进行异方差检验。
❖ 2.计算统计量nR2，其中n为样本容量，R2为辅助回 归函数中的未调整的决定系数。
❖ 3.查卡方分布表，在给定显著性水平下，判断是否 存在异方差性。（原假设：不存在异方差）
❖ 利用EViews软件可以直接进行White检验。
❖ (1)建立回归模型: LS y c x1 x2
❖ (2)检验异方差性:在方程窗口中依次点击 View\Residual Test\White Heteroskedasticity
如果有多个解释变量，则对每个解释变量都做形如以上的回归。 或者作e2对Y的估计值的回归。
③观察R2、t、F检验，确定原始序列是否有异方差
❖ 帕克检验的适用条件：可以是小样本 ❖ 帕克检验的结果：判断有无异方差
格里瑟检验（Glejser)
❖ 格里瑟检验的基本思想：
❖ 利用残差绝对值∣ei∣序列对Xi进行回归， 由回归的显著性、拟合优度判断异方差是否
❖ ③对每个子样分别求回归方程，并计算各自的残差平方和。 子 表样示1。的残差平方和用Σe12表示，子样2的残差平方和用Σe22
❖ 操作：用SMPL定义子样区间，用LS作回归（两次）
❖ ④提出假设：H0: σ12=σ22, H1: σ12≠σ22 ❖ σ12、σ22是分别对应两个子样的随机项方差
e22
平方与X的散点图，对异方差是否存在及其类 型作直观的近似的判断
❖ 异方差的类型大致可分为递增异方差、递减 异方差和复杂异方差三种
图形检验
EViews操作
❖ Ls y c x ❖ Genr e1=resid ❖ Genr e2=e1^2 ❖ Scat e2 x (如果解释变量比较多，则作e2与y的散
帕克检验步骤
①用原始样本数据估计模型，求出残差序列,并生成 对数序列
操作： ①LS Y C X
②GENR E1=RESID
③GENR E2=E1^2 ④GENR LNE2=LOG(E2)
②求X序列的对数序列,并用残差的对数序列对X的对 数序列作回归分析
操作： ①GENR X1=LOG(X) ②LS LNE2 C X1
❖ 调用的格式是：equation_name.@contents， 其中前面是已建方程的名称，contents包括 已建方程中的系数和统计量，常用的有 coef(n), 表示系数向量矩阵的第n个元素，R2 是拟合优度等。这样调用可以重新输入带来 的一些不必要的麻烦。
❖ 计算X1的VIF值。首先建立一个方程，不妨 命名为eqx1。它是以x1为因变量，其余变量
White检验
❖ White检验是通过建立辅助回归模型的方式来 判断异方差性，它不需要关于异方差的任何 先验知识，只要求在大样本的情况下即可。
❖ White检验的具体步骤如下: ❖ 1.用OLS法估计模型，并计算出相应的残差平方，
作辅助回归模型:
et2 a0 a1x1t a2 x2t a3 x12t a4 x22t a5 x1t x2t vt
存在。
ei b1 b2 X i vi
ei b1 b2 X i vi
ei
b1 b2
1 Xi
vi
❖ ①用原始样本数据估计模型，求出残差序列
❖ 操作：①LS Y C X
❖
②GENR E1=RESID
❖
③GENR E2=ABS(E1)
❖ ②用残差绝对值序列与Xih序列进行回归分析 ❖ Xih 中的h通常需要选择多种数值进行试算 ❖ 操作：①GENR XH=X^H(H先赋值）
❖
②LS E2 C XH
❖ ③经过R2、t、F检验，确定最合适的回归形 式
❖ 与帕克检验一样，误差项本身可能存在异方 差。
❖ 然而，对于大样本，上述模型能够很好地检 测异方差问题。因此格里奇检验可用作大样 本的检测工具。
G-Q检验(戈德菲尔德—匡特 检验)
❖ 先将样本一分为二，对子样1和子样2分别作
Yˆ 31919 .0 0.380 X 4
(17.45) (6.68) R2=0.7527 F=48.7 DW=1.11
Yˆ 28259.19 2.240X5
(-1.04) (2.66) R2=0.3064 F=7.07 DW=0.36
❖ 可见，应选第1个式子为初始的回归模型。
4、逐步回归
将其他解释变量分别导入上述初始回归模型，寻 找最佳回归方程。
第三节 异方差的检验与修正
❖ 检验的非正式方法 ❖ 检验的正式方法 ❖ 异方差的修正
非正式方法
❖ 1．根据问题的性质
❖ 在涉及不均匀单位的横截面数据中，异方差 可能是常有的情况。
❖ 2．残差的图形检验 ❖ 利用因变量Y与解释变量X的散点图或者残差
❖ 差分法。将原模型变形，在建模过程中在方程定义 栏中输入 y-y(-1) x1-x1(-1) … xp-xp(-1) . 差分常常 会丢失一些信息，使用时应慎重。
❖ 增加样本容量。 ❖ 利用先验信息改变参数的约束形式 ❖ 变换模型的形式 ❖ 逐步回归法 ❖ 主成分回归
案例——中国粮食生产函数
根据理论和经验分析，影响粮食生产（Y）的 主要因素有：
第三章 经典单方程计量经济学 模型：放宽基本假定的模型
❖ 第一节 ❖ 第二节 ❖ 第三节 ❖ 第四节 ❖ 第五节
误设定的诊断与处理 多重共线性的诊断与对策 异方差的诊断与处理 自相关的诊断与处理 随机解释变量问题（工具变量法）
第一节 误设定
❖ 模型设定误差的类型一般有： ❖ 遗漏了重要的解释变量； ❖ 模型包含无关的解释变量； ❖ 采用了不正确的函数形式。
为自变量建立的方程，然后在主窗口命令行 输入 scalar vifx1=1/(1-eqx1.@R2), 该命令 的意思是建立一个取值为上式的标量vifx1， 其中R2是R2.执行后主窗口的左下角状态栏上 会出现：“vifx1 successfully created”的字样， 同时工作表中产生一个叫做vifx1的新变量。 可以查看其值，大于10，就是存在多重共线 性。
❖ 一般情况下并不需要对共线性进行特别的检 验，但如果回归方程的可决系数很高，或F值 很大，而系数的标准差较大（t值很小），则 说明解释变量间存在较严重的多重共线性。
❖ 当自变量出现共线性时，应设法消除其影响，一方 面从收集数据，增大样本容量考虑，一方面改变模 型形式。
❖ 常用的方法有:
❖ 剔除法。设法找到引起共线性的变量并给予剔除。 这涉及到剔除的准则问题，通常可选择VIF值最大 或未通过系数显著性检验的变量进行剔除，剔除时 最好结合testdrop检验，检验剔除自变量是否对模 型不利。
农业化肥施用量（X1）；粮食播种面积(X2)
成灾面积(X3);
农业机械总动力(X4);
农业劳动力(X5)
已知中国粮食生产的相关数据（case12)，建立 中国粮食生产函数：
Y=0+1 X1 +2 X2 +3 X3 +4 X4 +4 X5 +
1、用OLS法估计上述模型：
Yˆ 12816.44 6.213X1 0.421X 2 0.166X3 0.098X 4 0.028X5
(-0.91) (8.39) (3.32) (-2.81) (-1.45) (-0.14)
R2接近于1； 给定=5%，得F临界值 F0.05(5,12)=3.11
F=638.4 > 15.19， 故认上述粮食生产的总体线性关系显著成立。
但X4 、X5 的参数未通过t检验，且符号不正确， 故解释变量间可能存在多重共线性。
作为自变量建立多元线性回归模型所得的决
定系数，也即xj与其余p-1个自变量间的复相 关系数。
❖ 当存在某变量的VIF，大于10时就可认为自变 量间有比较严重的共线性。还可以用所有p个 自变量所对应的方差扩大因子的平均数，如 远大于10时，表示自变量间存在严重的共线 性。
❖ EViews不能直接计算自变量的方差扩大因子， 需根据前述公式计算得到
❖ 选择Equation工具栏中的View\Stability Test\Ramsey RESET Test功能。
例7
❖ 本实验采用的数据是美国25家主要金属行业 的产出Y、资本投入K以及劳动投入L。 （table3-2.wf1）。有人认为估计模型为 LnY=LnA+aLnK+bLnL，利用Ramsey RESET检验来判断模型是否存在模型设定误 差。检验的原假设是：模型不存在设定误差。
回归，然后利用两个子样的残差均方差之比
构造统计量进行异方差检验。这个统计量服
从F分布。
操作
❖ ① 的将大样小本顺容序量排为列。n的样本观察值（Xi,Yi),按解释变量观察值Xi ❖ 操作：SORT X
❖ ②将序列中间的C=n/4个观察值除去，并将剩下的观察值划 分为大小相同的两个子样。每个子样的容量均为（n-c)/2。
第二节 多重共线性的诊断与对策
❖ 一般地，如果模型的F很大， F检验通过，但 有些系数不能通过t检验，或模型的自变量之 间简单相关系数很高，或回归系数的符号与 简单相关系数的符号相反，都有理由怀疑存 在多重共线性。
❖ 另外，方差扩大因子法也是诊断多重共线性 的常用手段。
❖
其中
R
2 j
是把xj作为因变量，其余p-1个自变量
模型设定误差的检验
❖ （1） 模型是否包含无关解释变量的检验 ❖ 对模型中是否包含无关解释变量的检验，就
是对模型解释变量的参数是否为0的检验 ❖ （2）模型遗漏重要解释变量和采用错误函数
形式的检验 ❖ 1）残差图示法检验 ❖ 2）一般性设定偏误检验：拉姆齐（Ramsey）
的RESET检验
❖ 拉姆齐的RESET检验的EViews实现：
3、找出最简单的回归形式
分别作Y与X1，X2，X4，X5间的回归：
Yˆ 30867 .64 4.576 X1
(25.58) (11.49)
R2=0.8919 F=132.1 DW=1.56
Yˆ 33821 .18 0.699 X 2
(-0.49) (1.14) R2=0.075 F=1.30 DW=0.12
❖ ⑤构建F统计量：
F
(n
2
c
k
1)
~
F(n
c
k
1,
n
c
k
1)
e12
2
2
(n c k 1)
2
操作：用计算器功能将直接读出的残差平均和相比
❖ ⑥检验并决策：根据给定的α值，查F分布表 得临界值
❖ 当F>Fα时，认为序列存在异方差
❖ 例：caБайду номын сангаасe 15
❖ G-Q检验的适用条件：大样本 ❖ G-Q检验的基础：F统计量 ❖ G-Q检验的结果：判断有无异方差
点图） ❖ 或者： ❖ 在eviews中，建立回归模型之后，在方程窗口中点
击Resids按钮可以得到模型的残差分布图。
例
❖ case15
正式方法
❖ 帕克检验 ❖ 格里奇检验 ❖ G-Q检验 ❖ White检验 ❖ ARCH检验
帕克检验（Park test)
❖ 帕克的基本思想是：利用残差平方和序列e2， 求Lne2对Lnxi 的回归方程，最后对回归方程 作显著性、拟合优度判断，以确定异方差是 否存在。
2、检验简单相关系数
❖ （1）相关系数检验。在命令窗口输入： COR X1 X2 X3 X4 X5，或者在变量组窗口， 点击VIEW-CORRELATION
2、检验简单相关系数
列出X1，X2，X3，X4，X5的相关系数矩阵：
X1
X2
X3
X4
X5
X1 1.00
0.01 0.64 0.96 0.55
X2 0.01
1.00 -0.45 -0.04 0.18
X3 0.64 -0.45 1.00 0.69 0.36
X4 0.96 -0.04 0.69 1.00 0.45
X5 0.55
0.18 0.36 0.45 1.00
❖ 发现： X1与X4间存在高度相关性。
❖ （2）方差膨胀因子检验。
❖ 先建立每个解释变量对其余解释变量的辅助 回归模型。EVIEWS可以调用已建方程的回 归系数。
❖ 此时可以选择在辅助回归模型中是否包含交 叉乘积项(cross terms)。输出结果中obs * Rsquared即White检验统计量，由其双侧概率 可以判断是否拒绝无异方差性的原假设。
❖ 例：case 15
❖ 例：case2是1950-1987年间美国机动汽油消 费量和影响消费量的变量数值。其中各变量 表示：QMG-机动车汽油消费量；MOB-汽车 保有量；PMG-机动汽油零售价格；POP-人 口数；GNP-按照1982年美元计算的GNP； 以汽油消费量为因变量，其它变量为自变量， 建立一个回归模型。并对美国机动车汽油消 费量研究模型进行异方差检验。
❖ 2.计算统计量nR2，其中n为样本容量，R2为辅助回 归函数中的未调整的决定系数。
❖ 3.查卡方分布表，在给定显著性水平下，判断是否 存在异方差性。（原假设：不存在异方差）
❖ 利用EViews软件可以直接进行White检验。
❖ (1)建立回归模型: LS y c x1 x2
❖ (2)检验异方差性:在方程窗口中依次点击 View\Residual Test\White Heteroskedasticity
如果有多个解释变量，则对每个解释变量都做形如以上的回归。 或者作e2对Y的估计值的回归。
③观察R2、t、F检验，确定原始序列是否有异方差
❖ 帕克检验的适用条件：可以是小样本 ❖ 帕克检验的结果：判断有无异方差
格里瑟检验（Glejser)
❖ 格里瑟检验的基本思想：
❖ 利用残差绝对值∣ei∣序列对Xi进行回归， 由回归的显著性、拟合优度判断异方差是否
❖ ③对每个子样分别求回归方程，并计算各自的残差平方和。 子 表样示1。的残差平方和用Σe12表示，子样2的残差平方和用Σe22
❖ 操作：用SMPL定义子样区间，用LS作回归（两次）
❖ ④提出假设：H0: σ12=σ22, H1: σ12≠σ22 ❖ σ12、σ22是分别对应两个子样的随机项方差
e22
平方与X的散点图，对异方差是否存在及其类 型作直观的近似的判断
❖ 异方差的类型大致可分为递增异方差、递减 异方差和复杂异方差三种
图形检验
EViews操作
❖ Ls y c x ❖ Genr e1=resid ❖ Genr e2=e1^2 ❖ Scat e2 x (如果解释变量比较多，则作e2与y的散
帕克检验步骤
①用原始样本数据估计模型，求出残差序列,并生成 对数序列
操作： ①LS Y C X
②GENR E1=RESID
③GENR E2=E1^2 ④GENR LNE2=LOG(E2)
②求X序列的对数序列,并用残差的对数序列对X的对 数序列作回归分析
操作： ①GENR X1=LOG(X) ②LS LNE2 C X1
❖ 调用的格式是：equation_name.@contents， 其中前面是已建方程的名称，contents包括 已建方程中的系数和统计量，常用的有 coef(n), 表示系数向量矩阵的第n个元素，R2 是拟合优度等。这样调用可以重新输入带来 的一些不必要的麻烦。
❖ 计算X1的VIF值。首先建立一个方程，不妨 命名为eqx1。它是以x1为因变量，其余变量
White检验
❖ White检验是通过建立辅助回归模型的方式来 判断异方差性，它不需要关于异方差的任何 先验知识，只要求在大样本的情况下即可。
❖ White检验的具体步骤如下: ❖ 1.用OLS法估计模型，并计算出相应的残差平方，
作辅助回归模型:
et2 a0 a1x1t a2 x2t a3 x12t a4 x22t a5 x1t x2t vt
存在。
ei b1 b2 X i vi
ei b1 b2 X i vi
ei
b1 b2
1 Xi
vi
❖ ①用原始样本数据估计模型，求出残差序列
❖ 操作：①LS Y C X
❖
②GENR E1=RESID
❖
③GENR E2=ABS(E1)
❖ ②用残差绝对值序列与Xih序列进行回归分析 ❖ Xih 中的h通常需要选择多种数值进行试算 ❖ 操作：①GENR XH=X^H(H先赋值）
❖
②LS E2 C XH
❖ ③经过R2、t、F检验，确定最合适的回归形 式
❖ 与帕克检验一样，误差项本身可能存在异方 差。
❖ 然而，对于大样本，上述模型能够很好地检 测异方差问题。因此格里奇检验可用作大样 本的检测工具。
G-Q检验(戈德菲尔德—匡特 检验)
❖ 先将样本一分为二，对子样1和子样2分别作
Yˆ 31919 .0 0.380 X 4
(17.45) (6.68) R2=0.7527 F=48.7 DW=1.11
Yˆ 28259.19 2.240X5
(-1.04) (2.66) R2=0.3064 F=7.07 DW=0.36
❖ 可见，应选第1个式子为初始的回归模型。
4、逐步回归
将其他解释变量分别导入上述初始回归模型，寻 找最佳回归方程。
第三节 异方差的检验与修正
❖ 检验的非正式方法 ❖ 检验的正式方法 ❖ 异方差的修正
非正式方法
❖ 1．根据问题的性质
❖ 在涉及不均匀单位的横截面数据中，异方差 可能是常有的情况。
❖ 2．残差的图形检验 ❖ 利用因变量Y与解释变量X的散点图或者残差
❖ 差分法。将原模型变形，在建模过程中在方程定义 栏中输入 y-y(-1) x1-x1(-1) … xp-xp(-1) . 差分常常 会丢失一些信息，使用时应慎重。
❖ 增加样本容量。 ❖ 利用先验信息改变参数的约束形式 ❖ 变换模型的形式 ❖ 逐步回归法 ❖ 主成分回归
案例——中国粮食生产函数
根据理论和经验分析，影响粮食生产（Y）的 主要因素有：
第三章 经典单方程计量经济学 模型：放宽基本假定的模型
❖ 第一节 ❖ 第二节 ❖ 第三节 ❖ 第四节 ❖ 第五节
误设定的诊断与处理 多重共线性的诊断与对策 异方差的诊断与处理 自相关的诊断与处理 随机解释变量问题（工具变量法）
第一节 误设定
❖ 模型设定误差的类型一般有： ❖ 遗漏了重要的解释变量； ❖ 模型包含无关的解释变量； ❖ 采用了不正确的函数形式。
为自变量建立的方程，然后在主窗口命令行 输入 scalar vifx1=1/(1-eqx1.@R2), 该命令 的意思是建立一个取值为上式的标量vifx1， 其中R2是R2.执行后主窗口的左下角状态栏上 会出现：“vifx1 successfully created”的字样， 同时工作表中产生一个叫做vifx1的新变量。 可以查看其值，大于10，就是存在多重共线 性。
❖ 一般情况下并不需要对共线性进行特别的检 验，但如果回归方程的可决系数很高，或F值 很大，而系数的标准差较大（t值很小），则 说明解释变量间存在较严重的多重共线性。
❖ 当自变量出现共线性时，应设法消除其影响，一方 面从收集数据，增大样本容量考虑，一方面改变模 型形式。
❖ 常用的方法有:
❖ 剔除法。设法找到引起共线性的变量并给予剔除。 这涉及到剔除的准则问题，通常可选择VIF值最大 或未通过系数显著性检验的变量进行剔除，剔除时 最好结合testdrop检验，检验剔除自变量是否对模 型不利。
农业化肥施用量（X1）；粮食播种面积(X2)
成灾面积(X3);
农业机械总动力(X4);
农业劳动力(X5)
已知中国粮食生产的相关数据（case12)，建立 中国粮食生产函数：
Y=0+1 X1 +2 X2 +3 X3 +4 X4 +4 X5 +
1、用OLS法估计上述模型：
Yˆ 12816.44 6.213X1 0.421X 2 0.166X3 0.098X 4 0.028X5
(-0.91) (8.39) (3.32) (-2.81) (-1.45) (-0.14)
R2接近于1； 给定=5%，得F临界值 F0.05(5,12)=3.11
F=638.4 > 15.19， 故认上述粮食生产的总体线性关系显著成立。
但X4 、X5 的参数未通过t检验，且符号不正确， 故解释变量间可能存在多重共线性。
作为自变量建立多元线性回归模型所得的决
定系数，也即xj与其余p-1个自变量间的复相 关系数。
❖ 当存在某变量的VIF，大于10时就可认为自变 量间有比较严重的共线性。还可以用所有p个 自变量所对应的方差扩大因子的平均数，如 远大于10时，表示自变量间存在严重的共线 性。
❖ EViews不能直接计算自变量的方差扩大因子， 需根据前述公式计算得到
❖ 选择Equation工具栏中的View\Stability Test\Ramsey RESET Test功能。
例7
❖ 本实验采用的数据是美国25家主要金属行业 的产出Y、资本投入K以及劳动投入L。 （table3-2.wf1）。有人认为估计模型为 LnY=LnA+aLnK+bLnL，利用Ramsey RESET检验来判断模型是否存在模型设定误 差。检验的原假设是：模型不存在设定误差。
回归，然后利用两个子样的残差均方差之比
构造统计量进行异方差检验。这个统计量服
从F分布。
操作
❖ ① 的将大样小本顺容序量排为列。n的样本观察值（Xi,Yi),按解释变量观察值Xi ❖ 操作：SORT X
❖ ②将序列中间的C=n/4个观察值除去，并将剩下的观察值划 分为大小相同的两个子样。每个子样的容量均为（n-c)/2。
第二节 多重共线性的诊断与对策
❖ 一般地，如果模型的F很大， F检验通过，但 有些系数不能通过t检验，或模型的自变量之 间简单相关系数很高，或回归系数的符号与 简单相关系数的符号相反，都有理由怀疑存 在多重共线性。
❖ 另外，方差扩大因子法也是诊断多重共线性 的常用手段。
❖
其中
R
2 j
是把xj作为因变量，其余p-1个自变量
模型设定误差的检验
❖ （1） 模型是否包含无关解释变量的检验 ❖ 对模型中是否包含无关解释变量的检验，就
是对模型解释变量的参数是否为0的检验 ❖ （2）模型遗漏重要解释变量和采用错误函数
形式的检验 ❖ 1）残差图示法检验 ❖ 2）一般性设定偏误检验：拉姆齐（Ramsey）
的RESET检验
❖ 拉姆齐的RESET检验的EViews实现：
3、找出最简单的回归形式
分别作Y与X1，X2，X4，X5间的回归：
Yˆ 30867 .64 4.576 X1
(25.58) (11.49)
R2=0.8919 F=132.1 DW=1.56
Yˆ 33821 .18 0.699 X 2
(-0.49) (1.14) R2=0.075 F=1.30 DW=0.12