三、缺省方程 我们可以包方程的结果储存起来以便在以后的大量计算中使用。未命名方程不能储存在工作文档中。你可以使用方程工具栏中的Name钮来命名方程。工作文档被存储时，方程也会被存储。

四、方程的残差 缺省方程的残差存储于RESID的序列对象中。RESID可以象普通序列一样直接使用。

五、回归统计量 你可以通过@函数指向前面描述的各种回归统计量。 六、存储和获取一个方程 方程可以和其他对象一起以数据或数据库文件形式存放在磁盘中。你也可以从这些文件中取出方程。方程也可以从文档或数据库中拷贝粘贴出来或拷贝粘贴到数据库或文档中。

七、使用系数的估计值 方程系数列在说明窗口中。缺省时, EViews 会使用系数变量C。

§11.6 估计中存在的问题

多重共线性 如果自变量具有高度共线性，EViews 在计算回归估计时会遇到困难。在完全共线的情况下，回归变量矩阵X不是列满秩的，EViews会产生一个显示“奇异矩阵”的错误信息对话框。

第十二章 其他回归方法

本章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计和广义矩估计（GMM）。这里的大多数方法在第十八章的方程系统中也适用。

§12.1 加权最小二乘估计

假设有已知形式的异方差性，并且有序列W，其值与误差标准差的倒数成比例。这时可以采用权数序列为W的加权最小二乘估计来修正异方差性。加权最小二乘估计量为：

要 使用加权最小二乘法估计方程，首先到主菜单中选Quick/Estimate Equation?,然后选择LS-Least Squares(NLS and ARMA), 然后按Options钮。接着，单击Weighted LS/TSLS选项在Weighted 项后填写权数序列名，单击OK, 再选OK 接受对话框并估计方程。

§12.2 异方差性和自相关一致协方差（HAC）

当 异方差性形式未知时，使用加权最小二乘法不能得到参数的有效估计。使用White异方差一致协方差或Newey-West HAC一致协方差估计不会改变参数的点估计，只改变参数的估计标准差。可以把加权最小二乘估计与White 或Newey-West协方差矩阵估计相结合来计算异方差和序列相关。

一、异方差一致协方差估计（White）

White协方差矩阵假设被估计方程的残差是序列不相关的。

EViews 在标准OLS公式中提供White协方差估计选项。打开方程对话框，说明方程，然后按Options钮。接着，单击异方差一致协方差

(Heteroskedasticity Consistent Covariance),选择White 钮，接受选项估计方程。

在输出结果中，EViews会包含一行文字说明使用了White估计量。 二、HAC一致协方差（Newey-West）

Newey和West (1987) 提出了一个更一般的估计量，在有未知形式的异方差和自相关存在时仍保持一致。Newey-West估计量为：

其中

要使用Newey-West 方法，在估计对话框中按Options钮。在异方差一致协方差项中选Newey-West钮。

§12.3 二阶段最小二乘估计 一、EViews中进行TSLS估计

二 阶段最小二乘（TSLS）是工具变量回归的特例。在二阶段最小二乘估计中有两个独立的阶段。在第一个阶段中，TSLS找到可用于工具变量的内生和外生变 量。这个阶段包括估计模型中每个变量关于工具变量的最小二乘回归。第二个阶段是对原始方程的回归，所有变量用第一个阶段回归得到的拟合值来代替。这个回归 的系数就是TSLS估计。两阶段最小二乘估计的系数由下式计算出来：

要使用两阶段最小二乘估计，打开方程说明对话框，选择Object/New Object/Equation?或Quick/Estimate Equation?然后选择Method中的TSLS估计。

二、加权TSLS

三、有AR误差项的TSLS a) 一阶AR误差 b) 高阶AR误差

c) 带有MA误差的TSLS估计 §12.4 非线性最小二乘估计 假设回归方程为：

其中f是解释变量 和参数β的非线性函数。

对于任何系数非线性的方程EViews自动应用非线性最小二乘估计。只要选择Object/New Object/Equation, 然后输入方程并单击OK。EViews会使用迭代算法估计模型。

迭 代估计要求模型系数有初始值。选择参数初始值没有通用的法则。越接近于真值越好。在你开始迭代估计时，EViews使用系数向量中的值。很容易检查并改变 系数的初始值。要察看初始值，双击系数向量。如果想改变初始值，首先确定系数表使处于编辑状态，然后输入系数值。也可以从命令窗口使用PARAM命令设定 初始系数值。只需输入关键词PARAM，然后是每个系数和想要的初值：

param c(1) 153 c(2) .68 c(3) .15 §12.5 广义矩方法（GMM）

GMM估计的初始值是参数应满足的一种理论关系。其思想是选择参数估计尽可能接近理论上关系。把理论关系用样本近似值代替；并且估计量的选择就是要最小化理论值和实际值之间加权距离。参数要满足的理论关系通常是参数函数 与工具变量 之间的正则条件：

θ是被估计参数

GMM估计量选择参数估计的标准是使工具变量与函数f之间的样本相关性越接近于0越好。用函数表示为：

其中 ,A是加权矩阵；任何对阵正定阵A都是θ的一致估计。

要用GMM法估计方程，或者用Object/New Object/Equation创建新方程，或者在已有的方程基础上选Estimate钮。从说明对话框中选择估计方法：GMM。要得到GMM估计，应该写出矩条件作为参数表达式和工具变量之间的正交条件。

第十三章 时间序列回归

本章讨论含有ARMA项的单方程回归方法，这种方法对于分析时间序列数据（检验序列相关性，估计ARMA模型，使用分布多重滞后，非平稳时间序列的单位根检验）是很重要的。

§13.1序列相关理论

时间序列回归中的一个普遍现象是：残差和它自己的滞后值有关。这种相关性违背了回归理论的标准假设：干扰项互不相关。与序列相关相联系的主要问题有：

一、一阶自回归模型

最简单且最常用的序列相关模型是一阶自回归AR(1)模型 定义如下：

参数 是一阶序列相关系数，实际上，AR(1)模型是将以前观测值的残差包含到现观测值的回归模型中。

二、高阶自回归模型：

更为一般，带有p阶自回归的回归，AR(p)误差由下式给出：

AR(p)的自回归将渐渐衰减至零，同时高于p阶的偏自相关也是零。

§13.2 检验序列相关

在使用估计方程进行统计推断（如假设检验和预测）之前，一般应检验残差（序列相关的证据），Eviews提供了几种方法来检验当前序列相关。