§15.3 估计AR模型在使用本章描述的工具之前，可以首先检验模型其他方面的错误。误差存在序列相关是模型定义存在的严重问题。特别地，应注意使用OLS得出的过分限制的定义。有时，在回归方程中添加不应被排除的变量会消除序列相关。§15.3.1 一阶序列相关在EViews中估计一个AR(1)模型，选择Quick/Estimate Equation打开一个方程，用列表法输入方程后，最后将AR(1)项加到列表中。例如：估计一个带有AR(1)误差的简单消费函数cst?c1?c2GDPt?c3cst?1?ut应定义方程为：cs c gdpcs(-1) ar(1)。例子：工作文件15_1\\eq_cs_ar1ut??ut?1??tcst= -22.35 + 0.0924 * GDPt+ 0.874 * cst-1ut = 0.2789 * ut-113§15.3.2 高阶序列相关估计高阶AR模型稍稍复杂些，为估计AR(k)，应输入模型的定义和所包括的各阶AR值。如果想估计一个有1-5阶自回归的模型cst?c1?c2GDPt?c3cst?1?utut??1ut?1????5ut?5??t应输入：cscgdpcs(-1)ar(1)ar(2)ar(3)ar(4)ar(5)例子：工作文件15_1\\eq_cs_ar5可以输入在模型中想包括的各个自回归，EViews在消除序列相关时给予很大灵活性。例如，如果有季度数据而且想用一个单项来说明季节自回归，可以输入：cscgdpcs(-1)ar(4)。14§15.3.3 存在序列相关的非线性模型EViews可以估计带有AR误差项的非线性回归模型。例如：估计如下的带有附加AR(2)误差的非线性方程CSt?c1?GDPt?utc2ut?c3ut?1?c4ut?2??t使用EViews表达式定义模型，在后面的方括号内描述AR修正项，对每一阶AR滞后项都应包括一个系数，每项之间用逗号隔开。cs=c(1)+gdp∧c(2)+[ar(1)=c(3),ar(2)=c(4)]EViews通过差分来转换这种非线性模型且使用Gauss-Newton迭代法来估计转换后的非线性模型。15§15.3.4 存在序列相关的二阶段回归模型通过把二阶段最小二乘法或二阶段非线性最小二乘法和AR项结合起来，对于在回归因子和扰动项存在相关性的情况和残差存在序列相关一样估计模型。如果原始回归模型是线性的，EViews使用marquardt算法来估计变形后模型的参数。如果原始回归模型是非线性的，EViews使用Gauss-Newton算法来估计AR修正后的模型。对于存在序列相关的情况，可以通过向方程添加AR项来调整TSLS。EViews会自动将模型转化为非线性最小二乘问题，并用工具变量估计模型。估计对话框中的Options 钮用来改变非线性工具变量过程的迭代次数限制和收敛标准。16