知識回顧（Knowledge review）
第二章 模型的估計與結果：https://blog.csdn.net/ChenQihome9/article/details/82818974
第一節 檢驗的步驟和過程
估計的模型要符合計量經濟學的前提假設，如果違反了經典假設，那麼會導致參數估計值不具有最小方差，即喪失有效性；如果違反正態性的假設，就會導致t統計量不服從於t分佈，則t檢驗失效。爲了解決這些問題，我們就得對模型的迴歸結果進行檢驗分析。對模型的檢驗包括正態性檢驗、多重共性檢驗、自相關檢驗和異方差檢驗。在Equation方程窗口中（Equation爲之前保存的迴歸結果方程式），點擊View，再點擊Residual Diagnostics。相關的操作和表中的英文術語解釋如下：
|
Correlogram-Q-Statistics |
各期殘差的相關性分析 |
|
Correlogram Squared Residuals |
各期殘差平方的相關性分析 |
|
Histogram-Normality |
殘差的正態性檢驗 |
|
Serial Correlation LM Test... |
序列自相關的LM檢驗 |
|
Heteroskedasticity Tests... |
異方差檢驗 |
一、正態性檢驗
1. 首先做正態性檢驗：點擊View，再點擊Residual Diagnostics。選擇Histogram-Normality。
2. 分析結論：如圖0302，看圖的右側的指標，將Jarque-Bera項的相伴概率Probability和顯著性水平0.05進行比較，如果大於0.05則表明隨機擾動項服從正態分佈的原假設成立，否則表明正態分佈的假設不成立。而圖中的結果是0.001307，小於0.05，結論是隨機擾動項不服從正態分佈。
二、自相關性檢驗
1. 其次做自相關性檢驗：點擊View，再點擊Residual Diagnostics。選擇Serial Correlation LM Test...，隨後出現自相關的滯後期窗口，裏面需要輸入的數字是你需要做幾階的自相關檢驗。
2. 分析結論：緊接着查看Obs*R-squared後面的對應的相伴概率即Prob. Chi-Square(2)的值，此時做的是二階自相關的檢驗，現在的結果是0.0000，小於0.05，因此存在二階自相關。同理操作後也知道存在一階自相關。
三、異方差檢驗
1. 接着做異方差檢驗：點擊View，再點擊Residual Diagnostics。選擇Heteroskedasticity Tests...
|
Breusch-Pagan-Godfrey |
布勞什-帕甘-戈弗雷檢驗，BPG檢驗 |
|
Harvey |
哈維檢驗 |
|
Glejser |
戈裏瑟檢驗 |
|
ARCH |
自迴歸條件異方差檢驗 |
|
White |
懷特檢驗 |
|
Custom Test Wizard |
定製導向檢驗 |
2. 選擇White檢驗，在include White cross terms前面勾選後，表示進行包含交叉項的White異方差檢驗。不勾選的表示不帶交叉項的White 異方差檢驗。分析結論：將Obs*R-squared項後面的相伴概率與顯著性水平0.05進行比較分析；如果大於0.05，則表明接受正態分佈的假設，反之則存在異方差。如圖0304，現在得到的三項的檢驗結果都是0.0000，均小於0.05，表明存在異方差。
知識拓展（Knowledge development）
第三章 模型的檢驗（二）：https://blog.csdn.net/ChenQihome9/article/details/82919754