从头再学Eviews——一元回归模型

2543139

开篇申明：
( W) ?# B8 E, [2 ~5 g     笔者以前曾经因为数模用过Eviews，但大家都懂，数模更多的是要你在短时间内立即掌握和运用一门知识，所以笔者从来没有机会系统的、全面的学习使用Eviews。这次，笔者从图书馆借了一本书准备从头开始再学习使用Eviews，因而内容中如果有什么偏差，希望各位读者能够指正道明，我是以学习的心态来公开我的学习笔记的！
" z' u( r$ a* {4 a# p5 v  一元线性回归模型

! J, B7 }: A$ _3 j5 e

这个检验里最能说明残差是否服从正态分布的是Jarque-Bera，一般是要它的伴随概率大于0.05就可以了，另外我们也可以顺带看一看正态检验中偏度和峰度的值，也可以说明一些问题。

五、一些思考

1.扰动项和残差究竟是有什么具体的区别和联系？

答：这个问题是我在看书时，发现我们的书上所做的古典假定全部是针对于随机扰动项进行的假定，但是我们再回归后的检验却又全部针对的残差进行处理。查阅了一些网络上的资料发现两者之间是不同的，随机扰动项包含了可能会影响回归而我们又没有纳入回归模型的因素，残差就很简单了。但是问了一些其他人，他们说在Eviews中就可以直接把两者“等同”起来，那些理论的解释，我也没有看懂，所以大家可以自己再去搜索下资料。

2.回归后的检验到底要做些什么检验？

答：关于这一点，其实也是一直困惑我的。因为根据我们古典的假定，那么我们要做的检验是应该首先要保证我们这个回归的结果、过程是满足我们的前提假定，可是书上的回归后的检验就只是做了残差的正态检验。即使我们是把残差和随机扰动项等同起来，那么也得做个自回归吧，还是得保证残差和解释变量之间没有相关吧，可是书上没做，所以也不知道了！

% n& ]4 G& a' t  |/ v9 m