1 与时间序列相关的 STATA 命令及其统计量的解析 残差 U 序列相关： ①DW 统计量——针对一阶自相关的（高阶无效） STATA 命令： 1.先回归 2.直接输入 dwstat 统计量如何看：查表 ② Q 统计量——针对高阶自相关 correlogram-Q-statistics STATA 命令： 1． 先回归 reg 2． 取出残差 predict u,residual(不要忘记逗号) 3． wntestq u Q 统计量如何看：p 值越小（越接近 0）Q 值越大 ——表示存在自相关 具体自相关的阶数可以看自相关系数图和偏相关系数图： STATA 命令： 自相关系数图: ac u( 残差) 或者窗口操作在 Graphics ——Time-series graphs —— correlogram(ac) 偏相关系数图: pac u 或者窗口操作在 Graphics——Time-series graphs—— (pac) 自相关与偏相关系数以及 Q 统计量同时表示出来的方法： corrgram u 或者是窗口操作在 Statistics——Time-series——Graphs—— Autocorrelations&Partial autocorrelations ③ LM 统计量——针对高阶自相关 STATA 命令： 1． 先回归 reg 2． 直接输入命令 estate bgodfrey,lags(n) 或者窗口操作 在 Statistics— —Postestimation(倒数第二个)——Reports and Statistics(倒数第二个) ——在里面选择 Breush-Godfrey LM（当然你在里面还可以找到方差膨胀因子还有 DW 统计量等常规统计量） LM 统计量如何看： P 值越小（越接近 0）表示越显著（显著拒绝原假设），存在序列相关 具体是几阶序列相关，你可以把滞后期写为几，当然默认是 1，（通常的方法是先看图，上面说的自相关和偏相关图以及 Q 值，然后再利用 LM 肯定）。 平稳时间序列存在自相关的问题的解决方案 残差出现序列相关的补救措施： 1、一阶自相关 : 最近简单的方法是用 AR(1)模型补救，就是在加一个残差的滞后项即可。 2、高阶的自相关: 用 AR(n)模型补救。 2 AR 模型的识别与最高阶数的确定： 可通过自相关系数来获得一些有关 AR(p) 模型的信息，如低阶 AR(p) 模型系数符号的信息。但是，对于自回归过程AR(p)，自相关系数并不能帮助我们确定 AR(p) 模型的阶数 p。所以，可以考虑使用偏自相关系数k,k，以便更加全面的描述自相关过程AR(p)的统计特征。 且对于一个AR(p) 模型，k,k 的最高阶数为p，也即AR(p) 模型的偏自相关系数是 p 阶截尾的。因此，可以通过识别AR(p)模型的偏自相关系数的个...
