⑴ 計量經濟學！在做時間序列做分析時，其中兩個序列是一階單整，另一個是二階單整，接下來怎麼才能做協整分
只有同階單整的時間序列數據才可做協整分析
⑵ 計量經濟學中，一階序列相關的系數如果為正是不是意味著回歸模型的殘差會越來越大
t-Statistic和Prob.是用來說明回歸系數的統計量，分別稱為t統計量和P值，用來說明回歸系數的顯著內性。前容者>2為顯著，否則不顯著；後者2、Prob(F-statistic)<0.05為顯著，否則模型整體不顯著，模型無意義。你的這個檢驗表明模型整體是顯著的。其他的統計量普通的線性回歸不用做解釋，如果想要具體理解的話，建議去看一本關於EVIEWS的教材，有很多。當然，如果是想做深入研究，需要的遠非統計軟體的機械的操作方法，計量經濟學的原理是很重要的，只有多讀一些相關教材、資料，懂得原理後進行軟體操作是很簡單的事。
⑶ 計量經濟學中用一階差分法消除多重共線性，原回歸模型中的截距項丟失，如何才能計算出來呢
如果多重共線性不嚴重，就不要試圖消除，因為共線性是普遍存在的。
還有一種方法是利版用多個變數組合成權一個變數來消除多重共線性。
如果說上述方程在做差分後沒有截距項了，可能是因為此方程就是描述一個增長速率的關系，所以沒有了也屬正常
⑷ 計量經濟學eviews做一階自相關檢驗的時候存在一階自相關。要怎麼修正
廣義最小二乘進行修正
⑸ 什麼是一階差分什麼是一階差分我數學不好,懂的人幫幫啊!在計量經濟學中看到的這個名詞.
與連續函數的微分相似，是離散函數的相臨兩項的差
⑹ 計量經濟學中ols一階擬合完以後殘差不為正態分布
OLS法的使用前提之一是隨機誤差服從正態分布（即高斯分布）。但是，現實是復雜的，幾乎不可能完全符合假設。那麼，一個好的估計量應該對稍微偏離假設的情況有一定的免疫力。遺憾的是，OLS不具備這一特點。比如，當隨機誤差是非正態分布—尤其是長尾分布時，OLS估計量會對哪怕少數幾個離群點（即異常數據）極度地敏感。也就是說少數幾個離群點就會對擬合結果產生破壞性的影響，使OLS估計量成為很差的估計量。事實上，許多學者指出，長尾分布的隨機誤差比正態分布的隨機誤差更為常見。這種情況下，必須放棄OLS，尋求其它有效的估計方法。
穩健回歸正是對這個問題進行補救措施。所謂穩健，就是指能夠抵禦異常數據對回歸分析的不良影響。如果能夠抵禦，我們就可以說這種估計方法是穩健的。反之，如果不能抵禦異常數據對回歸分析的破壞，我們就可以說這種估計方法是不穩健。因為在回歸分析中，異常數據主要表現的離群點。所以，簡言之，穩健回歸就是指能夠檢測離群點、並且在離群點存在的情況下能夠提供可靠估計的一種回歸方法。
簡言之，殘差不服從正態分布時，應該使用穩健回歸。穩健回歸有多種方法，最常用的是M估計量，可以用R軟體實現。在R中，Huber回歸通過Venables和Ripley (2002)開發的MASS程序包中的rlm()命令來實現。
（統計人劉得意原創，請勿復制轉發）
⑺ 求問，計量經濟學，結構方程識別的階條件。如圖，誰能給我舉例說一下K、M、G分別代表什麼
K是模型抄中所有變數的個數，Mi是第i個方程中變數的個數，G是方程中內生變數的個數；
所謂識別，是指是否能在系統中找到足夠的工具變數以解決方程中內生變數的內生性問題（因為高斯馬爾科夫假設需要E(epsilon|X)=0，也即嚴格外生性）
考慮第i個方程，
如果一個變數在這個方程中出現，那麼該變數顯然不能作為工具變數，也就是系統中一共有K各變數，第i個方程中用掉了Mi個變數，剩下K-Mi個變數可以作為工具變數，替換模型中的G-1個內生解釋變數(有1個內生變數是被解釋變數)，
那麼如果工具變數個數K-Mi>G-1，那麼過度識別；
如果工具變數個數K-Mi=G-1，那麼恰好識別；
如果工具變數個數K-Mi<G-1，那麼不能識別，也就是找不到足夠的工具變數以解決內生解釋變數引起的內生性問題。