A. 計量經濟學相關系數矩陣怎麼用eviews做
不太懂你的問題，通常變數相關性檢驗最直觀的就是做相關系數矩陣，矩陣會做么？相關系數在-1到1之間，絕對值越大說明兩個變數越相關，正的就是正相關，負的就是負相關，0就是不相關。一般來說相關性越大，才有做模型的價值，如果相關性太小，那麼做出的模型系數就會很小，R方也會比較小，建議剔除該變數。
B. 計量經濟學中的相關系數與模型參數表示的意義一樣嗎
一般EVIEWS會給你系數的F值和概率值，然後你可以取不同的可信水平下進行檢查是否通過檢查，一般用1，5，10作為檢驗水平
C. 計量經濟學自相關系數，協方差系數的計算公式是什麼
可決系抄數和相關系數的聯系和區別：
a.
相關系數是建立在相關分析基礎上的，研究的是隨機變數之間的關系；可決系數則是建立在回歸分析基礎上，研究的是非隨機變數x對隨機變數y的解釋程度。
b.
在取值上，可決系數是樣本相關系數的平方。
c.
樣本相關系數是由隨機的x和y抽樣計算得到，因而相關關系是否顯著，還需進行檢驗。
D. 計量經濟學中 線性回歸的無偏性 和 多元相關系數 是什麼意思
線性回歸的無偏性: 英文中簡稱BLUE, best linear unbiased estimate.
（1）線性，即這個估計量是隨機變數。
（2）無偏性，即這個估計量的均值或者期望值E（a）等於真實值a。
（3）具有有效估計值，即這個估計量在所有這樣的線性無偏估計量一類中有最小方差。
ps: 其中(2)稍微給你解釋下, 就是, 如果有y= a0+a1*x1+u , 那麼unbiased代表E(a0)=a0, E(a1)=a1
多元相關系數: 其實你應該找的是"相關系數", 英文Correlation coefficient.
相關表和相關圖可反映兩個變數之間的相互關系及其相關方向，但無法確切地表明兩個變數之間相關的程度。
著名統計學家卡爾·皮爾遜設計了統計指標——相關系數。相關系數是用以反映變數之間相關關系密切程度的統計指標。相關系數是按積差方法計算，同樣以兩變數與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變數之間相關程度；著重研究線性的單相關系數。
依據相關現象之間的不同特徵，其統計指標的名稱有所不同。如將反映兩變數間線性相關關系的統計指標稱為相關系數（相關系數的平方稱為判定系數）；將反映兩變數間曲線相關關系的統計指標稱為非線性相關系數、非線性判定系數；將反映多元線性相關關系的統計指標稱為復相關系數、復判定系數等
E. 計量經濟學可決系數和相關系數的區別是什麼
可決系數和相關系數的聯系和區別：
A.
相關系數是建立在相關分析基礎上的，研究的是隨機變數之間的關系；可決系數則是建立在回歸分析基礎上，研究的是非隨機變數X對隨機變數Y的解釋程度。
B.
在取值上，可決系數是樣本相關系數的平方。
C.
樣本相關系數是由隨機的X和Y抽樣計算得到，因而相關關系是否顯著，還需進行檢驗。
F. 計量經濟學什麼是相關分析，性質
就是做pearson相關
G. 怎麼運用計量經濟學測度兩種變數之間相關關系
pearson's correlation
spearman's correaltion
H. 計量經濟學序列相關性要怎麼做
看回歸輸出結果中的DW統計量。
I. 計量經濟學中的自相關指什麼啊
如果隨機誤差項的各期望值之間存在著相關關系，這時，稱隨機誤差項之間存在自相關性（ion）或序列相關。
對於模型 y t= b0 +b1x1t+b2x2t+……bkxkt+ut
如果隨機誤差項的各期望值之間存在著相關關系，即
cov(ut,us)=E(utus) ≠ 0 (t,s=1,2,……k)
這時，稱隨機誤差項之間存在自相關性（autocorrelation）或序列相關。
隨機誤差項的自相關性可以有多種形式，其中最常見的類型是隨機誤差項之間存在一階自相關性或一階自回歸形式，即隨機誤差項只與它的前一期值相關：cov(ut,u t-1) =E（ut,u t-1) =/= 0,或者u t=f(u t-1),則稱這種關系為一階自相關。
一階自相關性可以表示為
ut= p1 u i-1 + p2 u i-2 + p3 u i-3 + …… p p u t-p + v t
稱之為p 階自回歸形式，或模型 存在 p 階自相關
由於無法觀察到誤差項 u t,只能通過殘差項 e t來判斷 u t 的行為。如果 u t或 e t呈出下圖(a) -(d) 形式，則表示u t 存在自相關，如果 ut 或et 呈現圖中 (e) 形式，則 表示 u t不存在自相關
線性回歸模型中的隨機誤差項的序列相關問題較為普遍，特別是在應用時間序列資料時，隨機誤差項的序列相關經常發生。
自相關性產生的原因：
線性回歸模型中隨機誤差項存在序列相關的原因很多，但主要是經濟變數自身特點、數據特點、變數選擇及模型函數形式選擇引起的。
1.經濟變數慣性的作用引起隨機誤差項自相關
2.經濟行為的滯後性引起隨機誤差項自相關
3.一些隨機因素的干擾或影響引起隨機誤差項自相關
4.模型設定誤差引起隨機誤差項自相關
5.觀測數據處理引起隨機誤差項序列相關
自相關的後果：
線性相關模型的隨機誤差項存在自相關的情況下，用OLS（普通最小二乘法）進行參數估計，會造成以下幾個方面的影響。
從高斯-馬爾可夫定理的證明過程中可以看出，只有在同方差和非自相關性的條件下，OLS估計才具有最小方差性。當模型存在自相關性時，OLS估計仍然是無偏估計，但不再具有有效性。這與存在異方差性時的情況一樣，說明存在其他的參數估計方法，其估計誤差小於OLS估計的誤差；也就是說，對於存在自相關性的模型，應該改用其他方法估計模型中的參數。
1.自相關不影響OLS估計量的線性和無偏性，但使之失去有效性
2.自相關的系數估計量將有相當大的方差
3.自相關系數的T檢驗不顯著
4.模型的預測功能失效
如何判斷數據存在自相關性
a. 用相關計量軟體: 比如說E-VIEWS檢查殘差的分布。 如果殘差分布具有明顯和圓潤的線性分布圖像， 說明自相關性存在的可能性很高。反之， 無規則波動大的分布圖像顯示出相關性微弱。
b.Durbin-Watson Statistics(德賓—瓦特遜檢驗)： 假設time series模型存在自相關性，我們假設誤差項可以表述為 Ut=ρ*Ut-1+ε. 利用統計檢測設立假設，如果ρ=o.則表明沒有自相關性。Durbin-Watson統計量（後面建成DW統計量）可以成為判斷正、負、零（無）相關性的工具。 DW統計量： d=∑(Ut-Ut-1)^2/∑ut^2≈2*(1-ρ).如果d=2則基本沒有自相關關系，d靠近0存在正的相關關系，d靠近4則有負的相關關系。
c. Q-Statistics 以（box-pierce)- Eviews( 7th version第七版本）為例子： 很多統計計量軟體軟體提供Q test來檢測，這里用Eviews為例子。 Q的統計量（test statistics）為 Q=n*∑ρ^2. 零假設null hypothesis H0=0和方法2的含義一樣。如果零假設證明失敗，則對立假設ρ≠0成立，意味著有自相關性。
如何減弱模型的自相關性
方法一（GLS or FGLS）： 假設存在自相關性的模型，誤差項之間的關系為：Ut=ρ*Ut-i+ε（ε為除了自相關性的誤差項，i.i.d~（0,σ）. t時期的模型為 yt=βxt+Ut, t-1時期則為 ρ*yt-1=ρ*βxt-1+ρ*Ut-t。用t時期的減去t-1時期的可得出yt-yt-1=β(xt-xt-1)+(Ut-Ut-1).已知 Ut-Ut-i=ε。經過整理後新的模型滿足Gauss-Makov的假設和，White noise condition （同方差性或者等分散），沒有自相關性。
方法二（HAC：Heteroscedasticity Autocorrelation consistent): 以Eviews為例子，在分析模型時選擇HAC，在模型中逐漸添加time lag的數目，來校正DW統計量達到正常值減少自相關性。
J. 求計量經濟學高手解答：異方差性、序列相關性、多重共線性的原因以及三者之間的關系！:-)
對比OLS回歸的假設就明白啦
異方差因為違反了殘差序列同方差的假定
序列自相關違反了殘差序列獨立不相關的假定
多重共線性違反了各個自變數獨立不相關的假定
如果違反這些假定都會影響OLS回歸系數的有效性