⑴ 计量经济学！在做时间序列做分析时，其中两个序列是一阶单整，另一个是二阶单整，接下来怎么才能做协整分
只有同阶单整的时间序列数据才可做协整分析
⑵ 计量经济学中，一阶序列相关的系数如果为正是不是意味着回归模型的残差会越来越大
t-Statistic和Prob.是用来说明回归系数的统计量，分别称为t统计量和P值，用来说明回归系数的显著内性。前容者>2为显著，否则不显著；后者2、Prob(F-statistic)<0.05为显著，否则模型整体不显著，模型无意义。你的这个检验表明模型整体是显著的。其他的统计量普通的线性回归不用做解释，如果想要具体理解的话，建议去看一本关于EVIEWS的教材，有很多。当然，如果是想做深入研究，需要的远非统计软件的机械的操作方法，计量经济学的原理是很重要的，只有多读一些相关教材、资料，懂得原理后进行软件操作是很简单的事。
⑶ 计量经济学中用一阶差分法消除多重共线性，原回归模型中的截距项丢失，如何才能计算出来呢
如果多重共线性不严重，就不要试图消除，因为共线性是普遍存在的。
还有一种方法是利版用多个变量组合成权一个变量来消除多重共线性。
如果说上述方程在做差分后没有截距项了，可能是因为此方程就是描述一个增长速率的关系，所以没有了也属正常
⑷ 计量经济学eviews做一阶自相关检验的时候存在一阶自相关。要怎么修正
广义最小二乘进行修正
⑸ 什么是一阶差分什么是一阶差分我数学不好,懂的人帮帮啊!在计量经济学中看到的这个名词.
与连续函数的微分相似，是离散函数的相临两项的差
⑹ 计量经济学中ols一阶拟合完以后残差不为正态分布
OLS法的使用前提之一是随机误差服从正态分布（即高斯分布）。但是，现实是复杂的，几乎不可能完全符合假设。那么，一个好的估计量应该对稍微偏离假设的情况有一定的免疫力。遗憾的是，OLS不具备这一特点。比如，当随机误差是非正态分布—尤其是长尾分布时，OLS估计量会对哪怕少数几个离群点（即异常数据）极度地敏感。也就是说少数几个离群点就会对拟合结果产生破坏性的影响，使OLS估计量成为很差的估计量。事实上，许多学者指出，长尾分布的随机误差比正态分布的随机误差更为常见。这种情况下，必须放弃OLS，寻求其它有效的估计方法。
稳健回归正是对这个问题进行补救措施。所谓稳健，就是指能够抵御异常数据对回归分析的不良影响。如果能够抵御，我们就可以说这种估计方法是稳健的。反之，如果不能抵御异常数据对回归分析的破坏，我们就可以说这种估计方法是不稳健。因为在回归分析中，异常数据主要表现的离群点。所以，简言之，稳健回归就是指能够检测离群点、并且在离群点存在的情况下能够提供可靠估计的一种回归方法。
简言之，残差不服从正态分布时，应该使用稳健回归。稳健回归有多种方法，最常用的是M估计量，可以用R软件实现。在R中，Huber回归通过Venables和Ripley (2002)开发的MASS程序包中的rlm()命令来实现。
（统计人刘得意原创，请勿复制转发）
⑺ 求问，计量经济学，结构方程识别的阶条件。如图，谁能给我举例说一下K、M、G分别代表什么
K是模型抄中所有变量的个数，Mi是第i个方程中变量的个数，G是方程中内生变量的个数；
所谓识别，是指是否能在系统中找到足够的工具变量以解决方程中内生变量的内生性问题（因为高斯马尔科夫假设需要E(epsilon|X)=0，也即严格外生性）
考虑第i个方程，
如果一个变量在这个方程中出现，那么该变量显然不能作为工具变量，也就是系统中一共有K各变量，第i个方程中用掉了Mi个变量，剩下K-Mi个变量可以作为工具变量，替换模型中的G-1个内生解释变量(有1个内生变量是被解释变量)，
那么如果工具变量个数K-Mi>G-1，那么过度识别；
如果工具变量个数K-Mi=G-1，那么恰好识别；
如果工具变量个数K-Mi<G-1，那么不能识别，也就是找不到足够的工具变量以解决内生解释变量引起的内生性问题。