『壹』 计量经济学名词解释+异方差和序列相关的区别
异方差性：对于不同的解释向量，被解释变量的随机误差项的方差不再是常专数，而互不属相同，则认为出现了异方差性。序列相关性：如果对于不同的解释向量，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。对比OLS回归的假设就明白啦：异方差因为违反了残差序列同方差的假定序列自相关违反了残差序列独立不相关的假定
『贰』 计量经济学自相关系数，协方差系数的计算公式是什么
可决系抄数和相关系数的联系和区别：
a.
相关系数是建立在相关分析基础上的，研究的是随机变量之间的关系；可决系数则是建立在回归分析基础上，研究的是非随机变量x对随机变量y的解释程度。
b.
在取值上，可决系数是样本相关系数的平方。
c.
样本相关系数是由随机的x和y抽样计算得到，因而相关关系是否显著，还需进行检验。
『叁』 计量经济学中随机误差存在自相关的原因是什么
自相关现象通常出现在时间序列模型之中。因为经济变量变化的连续性常常表现回出前后答值之间相关；再者在建立模型时有可能遗漏了解释变量也会导致自相关；还有模型的表达形式有误也会产生系统偏差而引起自相关，自相关问题是计量模型普遍存在的问题。李宝仁
『肆』 计量经济学中的自相关指什么啊
如果随机误差项的各期望值之间存在着相关关系，这时，称随机误差项之间存在自相关性（ion）或序列相关。
对于模型 y t= b0 +b1x1t+b2x2t+……bkxkt+ut
如果随机误差项的各期望值之间存在着相关关系，即
cov(ut,us)=E(utus) ≠ 0 (t,s=1,2,……k)
这时，称随机误差项之间存在自相关性（autocorrelation）或序列相关。
随机误差项的自相关性可以有多种形式，其中最常见的类型是随机误差项之间存在一阶自相关性或一阶自回归形式，即随机误差项只与它的前一期值相关：cov(ut,u t-1) =E（ut,u t-1) =/= 0,或者u t=f(u t-1),则称这种关系为一阶自相关。
一阶自相关性可以表示为
ut= p1 u i-1 + p2 u i-2 + p3 u i-3 + …… p p u t-p + v t
称之为p 阶自回归形式，或模型 存在 p 阶自相关
由于无法观察到误差项 u t,只能通过残差项 e t来判断 u t 的行为。如果 u t或 e t呈出下图(a) -(d) 形式，则表示u t 存在自相关，如果 ut 或et 呈现图中 (e) 形式，则 表示 u t不存在自相关
线性回归模型中的随机误差项的序列相关问题较为普遍，特别是在应用时间序列资料时，随机误差项的序列相关经常发生。
自相关性产生的原因：
线性回归模型中随机误差项存在序列相关的原因很多，但主要是经济变量自身特点、数据特点、变量选择及模型函数形式选择引起的。
1.经济变量惯性的作用引起随机误差项自相关
2.经济行为的滞后性引起随机误差项自相关
3.一些随机因素的干扰或影响引起随机误差项自相关
4.模型设定误差引起随机误差项自相关
5.观测数据处理引起随机误差项序列相关
自相关的后果：
线性相关模型的随机误差项存在自相关的情况下，用OLS（普通最小二乘法）进行参数估计，会造成以下几个方面的影响。
从高斯-马尔可夫定理的证明过程中可以看出，只有在同方差和非自相关性的条件下，OLS估计才具有最小方差性。当模型存在自相关性时，OLS估计仍然是无偏估计，但不再具有有效性。这与存在异方差性时的情况一样，说明存在其他的参数估计方法，其估计误差小于OLS估计的误差；也就是说，对于存在自相关性的模型，应该改用其他方法估计模型中的参数。
1.自相关不影响OLS估计量的线性和无偏性，但使之失去有效性
2.自相关的系数估计量将有相当大的方差
3.自相关系数的T检验不显著
4.模型的预测功能失效
如何判断数据存在自相关性
a. 用相关计量软件: 比如说E-VIEWS检查残差的分布。 如果残差分布具有明显和圆润的线性分布图像， 说明自相关性存在的可能性很高。反之， 无规则波动大的分布图像显示出相关性微弱。
b.Durbin-Watson Statistics(德宾—瓦特逊检验)： 假设time series模型存在自相关性，我们假设误差项可以表述为 Ut=ρ*Ut-1+ε. 利用统计检测设立假设，如果ρ=o.则表明没有自相关性。Durbin-Watson统计量（后面建成DW统计量）可以成为判断正、负、零（无）相关性的工具。 DW统计量： d=∑(Ut-Ut-1)^2/∑ut^2≈2*(1-ρ).如果d=2则基本没有自相关关系，d靠近0存在正的相关关系，d靠近4则有负的相关关系。
c. Q-Statistics 以（box-pierce)- Eviews( 7th version第七版本）为例子： 很多统计计量软件软件提供Q test来检测，这里用Eviews为例子。 Q的统计量（test statistics）为 Q=n*∑ρ^2. 零假设null hypothesis H0=0和方法2的含义一样。如果零假设证明失败，则对立假设ρ≠0成立，意味着有自相关性。
如何减弱模型的自相关性
方法一（GLS or FGLS）： 假设存在自相关性的模型，误差项之间的关系为：Ut=ρ*Ut-i+ε（ε为除了自相关性的误差项，i.i.d~（0,σ）. t时期的模型为 yt=βxt+Ut, t-1时期则为 ρ*yt-1=ρ*βxt-1+ρ*Ut-t。用t时期的减去t-1时期的可得出yt-yt-1=β(xt-xt-1)+(Ut-Ut-1).已知 Ut-Ut-i=ε。经过整理后新的模型满足Gauss-Makov的假设和，White noise condition （同方差性或者等分散），没有自相关性。
方法二（HAC：Heteroscedasticity Autocorrelation consistent): 以Eviews为例子，在分析模型时选择HAC，在模型中逐渐添加time lag的数目，来校正DW统计量达到正常值减少自相关性。
『伍』 计量经济学中用怀特（White）检验修正了异方差性，进行自相关检验时发现该模型还有序列自相关，该如何修正
看你的目的是什么啦，如果仅仅估计参数，无论是异方差还是自相关，你的回参数都是无偏的答；但方差较大，预测准确度较低。
你要克服异方差同时还有自相关，建议拟采用FGLS（可行广义二乘），可同时达到目的。广义差分尽管也可以，但损失自由度，而且要你自己推断出相关系数。
但我觉得奇怪的是，你为什么同时既有异方差又有序列相关；所以我觉得你很可能是有遗漏变量，遗漏变量进入残差项中，且与自变量相关，最终会导致你估计非无偏且非一致。
所以，最好先用直接做回归，后得到的残差，与自变量测下相关性；如相关性强，则说明存在遗漏变量。然后你采用工具变量法进行回归就可以了。
『陆』 求助，计量经济学自相关LMtest
LM统计量=Obs*R-squared它渐进服从卡方分布，如果太大，这拒绝原假设在eviews中看p值即可，如果p值比较小，比如小于0.005，则拒绝原假设，认为原模型存在自相关。
『柒』 计量经济学中，我在做实证分析时，模型既有异方差又有自相关，怎么处理这个问题是怎么处理的呢
首先，若是横截面数据主要考虑异方差，若是时间序列主要考虑自相关。
你现在的情况同时存在异方差和自相关，建议你先考虑产生自相关的原因是模型误设还是纯粹的自相关。如果只是纯粹的自相关，可以用FGLS解决自相关的问题。
而你在解决了自相关后发现，还存在异方差的问题。但是通常情况下方差都是未知的，我们不方便再做加权最小二乘了。这时要解决异方差的问题，可以采用怀特的“异方差稳健标准误”，基于这个标准误构造出的统计量可以做出有效的统计推断。
再说一种方法吧，当同时存在异方差和自相关时，你可以直接使用HAC，也就是异方差自相关一致标准误，基于这个标准误构造的统计量可以做出正确的推断。它的前提是你的样本需要足够大。
最后，还需要你根据自己的情况构造出一个合适的模型，上面那些只是理论上的参考。
『捌』 计量经济学中哪些变量存在自相关
自相关指的是被解释变量与其自身前期滞后的相关性.在计量中,通常用随机干扰项的自相关来衡量,即u(t)=a*u(t-1)
『玖』 求解一道关于自相关性计量经济学题目
一般都用alpha = 0.05。
据此查表，能查到upper bound 和 lower bound: [1.273 1.446]
DW在两者之间，所以无法判定。