1. 什么是序列相关性举例说明经济现象中序列相关性的存在.什么是自相关
自相关抄又称序列相关，是指总袭体回归模型的随机误差项之间存在相关关系。即不同观测点上的误差项彼此相关。自相关产生的原因有很多，一般认为主要有一下几种，经济变量惯性的作用引起随机误差项自相关，经济行为的滞后性引起随机误差项自相关，一些随机偶然因素的干扰引起随机误差项自相关，模型设定误差引起随机误差项自相关，观测数据处理引起随机误差项序列相关。一般经验告诉我们，对于采用时间序列数据作样本的计量经济学问题，由于在不同样本点上解释变量以外的其他因素在时间上的连续性，带来它们对被解释变量的影响的连续性，所以往往存在序列相关性。
2. 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
3. 计量经济学论文数据，两个解释变量，时间序列数据，可以做序列相关分析，和多重共线分析的，请发944638639
怎样写论文 怎样找论文 看经常有人问这问题，总结下现在如何在网上找论文与写论文等，具体方法见我网络空间里的介绍
4. 计量经济学序列相关性要怎么做
看回归输出结果中的DW统计量。
5. 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。
6. 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。
7. 请问计量经济学时间序列数据，在检验序列相关性做LM检验时，有最高阶数限制吗如12阶序列相关可以吗
阶数是12当让算是高阶序列相关了。据我所知，在时间序列分析中，没有最高阶数的限制。列方程时自然要把所有的自相关系数写出来了。
8. 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。
9. 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。