经典线性回归模型
经典回归模型在涉及到时间序列时，通常存在以下三个问题：
1）非平稳性→ ADF单位根检验→ n阶单整 → 取原数据序列的n阶差分（化为平稳序列） 2）序列相关性→D.W.检验/相关图/Q检验/LM检验→n阶自相关→自回归ar(p)模型修正 3）多重共线性→相关系数矩阵→逐步回归修正 注：以上三个问题中，前两个比较重要。
整体回归模型的思路：
1）确定解释变量和被解释变量，找到相关数据。数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。
2）把EXCEL里的数据组导入到Eviews里。 3）对每个数据序列做ADF单位根检验。 4）对回归的数据组做序列相关性检验。 5）对所有解释变量做多重共线性检验。 6）根据上述结果，修正原先的回归模型。 7）进行模型回归，得到结论。
Eviews具体步骤和操作如下。
一、数据导入
1）在EXCEL中输入数据，如下：
除去第一行，一共2394个样本。
2）Eviews中创建数据库：
File\\new\\workfile, 接下来就是这个界面（2394就是根据EXCEL里的样本数据来），OK
3）建立子数据序列 程序：Data x1
再enter键就出来一个序列，空的，把EXCEL里对应的序列复制过来，一个子集就建立好了。X1是回归方程中的一个解释变量，也可以取原来的名字，比如lnFDI，把方程中所有的解释变量、被解释变量都建立起子序列。
二、ADF单位根检验
1）趋势。打开一个子数据序列，先判断趋势：view\\graph，出现一个界面，OK。
得到类似的图，下图就是有趋势的时间序列。
X1.4.2.0-.2-.4-.6-.810002000300040005000 2）ADF检验。直接在图形的界面上进行操作，view\%unit root test，出现如下界面。
在第二个方框内根据时序的趋势选择，Intercept指截距，Trend为趋势，有趋势的时序选择第二个，OK，得到结果。
上述结果中，ADF值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。若大于5%，则存在单位根。按照这个做法将所有的序列都操作一遍。 3）修正。倘若原序列存在单位根，就对原序列进行一阶差分。 程序：genr dx1=D(x1)
Enter键后，Eviews里会自动生成子序列dx1，x1只是解释变量，可以自己命名。再对该一阶差分序列进行ADF检验，若所得均显著，即为一阶单整序列，此序列不存在单位根。按照一阶单整序列建立模型，模型的数据序列是平稳的。
三、模型回归
程序：data y x1 x2
Y是模型的被解释变量，后面的解释变量随模型的具体情况而定。 Enter键，出来一个数据组合，我这里DX11做为被解释变量。
接下来是回归的操作。
点击Proc/make equation，出来界面，直接点确定。其中，dx11是被解释变量，其余都为解释变量。
得到结果，形式如下。
结果说明：coefficient是每个解释变量对应的系数，第四列是t统计值，最后一列是伴随概率。R-squared是拟合优度，下面那个是调整的拟合优度。 分析时遵循下列原则： <1>模型总体拟合优度R2，一般而言50%以上就很好。这个说明的是方程解释变量总体对被解释变量的解释力度好，即你的模型建立的比较正确。F值和此类似，判断方法和t统计值的一样，看伴随概率。
<2>系数。看t值和伴随概率，如果伴随概率小于自己设定的显著性水平（1%、5%、10%），则拒绝原假设，说明该一个解释变量对被解释变量有显著的贡献度。 注：R2看的是整体（所有解释变量），t注重的是单个解释变量的贡献度。
四、序列相关性检验
经典线性回归模型的Eviews操作
