1、“.....使用所得到的估计量是线性无偏最优的。,如果扰动项序列表现为扰动项之间不再是完全相互的，而是存在种相关性。若扰动项序列存在相关，则回归方程的估计结果不再优良，估计量不再有效，计算的标准差不正确，回归检验不可信。因此必须采用其他的方法，解决扰动项不满足回归假设所带来的模型估计问题。,残差图对残差作散点图，若残差围绕参考线上下随机摆动，说明无序列相关。序列相关的检验方法相关系数和统计量检验希望自相关系数和偏相关系数都比较小自相关系数时间序列滞后阶的自相关系数由下式估计自相关系数表示扰动项序列与邻近数据之间的相关程度。偏自相关系数偏自相关系数是指在给定，的条件下，与之间的条件相关性。统计量检验构造统计量进行检验其中是扰动项序列的阶自相关系数，是样本容量，是滞后阶数。之间的协方差仅取决于，即仅与观测值之间的间隔长度有关，而与时期无关......”。

2、“.....对所有的对所有的对所有的和建模模型如果随机过程的均值和方差自协方差都不取决于，则称是协方差平稳的或弱平稳的注意，如果个随机过程是弱平稳的，则与个平稳序列，或者通过差分等变换可以化成个平稳序列。本节中介绍的模型可以用来研究这些经济变量的变化规律。二平稳时间序列的，用模型修正后的回归方程的估计结果是有效的。本节将不再仅仅以个回归方程的残差序列为研究对象，而是直接讨论个平稳时间序列的建模问题。在现实中很多问题，如利率波动收益率变化及汇率变化率等通常是再对新的残差序列进行相关性检验，最终得到的结果是修正后的回归方程的残差序列不存在相关。因此修正方程残差的自相关性。在工作文件窗口选择在框中输入得到以下结果与阶序列相类似的方法，用迭代法求得非线性回归方程的参数。在中的实现例在例的基础上建立模型。前面检验到残差序列存在阶序列相关......”。

3、“.....采取。阶序列相关为了便于理解，先讨论元线性回归模型，并且残差具有阶序列相关的情形，即阶自回归模型将两式合并得到在估计上述模型参数时，是阶自回归模型的系数，是残差自回归模型的误差项，并且是均值为，方差为常数的白噪声序列。下面将讨论如何利用模型修正残差的序列相关，以及用什么方法来估计消除残差序列相关后的方程参数其中是第个回归方程的残差，参数，，，，是回归模型的系数。第二个式子是残差的阶自回归模型，参数，，，变量个数查表得出。必须对残差序列的结构给予正确的描述，以期消除序列相关对模型估计结果带来的不利影响。通常可以用自回归模型来描述个平稳序列的自相关结构......”。

4、“.....其取值范围越接近，序列相关程度越小越接近或，序列正或负相关程度越大，见下图。其中根据样本数量简称统计量只能用于检验阶序列相关，还可估算回归模型邻近残差的线性联系。对于残差建立阶自回归方程统计量检验的原假设，备选假设是。ˆˆˆˆ统计量检验构造统计量进行检验其中是扰动项序列的阶自相关系数，是样本容量，是滞后阶数。统计量检验统计与邻近数据之间的相关程度。偏自相关系数偏自相关系数是指在给定，的条件下，与之间的条件相关性。考线上下随机摆动，说明无序列相关。序列相关的检验方法相关系数和统计量检验希望自相关系数和偏相关系数都比较小自相关系数时间序列滞后阶的自相关系数由下式估计自相关系数表示扰动项序列考线上下随机摆动，说明无序列相关......”。

5、“.....偏自相关系数偏自相关系数是指在给定，的条件下，与之间的条件相关性。统计量检验构造统计量进行检验其中是扰动项序列的阶自相关系数，是样本容量，是滞后阶数。统计量检验统计量简称统计量只能用于检验阶序列相关，还可估算回归模型邻近残差的线性联系。对于残差建立阶自回归方程统计量检验的原假设，备选假设是。ˆˆˆˆ检验适于阶序列相关性检验，其取值范围越接近，序列相关程度越小越接近或，序列正或负相关程度越大，见下图。其中根据样本数变量个数查表得出。必须对残差序列的结构给予正确的描述，以期消除序列相关对模型估计结果带来的不利影响。通常可以用自回归模型来描述个平稳序列的自相关结构，定义如下其中是第个回归方程的残差，参数，，，......”。

6、“.....第二个式子是残差的阶自回归模型，参数，，，是阶自回归模型的系数，是残差自回归模型的误差项，并且是均值为，方差为常数的白噪声序列。下面将讨论如何利用模型修正残差的序列相关，以及用什么方法来估计消除残差序列相关后的方程参数。阶序列相关为了便于理解，先讨论元线性回归模型，并且残差具有阶序列相关的情形，即阶自回归模型将两式合并得到在估计上述模型参数时，将上述线性模型变换为下列非线性模型采用迭代法进行估计高阶序列相关对于残差序列存在阶序列相关，采取与阶序列相类似的方法，用迭代法求得非线性回归方程的参数。在中的实现例在例的基础上建立模型。前面检验到残差序列存在阶序列相关。这里将采用阶模型来修正方程残差的自相关性。在工作文件窗口选择在框中输入得到以下结果再对新的残差序列进行相关性检验，最终得到的结果是修正后的回归方程的残差序列不存在相关......”。

7、“.....用模型修正后的回归方程的估计结果是有效的。本节将不再仅仅以个回归方程的残差序列为研究对象，而是直接讨论个平稳时间序列的建模问题。在现实中很多问题，如利率波动收益率变化及汇率变化率等通常是个平稳序列，或者通过差分等变换可以化成个平稳序列。本节中介绍的模型可以用来研究这些经济变量的变化规律。二平稳时间序列的建模模型如果随机过程的均值和方差自协方差都不取决于，则称是协方差平稳的或弱平稳的注意，如果个随机过程是弱平稳的，则与之间的协方差仅取决于，即仅与观测值之间的间隔长度有关，而与时期无关。般所说的“平稳性”含义就是上述的弱平稳定义。对所有的对所有的对所有的和平稳性定义第五讲时间序列模型本章着重于时间序列的建模问题，也就是运用时间序列的过去值当期值及滞后残差建立模型，来“解释”时间序列的变化规律。对时间序列建模通常会存在扰动项相关问题和动态数据非平稳性问题......”。

8、“.....本章主要内容扰动项序列相关的建模自回归模型模型平稳时间序列建型自回归移动平均模型模型非平稳时间序列建模单位根检验协整分析误差修正模型扰动项序列相关性的检验和建模序列相关理论第四章在讨论古典线性回归建模时，假设扰动项序列是无相关的。对时间序列模型来说，无序列相关的基本假设即为在假设成立的条件下，使用所得到的估计量是线性无偏最优的。,如果扰动项序列表现为扰动项之间不再是完全相互的，而是存在种相关性。若扰动项序列存在相关，则回归方程的估计结果不再优良，估计量不再有效，计算的标准差不正确，回归检验不可信。因此必须采用其他的方法，解决扰动项不满足回归假设所带来的模型估计问题。,残差图对残差作散点图，若残差围绕参考线上下随机摆动，说明无序列相关......”。

9、“.....偏自相关系数偏自相关系数是指在给定，的条件下，与之间的条件相关性。统计量检验构造统计量进行检验其中是扰动项序列的阶自相关系数，是样本容量，是滞后阶数。统计量检验统计量简称统计量只能用于检验阶序列相关，还可估算回归模型邻近残差的线性联系。对于残差建立阶自回归方程统计量检验的原假设，备选假设是。ˆˆˆˆ检验适于阶序列相关性检验，其取值范围越接近，序列相关程度越小越接近或，序列正或负相关程度越大，见下图。其中根据样本数变量个数查表得出。阶正自相关无法判断无阶自相关性无法判断阶负自相关检验的缺点只适于阶序列相关性的检验如果回归方程右边存在滞后因变量，检验不再有效。检验与统计量仅检验残差是否存在阶自相关不同，检验，即拉格朗日乘数检验可用于检验残差序列是否存在高阶自相关......”。