一、异方差性的概念——违反基本假设的定义及违反的原因 二、异方差性的后果——违反基本假设会造成什么样的后果 三、异方差性的检验——怎样诊断是否违反基本假设 四、出现异方差时的补救措施——如何消除或减弱对基本假设的违反 五、案例

7.1 表中给出了 1970~1987 年期间美国的个人消息支出(PCE)和个人可支配收入(PDI) 数据，所有数字的单位都是 10 亿美元(1982 年的美元价)

16.1 动态经济模型：自回归和分布滞后模型 16.2 伪回归现象：非平稳时间序列 16.3 平稳性检验 16.4 协整时间序列 16.5 随机游走模型 16.6 logit模型 16.7 总结

补救序列相关的基本思路 变换存在序列相关的模型,使变换后的新模 型具有无序列相关的随机误差项,这样新模 型满足基本假设,那么运用OLS进行估计以 及进行检验,就能得到理想可信的结果。 从随机误差项入手—变序列相关的随机误差 项为无序列相关的

一、序列相关性的概念——违反基本假设的定义及违反的原因 二、序列相关性的后果——违反基本假设会造成什么样的后果 三、序列相关性的检验——怎样诊断是否违反基本假设 四、具有序列相关性模型的估计——如何消除或减弱对基本假设的违反 五、案例

13.1 异方差的性质 13.2 异方差的后果 13.3 异方差的诊断：如何知道存在异方差问题 13.4 观察到异方差该怎么办：补救措施 13.5 怀特异方差校正后的标准误和 t 统计量 13.6 若干异方差实例 13.7 总结

12.1 多重共线性的性质：完全多重共线性的情形 12.2 接近或者不完全多重共线性的情形 12.3 多重共线性的理论后果 12.4 多重共线性的实际后果 12.5 多重共线性的诊断 12.6 多重共线性必定不好吗 12.7 一个扩展例子 12.8 如何对付多重共线性：补救措施 12.9 总结

CLMR的假定之一是模型是正确设定的，所以一个最基本 的问题就是：如何发现正确的模型？第11章详细讨论了 这个问题。首先考虑了一个“好”模型应具备的特性，然后 讨论了拟合错误模型的后果，最后介绍了各种模型设定错 误

10.1 虚拟变量的性质 10.2 ANCOVA模型：包含一个定量变量，一个两分定性变量的回归 10.3 包含一个定量变量、一个多分定性变量的回归 10.4 包含一个定量变量和多个定性变量的回归 10.5 比较两个回归 10.6 虚拟变量在季节分析中的应用 10.7 因变量也是虚拟变量的情形：(略) 10.8 总结

5.4 样本自相关与部分自相关函数 5.5 自相关性检验 5.6 ARMA模型的实证分析及应用 5.7 实例应用：中国CPI通胀率的AR模型