模型诊断与检验.doc

模型诊断与检验（1）回归函数的F检验。（2）回归参数的t检验。（3）检验线性约束条件是否成立的F检验。（4）JB正态性检验（5）邹突变点检验（Chow Breakpoint Tests）（6）回归系数的稳定性检验（Chow检验）（7）平方的残差值序列的Q检验（8）Ramsey RESET 检验（Ramsey模型设定误差检验）（9）格兰杰非因果性检验（10）赤池信息准则、施瓦茨准则（贝叶斯信息准则）和汉南准则（11）递归残差检验（1）回归函数的F检验。 多元回归模型，yt = b0 +b1xt1 + b2xt2 + bk- 1xt k -1 + ut , H0：b1= b2 = = bk-1 = 0；H1：bj不全为零原假设成立条件下，统计量F = F(k-1,T-k) (1)其中SSR是回归平方和，SSE是残差平方和。k表示被估参数个数。注意：SSR旧指回归平方和（regression sum of squares），现指残差平方和（sum of squared residuals）。SSE旧指残差平方和（error sum of squares (sum of squared errors)），现指回归平方和（explained sum of squares）。检验规则是，若 F Fa (k-1,T-k)，接受H0；若 F Fa (k-1,T-k) , 拒绝H0。（2）回归参数的t检验。 对于多元回归模型，yt = b0 +b1xt1 + b2xt2 + bk- 1xt k -1 + ut , 如果F检验的结论是接受原假设，则检验止。如果F检验的结论是拒绝原假设，则进一步作t检验。H 0：bj = 0；H1：bj 0，(j = 1, 2, , k-1)原假设成立条件下，统计量t = t(T-k) (2)判别规则：若 t ta(T-k)，接受H 0；若 t ta(T-k)，拒绝H 0。（3）检验线性约束条件是否成立的F检验。约束条件的F检验可以用来检验回归参数的一个或多个线性约束条件，如H 0：b1 = 0，b2 = 0，a1 +b0 + b1 =1，b1 /b2 =0.8等。在零假设“约束条件成立”条件下，统计量 F = F(m, Tk ) （3）其中SSEr 表示施加约束条件后估计模型的残差平方和；SSEu 表示未施加约束条件的估计模型的残差平方和；m表示约束条件个数；T 表示样本容量；k表示非约束模型中被估参数的个数。判别规则是，若F Fa (m, Tk)，约束条件成立， 若F Fa (m, Tk)，约束条件不成立。例：（file: b1c4）中国国债发行额模型首先分析中国国债发行额序列的特征。1980年国债发行额是43.01亿元，占GDP当年总量的1%，2001年国债发行额是4604亿元，占GDP当年总量的4.8%。以当年价格计算，21年间（1980-2001）增长了106倍。平均年增长率是24.9%。 中国当前正处在社会主义市场经济体制逐步完善，宏观经济运行平稳阶段。国债发行总量应该与经济总规模，财政赤字的多少，每年的还本付息能力有关系。选择3个解释变量，国内生产总值，财政赤字额，年还本付息额，根据散点图（略）建立中国国债发行额模型如下： DEBTt = b0 +b1 GDPt +b2 DEFt +b3 REPAYt + ut其中DEBTt表示国债发行总额（单位：亿元），GDPt表示年国内生产总值（单位：百亿元），DEFt表示年财政赤字额（单位：亿元），REPAYt表示年还本付息额（单位：亿元）。用19802001年数据（资料来源：中国统计年鉴2002，表8-19，表3-1，表8-1，表8-20）得输出结果如下；DEBTt = 4.31 +0.35 GDPt +1.00 DEFt +0.88 REPAYt (11.7)(0.2) (2.2) (31.5) (17.8) R2 = 0.9990, DW=2.12, T =22, SSEu= 48460.78, (1980-2001)图11.2由上述4个变量的相关系数矩阵（图11.2）知，DEBTt和GDPt的相关性最强。那么是否可以从模型中删掉DEFt和REPAYt呢？可以用F统计量完成上述检验。原假设H0：b2 = b3 = 0（约束DEFt和REPAYt的系数为零）。给出约束模型估计结果如下，DEBTt = -388.40 +4.49 GDPt (11.8)(-3.1) (17.2) R2 = 0.94, DW=0.25, T =22, SSEr= 2942679, (1980-2001)已知约束条件个数m = 2，T-k = 18。根据（11.7）、（11.8）式，SSEu= 48460.78，SSEr= 2942679。依照（11.6）式， F = 537.5因为F=537.5远远大于临界值F0.05 (2, 18) =3.55，所以拒绝原假设。不能从模型中删除解释变量DEFt和REPAYt。EViews可以有三种途径完成上述检验。（1）在（11.7）式输出结果窗口中点击View，选Coefficient Tests, Wald Coefficient Restrictions功能（Wald参数约束检验），在随后弹出的对话框中填入c(3) = c(4) = 0。可得如图11.3结果。其中F = 537.5。图11.3（2）在（11.7）式（非约束模型）输出结果窗口中点击View，选Coefficient Tests, Redundant Variables -Likelihood Ratio功能（模型中是否存在多余的解释变量），在随后弹出的对话框中填入DEF，REPAY。可得图11.4。计算结果同样是F = 537.5。图11.4（3）在（11.8）式（约束模型）输出结果窗口中点击View，选Coefficient Tests, Omitted Variables -Likelihood Ratio功能（模型中是否丢了重要解释变量），在随后弹出的对话框中填入拟加入的解释变量DEF，REPAY。可得到如图11.5的结果。同样是F = 537.5。图11.5（4）JB正态性检验在给出JB统计量的定义之前，先给出偏度（skewness）和峰度（kurtosis，峭度）的定义。对于时间序列或一组数据（y1, y2, , yT），偏度S定义为， 其中yt是观测值，是样本平均数，s表示yt的标准差，T是样本容量。由公式知，若分布是以对称的，则偏度为零。所以若yt服从正态分布，则偏度为零；若分布是右偏倚的，则偏度S 0；若分布是左偏倚的，则偏度S 0。 Md Mo = Md = Mo MO Md 南开大学05级本科计量经济学期末成绩分析（左偏分布，file:6marks）全国人口死亡率的年龄分布（左偏分布，2005年1%抽样调查数据，file: 5stat04）全国人口的年龄分布（右偏分布，1987年1%抽样调查数据，file: stat04）峰度K定义为 其中yt是观测值，是样本平均数，s是样本标准差，T是样本容量。正态分布的峰度值为3。如果一个分布的两侧尾部比正态分布的两侧尾部“胖”，则该分布的峰度K 3，反之则K 3。JB（Jarque-Bera）统计量定义如下， JB = c2 (2)其中T表示观测值个数。对于直接得到的观测时间序列，取n = 0。对于残差序列，取n等于原回归模型中解释变量个数。S表示偏度。K表示峰度。计算结果 若JB c 2a (2)，该分布为正态分布， 若JB c 2a (2)，该分布不是正态分布。当用样本计算偏度和峰度时，T应换为T -1，s 2用yt的样本方差s2代替。 例：（Y=nrnd）EViews操作如下。因为JB = 3.71 c 20.05 (2) = 5.99，所以上述分布为正态分布。rchisq(2)，50-rchisq(2)，runif(0, 1)因为JB = 6009 c 20.05 (2) = 5.99，所以上述分布不是正态分布。英 K. Pearson提出的分布律检验适用性更广。（5）邹突变点检验（Chow Breakpoint Tests）突变点检验由邹至庄1960年提出。当研究同一问题，在不同时段得到两个子样本时，需要考察两个不同时段的回归系数是否相同，即回归系数在不同时段是否稳定。当然这一检验也适用于两个截面样本的情形。图5.2 一个解释变量情形两个样本容量分别用n1和n2表示，并定义T = n1 + n2。假定所建立的多元回归模型形式为， yt = q0 + q1xt 1 + + qk-1 xt k-1 + ut以T，n1和n2为样本分别对上述模型进行估计，所得结果用以下符号表示。样本容量残差平方和相应自由度 回归系数1 T SSET T- kqj, j = 1, , k-12 n1 SSE1 n1 - kaj, j = 1, , k-13 n2 SSE2 n2 - kbj, j = 1, , k-1 注：3次回归的模型形式应相同。原假设与备择假设： H0：aj = bj , j = 0, 1, , k-1。 H1：aj, bj,不全对应相等。则所用统计量定义为 F = = F(k, T-2 k)检验规则是 若F Fa (k,T-2k) 拒绝H0（回归系数有显著性变化） 若F Fa (k,T-2k) 接受H0（回归系数无显著性变化）例：中国对数货币流通量（LnMt）的突变点检验（1952-1998，file: 5Dummy5）检验中国对数货币流通量LnM是否在1978年发生突变。EViwes操作：用LnM对时间t回归，在回归结果视窗内点击View选Stability Tests / Chow Breakpoint Tests（邹突变点检验）功能。在对话框中输入1978（注意：1978属于后一个子样本），得EViwes结果如下： = 2.93 + 0.12 t (20.0) (22.9) R2 = 0.92, DW=0.08, SSET = 11.0326，T=47 直接计算，SSET = 11.0326, SSE1 = 0.802576, SSE2 = 0.232164。代入公式，F = = 207.737与EViwes输出结果相同。 在对话框中输入1979（把1978归于第一个子样本），检验结论同样是认为存在突变点。 EViwes还可以同时检验样本内多个突变点。以本例为例，可以选择1963和1978年为两个突变点。得输出结果如下：（6）回归系数的稳定性检验（Chow检验） 在样本T基础上求出回归模型系数的估计值后，再增加n个观测值从而考查原参数估计值是否稳定时，可采用如下的Chow检验法， 首先对同一形式模型（含k个被估参数）用样本T和样本T+ n分别进行回归，计算结果表示如下，样本容量残差平方和相应自由度回归系数1 T SSE1 T- k b j2 T + n SSE2 T + n - k aj 注：两次回归的模型形式应相同。原假设与备择假设： H0: bj = aj , （j = 0, 1, , k-1）。 H1: bj与aj , （j = 0, 1, , k-1），不全对应相等。则所用统计量定义为 F = F(n, T- k)检验规则是 若F Fa (n, T- k) 接受H0（回归系数无显著性变化） 若F Fa (n, T- k) 拒绝H0（回归系数有显著性变化）例：中国对数货币流通量的稳定性检验（1952-1998，file: 5Dummy5）这是一个与虚拟变量联合应用案例。由上例知1978年有一个突变点，做稳定性检验时，应在回归模型中加入描述结构突变的虚拟变量。按上面的表示方法，EViews先算出T + n个样本的回归式，对于本例即先算出1952-1998年为样本的回归式，然后再从1998年开始除掉一个或若干个年份的值，检验参数稳定性。下面的计算相当于用1952-1997年数据估计一个模型，然后加入1998年数据检验预测的稳定性。 LnM = 3.64 + 0.07t -3.87D1+0.14 t D1(58.1) (16.8) (-17.7) (20.3) R2 = 0.9926, T = 47, (1952-1998)EViwes操作：在当前回归估计结果视窗中点击View键，选择Stability Tests，Chow Forecast Tests（邹预测检验）功能。 LM=样本容量残差平方和相应自由度回归系数1 46 0.9667T- k = 42 b j2 47 1.0347T + n k = 43 aj F = =2.95 也可以做若干期的邹预测检验。比如用1952-1996年数据估计一个模型，然后加入1997、1998年数据检验模型的稳定性。估计过程如上，但对话框中要填入1997 1998两年。检验结果模型仍很稳定。 （7）平方的残差值序列的Q检验Correlogram-Squared Residuals（残差值平方序列的Q检验）。在 Q = T (T+2) (31)的定义式中，如果估计的自相关系数rk是用残差值的平方序列计算的，那么Q统计量考察的是残差序列中是否存在自回归条件异方差（ARCH、GARCH过程）。Q统计量渐近服从c2( K - p - q) 分布。检验方法与所用临界值与上述检验是否为白噪声过程的Q统计量相同。这时的零假设是残差序列中不存在自回归条件异方差。备择假设是存在自回归条件异方差。例1 日元兑美元汇率AR (2)模型中的残差是否存在条件异方差（file:JPYEN）下两图是日元兑美元汇率序列和建立AR(3)模型后的残差值序列。 日元兑美元汇率序列 建立AR(3)模型后的残差值序列（file:JPYEN/EQ01）分别计算残差值序列和残差值平方序列的相关图和偏相关图（7期）如下。残差值序列的相关图和偏相关图 残差平方序列的相关图和偏相关图因为Q的概率都小于0.05 ，所以模型残差序列中存在ARCH过程（条件异方差特征）。（8）Ramsey RESET 检验（Ramsey回归设定误差检验）RESET（Regression Specification Error Test）检验（Ramsey回归设定误差检验）由Ramsey (1969)提出。回归设定误差包括丢失变量、模型形式不正确、解释变量与误差项相关、误差项存在自相关、异方差、非正态性分布等。对模型yt = a0 +a1 xt + ut （43）的设定误差检验是通过对新加入变量zt回归式yt = a0 +a1 xt +a2 zt + ut （44）完成的。如果（43）式不存在设定误差，那么（44）式中的a2应该等于零。 对于模型形式的设定错误可以通过增添解释变量的高次幂实现。例如对（43）式可以检验下式中a2估计量的显著性。yt = a0 +a1 xt +a2 xt2 + ut （45）Ramsey (1969) 建议用（43）式的拟合值的高次幂代替（45）式中的xt2。例如yt = a0 +a1 xt +a22 +a33 + ut （46）原假设是 H0: a2 = a3 = 0EViews输出结果给出的是关于检验约束条件是否成立的F和LR检验。判别规则是，若F Fa (m, T - k)，LR c 2a (m)，约束条件成立，不存在设定误差。 若F Fa (m, T - k)，LR c 2a (m)，约束条件不成立，存在设定误差。其中m表示约束条件个数。例：（file: b1c4）中国国债发行额模型假设只取GDP做国债发行额（debt）的解释变量，因为散点图是2次的，显然设定不足。Ramsey RESET Test的步骤是，在debt对GDP回归的基础上，点击View键，选择Stability Tests，Ramsey RESET Test功能（如图），并在对话框中选1（即只取拟合值的平方项）， 得结果如下。F=74，拟合值平方项2的系数有极高的显著性，说明模型还有重要解释变量未包括在模型中。 当把另2个解释变量DEFt 、REPAYt加入到模型中，DEBTt = 4.31 +0.35 GDPt +1.00 DEFt +0.88 REPAYt (0.2) (2.2) (31.5) (17.8) R2 = 0.9990, DW=2.12, T =22, SSEu= 48460.78, (1980-2001)再次做Ramsey RESET检验，F=2.7，相应概率是0.12。拟合值平方项，2的系数没有显著性，说明模型不存在设定误差。例：（file: b1c1, EQ124）以1952-1993年中国宏观消费与国民收入（不变价格）模型为例， 因为F和LR 统计量都落在了临界值以外，模型存在设定误差。除了国民收入还应改寻找其他重要解释变量。（9）格兰杰非因果性检验格兰杰非因果性检验是VAR模型的一个副产品。格兰杰非因果性检验式是2变量VAR模型中的一个方程式。格兰杰（Granger）非因果性定义如下：格兰杰非因果性：如果由yt和xt滞后值所决定的yt的条件分布与仅由yt滞后值所决定的条件分布相同，即 ( yt | yt -1, , xt -1, ) = ( yt | yt -1, ), (37)则称xt -1对yt存在格兰杰非因果性。 格兰杰非因果性的另一种表述是其他条件不变，若加上xt的滞后变量后对yt的预测精度不存在显著性改善，则称xt -1对yt存在格兰杰非因果性关系。根据以上定义，xt 对yt 是否存在因果关系的检验可通过检验VAR 模型以yt 为被解释变量的方程中是否可以把xt 的全部滞后变量剔除掉而完成。比如VAR 模型中以yt 为被解释变量的方程表示如下： yt = + u1 t (38)如有必要，常数项，趋势项，季节虚拟变量等都可以包括在上式中。则检验xt 对yt存在格兰杰非因果性的零假设是 H0: b1 = b2 = = bk = 0显然如果（38）式中的xt 的滞后变量的回归参数估计值全部不存在显著性，则上述假设不能被拒绝。换句话说，如果xt 的任何一个滞后变量的回归参数的估计值存在显著性，则结论应是xt 对yt 存在格兰杰因果关系。上述检验可用F统计量完成。 F = (39)其中SSEr 表示施加约束（零假设成立）后的残差平方和。SSEu 表示不施加约束条件下的残差平方和。k表示最大滞后期。N表示VAR模型中所含当期变量个数，本例中N = 2，T表示样本容量。在零假设成立条件下，F统计量近似服从F( k, T - k N ) 分布。用样本计算的F值如果落在临界值以内，接受原假设，即xt 对yt 不存在格兰杰因果关系。注意：为简便，通常总是把xt-1 对yt存在非因果关系表述为xt（去掉下标 -1）对yt存在非因果关系（严格讲，这种表述是不正确的）。在实际中，除了使用格兰杰非因果性概念外，也使用“格兰杰因果性”概念。顾名思义，这个概念首先由格兰杰（Granger 1969）提出。西姆斯（Sims 1972）也提出因果性定义。这两个定义是一致的。【例】（file:5stock）以661天（1999.1.4-2001.10.5）的上海（SH）和深圳（SZ）股票收盘价格综合指数为例， 滞后10期的Granger因果性检验结果如下：（当概率小于0.05时，表示推翻原假设）上表中概率定义为，P(F1.36) = 0.19316。图示如下：临界值 1.36 图7P(F23.44) = 0.00000 因为F值（1.36）落在原假设接受域，所以原假设“上海股票价格综合指数对深圳股票价格综合指数不存在Granger因果关系” 被接受。因为F值（23.44）落在原假设拒绝域，所以原假设“深圳股票价格综合指数对上海股票价格综合指数不存在Granger因果关系”被推翻。附录：格兰杰因果关系检验EViews操作方法是，打开数剧组窗口，点View键，选Granger Causility。在打开的对话窗口中填上滞后期（上面的结果取滞后期为10），点击OK键。 用滞后5, 10, 15, 20, 25期的检验式分别检验，结果见下表：k=5k=10k=15k=20k=25H0：SH does not Granger Cause SZ1.081.361.211.291.40接受H0H0：SZ does not Granger Cause SH43.923.415.912.610.3拒绝H0结论都是上海综指不是深圳成指变化的Granger原因，但深圳成指是上海综指变化的Granger原因。 注意：（1）滞后期k的选取是任意的。实质上是一个判断性问题。以xt和yt为例，如果xt-1对yt存在显著性影响，则不必再做滞后期更长的检验。如果xt-1对yt不存在显著性影响，则应该再做滞后期更长的检验。一般来说要试检验若干个不同滞后期k的格兰杰因果关系检验，且结论相同时，才可以最终下结论。（2）当做xt是否为导致yt变化的格兰杰原因检验时，如果zt也是yt变化的格兰杰原因，且zt又与xt相关，这时在xt是否为导致yt变化的格兰杰因果关系检验式的右端应加入zt的滞后项（实际上是3个变量VAR模型中的一个方程）。（3）EViews 4.1在VAR模型的框架内，可做一对一变量的格兰杰非因果性检验。（4）不存在协整关系的非平稳变量之间不能进行格兰杰因果关系检验。（10）赤池信息准则、施瓦茨准则（贝叶斯信息准则）和汉南-奎因准则确定动态分布滞后（ADL）模型最大滞后期的方法除了用前面介绍的F统计量外，也可采用赤池（Akaike）信息准则和施瓦茨（Schwartz）准则。赤池信息准则（AIC）定义如下（日统计学家赤池弘次1973年提出）。 AIC = -2 logL + 2 k其中logL = (1+log (2p) + log)。EViews 4.0，5.0的计算公式是 AIC = log+, (5.84)其中是ADL估计模型的残差平方和，k是模型中解释变量的个数，T是样本容量。上式右侧第一项随着k的增大变小。第二项则随着k的增大变大。随着k的变化，AIC有极小值存在。使用AIC准则的方法是通过连续增加解释变量个数直到AIC取得极小值，从而确定最优k值。EViews 3.0，6.0的计算公式是AIC = -2+其中logL = (1+log (2p) + log)。施瓦茨准则（Schwarz criterion, SC，又称贝叶斯信息准则Bayesian information criterion, BIC）定义如下。 SC = -2 logL + k logT其中logL = (1+log (2p) + log)。EViews 4.0，5.0的计算公式是 SC = log+ (5.85)其中，k，T定义如前。与AIC准则类似，SC准则也随k的变化有极小值存在。使用SC准则的方法与AIC准则相类似。EViews 3.0，6.0的计算公式是SC =-2+其中logL = (1+log (2p) + log)。汉南-奎因准则（Hannan-Quinn criterion, HQ） Hannan-Quinn criterion = -2+ 2 k注意，（1）这三个准则可用来确定ADL模型的最大滞后期k。（2）如果目标是较高的预测精度，应该采用AIC准则；如果目标是得到正确的滞后阶数，应该采用SC（BIC）准则。（3）大样本条件下，SC（BIC）准则、HQ准则和FPE准则估计滞后阶数的准确率更高些。深证成指序列（1999.1.4-2001.10.15, file:stock3,5stock）【例】file:stock3,5stock滞后阶数AICSCHQ0阶自回归模型12.148112.154912.15071阶自回归模型6.90939.92296.91462阶自回归模型6.91376.93416.92163阶自回归模型4.07914.10641.99374阶自回归模型6.91426.94836.9274注：AIC和SC（BIC）的值可以在EViews回归输出结果中找到。AIC、 SC（BIC）折线重合在一起（file:6stocka） 从图中可以清晰看出建立3阶自回归模型最合理。 【例】（file：5b2c1）以中国人口数据分别建立AR(0)、AR(1)、AR(2)、AR(3)、AR(4) 模型，得表如下：滞后阶数AICSCHQAR(0)-2.9173-2.8794-2.9028AR(1)-3.3438-3.2673-3.3147AR(2)-3.3209-3.2050-3.2769AR(3)-3.2718-3.1159-3.2129AR(4)-3.2066-3.0098-3.1326AIC、 SC（BIC）折线（file:6stocka）可以清晰看出建立AR(1) 模型最合理。以上两个输出结果中的SZ表示深证成指序列。因为第二个输出结果中的赤池信息准则和施瓦茨准则值都比第一个输出结果中的相应值小，所以建立三阶动态自回归模型没有必要。2模型诊断与EViews操作在EViews中，模型诊断与检验功能可以分为3大类。（1）模型参数约束检验，（2）模型残差检验，（3）模型稳定性检验。EViews 5.1中模型诊断功能一览1级检验功能2级检验功能3级检验功能1模型参数约束检验参数约束的Wald检验。丢失变量的似然比检验。多余参数的似然比检验。2模型残差检验残差序列的相关图与偏相关图，Q检验。残差平方序列的相关图与偏相关图。残差直方图与分布正态性检验。序列相关LM检验。自回归条件异方差LM检验。异方差White检验（不含交叉项）。异方差White检验（含交叉项）。3模型稳定性检验邹突变点检验。邹预测检验。Ramsey模型设定误差检验。递归估计（只适用于OLS估计）。递归残差。累计递归残差检验。累计递归残差平方检验。一步预测检验。n步预测检验。递归参数走势图。 EViews 5.1 EViews 6下面介绍EViews操作。（1）模型参数约束检验（Coefficient Tests）。模型参数约束检验中包括3种检验。Wald-Coefficient Restrictions（参数约束的Wald检验）；Omitted Variables -Likelihood Ratio（丢失变量的似然比检验）；Redundant Variables- Likelihood Ratio（多余参数的似然比检验）。前1种属于Wald检验；后两种属于似然比（L R）检验。EViews 5.1EViews 6（2）模型残差检验（Residual Tests）。模型残差检验中包括7种检验方法。Correlogram-Q-statistics（残差序列的相关图与偏相关图，Q检验）；Correlogram- Squared Residuals（残差平方序列的相关图与偏相关图）；Histogram-Normality Test（残差的直方图与分布正态性检验）；Serial Correlation LM Test（序列相关LM检验）；ARCH LM Test（自回归条件异方差LM检验）；White Heteroskedasticity (no cross terms)（异方差White检验（不含交叉项）；White Heteroskedasticity (cross terms)（异方差White检验（含交叉项）。在回归估计结果窗口中点击View键，选择Residual Tests功能，会看到7种关于检验残差的方法。EViews 5.1EViews 6Correlogram-Q-statistics（相关图与偏相关图，Q检验）功能用来识别残差序列是否为白噪声过程。Correlogram- Squared Residuals（残差平方序列的相关图与偏相关图）功能给出的是残差平方序列的相关图与偏相关图。此功能可用来检查残差序列中是否存在自回归条件异方差（ARCH）。如果不存在自回归条件异方差，各期的自相关与偏相关系数都应该等于零，Q统计量没有显著性。Histogram-Normality Test（残差的直方图与分布正态性检验）功能用来画残差序列的分布图以及相关统计量的值，并检验残差序列的分布正态性。Serial Correlation LM Test（序列相关LM检验）功能见自相关一章。ARCH LM Test（自回归条件异方差LM检验）功能用来检验残差序列是否为ARCH过程，所用统计量一个是F，一个是Obs*R-squared= T R2（LM统计量）。【例】（file:JPYEN, EQ01）White Heteroskedasticity（White异方差检验）用来检验残差序列是否存在异方差。【例】（file: Hete01）（3）Stability Tests（模型稳定性检验）。在当前回归估计结果窗口中点击View键，选择Stability Tests功能，会看到4种关于模型稳定性的检验方法。（1）Chow Breakpoint Tests（邹突变点检验），（2）Chow Forecast Tests（邹预测检验），（3）Ramsey RESET Test（重新设定检验），（4）Recursive Estimates (OLS only)（递归估计（只适用于OLS估计）。EViews 5.1EViews 6 Recursive Estimates (OLS only) （递归估计只适用于OLS估计）递归估计可以考察6项内容。注意：递归分析只适用于OLS估计，不适合于组合模型。 1。递归残差（Recursive Residuals，只适用于OLS估计）；递归残差：设模型中含有k个被估参数，样本容量是T。用样本值区间为1, , k的第1个子样本估计模型。然后按顺序每次增加一期样本值1, , k+i, i = 1, 2, , T- k进入子样本，估计模型，直至把样