《计量经济学（本科）教案：自相关的图形诊断与Eviews实现》

《计量经济学（本科）教案：自相关的图形诊断与Eviews实现》一、教学理念与课标要求在“新文科”建设与“双一流”背景下，本课程设计秉承“问题导向、数据驱动、结果验证”的核心理念，致力于打破传统教学中“重理论推导、轻实际应用；重估计方法、轻模型诊断”的壁垒。本课时的设计严格对标教育部高等学校经济学类学科教学指导委员会制定的《计量经济学教学基本要求》，旨在将理论教学与实践操作深度融合。课程不仅关注学生对自相关概念的定义性理解，更强调培养学生“像经济学家一样思考”，具备从原始数据中发现规律、诊断问题并科学修正的量化研究能力。通过本课时的学习，学生应从“会用软件跑回归”的低阶认知，跃升至“能诊断模型质量问题并优化模型设定”的高阶思维，最终达成培养具有扎实计量功底和敏锐数据直觉的经济类人才的目标。二、教材与学情分析（一）教材分析本课时的教学内容基于国内广泛使用的《计量经济学》（如李子奈、潘文卿版，或孙敬水版）教材中“违背古典假设——自相关性”一章进行整合与拓展D.W.中对自相关的理论阐述（如定义、原因、后果）较为详尽，但对于如何利用Eviews软件进行可视化的“图形诊断”，往往作为辅助工具一带而过。本设计将图形诊断从附属地位提升至方法论的核心环节，作为连接理论检验（D.W.检验、LM检验）与问题修正（广义差分、稳健标准误）的桥梁，充分体现“让数据说话”的现代计量理念2。（二）学情分析授课对象为大学本科三年级经济学或金融学专业学生。学生此前已完成《统计学》和《初级计量经济学》的学习，掌握了普通最小二乘法（OLS）的基本原理，能够独立完成基础的回归分析，并了解Eviews软件的基本操作（如建立工作文件、输入数据、运行OLS）1。然而，学生在认知上存在两个主要障碍：一是容易机械地接受回归结果，缺乏对残差序列进行“二次挖掘”的意识；二是对于抽象的自相关公式（如$Cov(\mu_i,\mu_j)\neq0$）缺乏直观的图形感知。因此，本课时利用图形这一最直观的认知工具，帮助学生打通从抽象理论到具象感知的“最后一公里”。三、教学目标设计依据布鲁姆教育目标分类学，本课时设定以下三维教学目标：（一）知识与技能目标（基础）1.准确阐述序列自相关的概念及其对OLS估计量有效性的影响。2.熟练掌握利用Eviews28生成残差序列的时序图、残差与滞后一阶残差的散点图以及残差的自相关与偏自相关图。3.能够根据图形特征（如正相关、负相关、拖尾、截尾）对模型是否存在自相关及其阶数做出初步判断。（二）过程与方法目标（重要）1.通过“先OLS估计，后残差诊断”的递进式教学，引导学生建立规范的计量建模流程意识。2.运用对比分析法，对比无自相关、一阶正自相关、一阶负自相关三种情形下的图形差异，培养学生通过数据可视化进行模式识别的能力。D.W.过案例实操，使学生掌握图形诊断与后续统计检验（D.W.检验、LM检验）相互印证的综合分析方法。（三）情感态度与价值观目标（难点）1.培养学生严谨求实的科学态度——不盲目迷信回归结果，养成对模型进行“健康体检”的良好研究习惯。2.通过图形这种简洁优美的形式，让学生体会残差中蕴含的信息之美，激发探索数据内在规律的学术兴趣。四、教学重点与难点（一）教学重点1.在Eviews28中运用残差时序图和残差散点图识别一阶线性自相关。2.解读残差自相关（AC）图和偏自相关（PAC）图，判断自相关的阶数。（二）教学难点1.区分“真正的自相关”与“因模型设定偏误（如遗漏重要变量、函数形式错误）”导致的残差伪相关2。2.理解自相关图中“拖尾”与“截尾”的统计学含义及其对模型识别的指导作用。五、教学实施过程（核心环节，占比70%）本环节以“中国年全社会固定资产投资总额（X）与工业总产值（Y）”的实际案例为载体4，遵循“设定模型→OLS估计→图形诊断→统计验证→修正模型”的五阶递进式探究路径。（一）导入环节：构建认知冲突（约5分钟）【教学活动】展示两组数据：一组是随机生成的白噪声序列（残差图波动无规律），另一组是真实的宏观经济时间序列数据（如消费与收入）回归后的残差图（呈现出明显的同向波动）。请学生肉眼观察两幅图的差异。【学生活动】直观感知到第二组图的残差存在“连动”或“趋势”。【教师总结】引出核心问题：当OLS的高斯马尔可夫假定的关键一环——无自相关被违反时，我们的回归结果将不再是最优线性无偏估计（BLUE）。今天，我们就来学习如何通过Eviews这双“眼睛”，给我们的模型做一次“CT检查”，诊断出看不见的“自相关”。（二）原理回顾与软件准备（约10分钟）1.理论基础回顾：简述自相关的本质——$Cov(\mu_i,\mu_j)\neq0$对于时间序列数据，通常表现为$\mu_t=\rho\mu_{t1}+\epsilon_t$（一阶自回归形式AR(1)）。2.Eviews28准备工作：1.3.建立工作文件：启动Eviews28，依次点击File/New/Workfile。由于本例为年度数据，在Workfilestructuretype下拉框中选择Datedregularfrequency，Datespecification选择Annual，输入起始年份1980和结束年份201313。2.4.录入数据：在Group窗口中，将全社会固定资产投资总额（X）和工业总产值（Y）的数据录入。或者通过Quick/EmptyGroup直接好的Excel数据，并为序列分别命名为X和Y4。（三）核心探究一：初诊——OLS估计与残差提取（约15分钟）1.模型设定与估计：1.2.在命令窗口输入命令：LSLOG(Y)CLOG(X)，或者通过菜单操作：Quick/EstimateEquation，在方程设定对话框中输入log(y)clog(x)。这里选择双对数模型，是因为经济变量常具有弹性解释意义，且能一定程度上缓解异方差3。2.3.点击确定，得到回归结果。4.【重点操作】生成残差序列：1.5.方法一：在回归结果窗口中，点击Proc/MakeResidualSeries。在弹出的对话框中，Eviews默认将残差命名为RESID01（如果之前没有定义过残差）或RESID02。我们将其命名为E1，点击OK。此时，工作文件中就多了一个名为E1的序列，它就是我们模型估计出来的残差$\hat{\mu}_t$。2.6.方法二：更快捷的方式，在回归结果窗口中，点击View/Actual,Fitted,Residual/ResidualTable或ResidualGraph，可以直接查看残差的表格和图形4。7.初步观察：引导学生观察回归结果中的DurbinWatsonstat值。假设本例中DW值接近0.5，远小于2。教师提问：“DW值远小于2，暗示了什么？”（学生回答：可能存在正自相关）。但这只是统计量的数值提示，接下来我们用图形来“眼见为实”。（四）核心探究二：图形诊断的三种“利器”（约35分钟）本环节是课堂的核心，教师演示与学生同步实操结合，逐一展示三种图形诊断方法。1.【基础】残差时序图（Residualvs.Time）：1.2.操作：双击工作文件中的残差序列E1，打开序列窗口。点击View/Graph/Line。2.3.【非常重要】图形解读：1.3.4.展示典型的无自相关图：残差围绕着零轴上下随机波动，无明显规律。2.4.5.对比展示本例生成的图形：如果图形显示出残差连续几期为正值（位于零轴上方），然后连续几期为负值（位于零轴下方），呈现明显的“块状”或“波浪形”交替，这就直观地表明存在正的一阶自相关。因为正的冲击倾向于带来后续几期的正向偏离，负的冲击亦然59。3.5.6.引申：如果图形呈现出频繁的、剧烈的振荡，残差值在正负之间迅速交替（如锯齿状），则可能提示存在负的一阶自相关（但在经济时间序列中较少见）。7.【重点】残差滞后散点图（$\hat{\mu}t$与$\hat{\mu}{t1}$的相关关系）：1.8.操作：按住Ctrl键，在工作文件中先选中残差序列E1，再选中它的一阶滞后序列。如何得到滞后序列？可以通过命令SERIESE1(1)生成，或者在E1窗口点击Proc/GeneratebyEquation，输入E1_1=E1(1)。然后选中E1和E1_1，右键Open/asGroup。在组窗口工具栏点击View/Graph/Scatter/SimpleScatter。2.9.【高频考点】图形解读：1.3.10.教师讲解：如果$\hat{\mu}t$与$\hat{\mu}{t1}$之间存在线性关系，则点在散点图上会呈线性分布。2.4.11.观察本例散点图：如果点大致分布在一条从左下指向右上的45度线附近，说明$\hat{\mu}t$与$\hat{\mu}{t1}$正相关（即大的正的残差后面跟着大的正的残差），印证了一阶正自相关（$\rho>0$）。3.5.12.引申：如果点分布在一条从左上指向右下的直线附近，则是负相关（$\rho<0$）；如果点呈无规则的球形分布，则无自相关。13.【难点突破】残差的相关图（Correlogram）：1.14.操作：打开残差序列E1的窗口。点击View/Correlogram。在弹出的对话框中，保持Level默认，Lagstoinclude可以输入12或24（根据样本量，本例34年数据，可选择12阶），点击OK57。2.15.结果解读：Eviews会输出一个由三部分组成的表格和图形：自相关函数（AC）、偏自相关函数（PAC）、Q统计量及其P值。0.2...16.解读AC图（条形图）：观察第1期的AC值（记为$\hat{\rho}_1$）。如果$\hat{\rho}_1$的条形图明显超出了两侧的虚线（即95%的置信区间），且数值为正（如0.8），这就是一阶自相关的确凿证据。同时，观察后续几期的AC值，如果它们逐渐衰减（如0.8,0.6,0.4,0.2...），这种现象称为“拖尾”，这是AR过程（自回归过程）的典型特征5。2.4.17.【重要】解读PAC图：观察PAC图。对于AR(1)过程，理论上只有第1期的PAC值显著不为零（条形图超出虚线），而第2期、第3期等的PAC值应在虚线内，这种现象称为“1阶截尾”。3.5.18.结合Q统计量：看Q统计量对应的Prob（P值）。如果各阶滞后的P值均小于0.05，则拒绝“无自相关”的原假设，从统计上进一步证实了自相关的存在。（五）辨析与深化：图形诊断不是万能的（约10分钟）1.【难点突破】虚假自相关：1.2.教师抛出问题：“如果我们的模型设定错了，比如应该是对数模型却设成了线性模型，残差图也会表现出自相关。这是‘真’的自相关吗？”2.3.演示：假设我们错误地估计了线性模型LSYCX，生成残差E2。展示E2的时序图，可能同样存在明显的趋势。对比E1（双对数模型）和E2（线性模型）的残差图。3.4.结论：图形诊断只能告诉我们“模型可能存在设定问题”，但问题的根源可能是误差项真的相关，也可能是模型函数形式错误或遗漏了重要变量（如时间趋势）。图形诊断是起点，不是终点，必须结合具体经济理论和后续的设定检验（如RamseyRESET检验）。（六）知识迁移与前瞻（约5分钟）在确认存在一阶自相关后，如何补救？1.广义差分法：利用$\hat{\rho}$（可由$\hat{\rho}\approx1DW/2$近似计算）对数据进行变换，在Eviews中可以直接在方程设定中加入AR项。例如，在方程估计框中输入LOG(Y)CLOG(X)AR(1)，再次估计即可得到消除了自相关的参数估计49。2.NeweyWest标准误：另一种思路是，即便存在自相关，我们也可以不改变系数估计，而是修正系数的标准误。在方程估计窗口点击Estimate/Options，在Coefficientcovariancematrix中选择HAC(NeweyWest)，可以得到稳健的标准误，从而进行有效的统计推断4。六、板书与软件界面整合设计教学环节左侧黑板（理论）右侧白板/屏幕（Eviews28实操投影）模型设定双对数模型：$\lnY_t=\beta_1+\beta_2\lnX_t+\mu_t$命令：LSLOG(Y)CLOG(X)输出：回归结果表格（系数、t值、R^2）残差提取残差序列：$e_t=\lnY_t\hat{\beta}_1\hat{\beta}_2\lnX_t$操作：Proc/MakeResidualSeries>命名为E1结果：工作文件中出现E1图标时序图正相关图形特征：连续正、连续负操作：双击E1>View/Graph/Line图像：呈现波浪形、块状分布的折线图滞后散点图$e_t$与$e_{t1}$的关系：$e_t=\rhoe_{t1}+\epsilon_t$