第一次发帖，刚学eviews没太久，找了很久，发现网上找不到太好的总结资料，我就把自己总结的应用思路整理一下，和各位探讨探讨，当然了，你也可能看不下去，最好你也做一份自己的总结，这样能更好的理解，水平有限，有很多不足之处，还请各位大虾的指教，共同进步！！！！！！！！！

第一步：准备工作

主要包括对数据的处理和变量之间关系的检验。数据的处理方面较为复杂的是对时间序列的处理，比如去除季节、节假日等因素所造成的影响。对数据的平稳性进行检验——单位根检验，然后是协整检验（好像在这块比较纠结，例如：单位根检验三种模型的选择，是否三种都要，还是什么.......还有单整、非单整，在这块还请高人总结一哈，也就是时间序列的整个思路不是很清晰）。

第二步：模型估计

根据变量之间的线性图示、散点图示（一般多为散点图，个人认为能更好的反应出变量之间的关系，尤其是异方差性）根据图示分析其函数形式，主要有简单线性函数、对数函数、指数函数、二次函数，有时需要对几种函数形式的估计结果进行比较，主要是考察其拟合优度登基本指标。

第三步：模型检验

这也是最复杂的一步，就是对模型进行各种检验，也就是看解释变量和随机干扰项是否满足基本假定。一般情况下可根据解释变量个数和数据类型选择对模型进行有针对性的检验。主要分为以下几种类型：

1、含有单个解释变量的截面数据。截面数据一般情况下可能存在异方差性（尤其是在只有单个解释变量时），检验异方差的方法有图示法（解释变量和被解释变量的散点图即可，此时需注意异方差的类型，因为后面修正用的到）、white检验（将其P值与置信水平比较大小即可判断）、G-Q检验、park或gleiser检验，没必要全做，个人觉得按照这个个顺序比较好。根据检验结果判断是否存在异方差性。

2、含有单个解释变量的时间序列。由于变量的时间惯性、设定误差等，时间序列一般情况下存在着序列相关性。检验序列相关的方法有图示法（做随机干扰项的近似估计量与时间、或其滞后阶的散点图）、D-W检验、查看残差的滞后项相关系数图示、拉格朗日乘数检验。

    3、含有多个解释变量的截面数据或时间序列。这也是我们最常用的一种类型。多个解释变量首先要考虑的是解释变量之间是否存在多重共线性，检验的方法各变量之间的相关系数即可。并采用判定系数检验法来判断引起多重共线性的解释变量，为进一步的修正做准备。在解决了多重共线性后再根据前两类进行异方差或序列相关的检验。

    第四步：修正模型

     模型检验工作做完后，修正模型就很简单了，针对模型所存在的问题，进行修正。不过有些地方要注意细节，下面就分三种情况说明模型的修正。

     1、异方差性的修正。主要方法就是加权最小二乘法，重点是权数的选择。查了很多资料没有找到太好的说法，自己总结一下不知对否，一般情况下是选1/ABS(resid)——残差的绝对值的倒数，此时最需要注意的问题是此处的残差是原模型的残差，另外你可以根据异方差的类型（递增或递减）选择权数，或者选择多个权数对其模型的拟合度进行比较。

2、对于多重共线性的修正。常用的方法就是逐步回归法，当然逐步回归也存在一个顺序问题了，个人觉得较好的过程是：先将各解释变量分别与被解释变量进行回归，然后根据拟合优度对解释变量进行排序，在此基础上进行逐个添加，对于添加的解释变量若通过显著性检验则保留，否则则丢掉。在这里想强调的是删除解释变量的问题，除非是迫不得已最好是保留，在李子奈的《计量经济学》（第二版）P124的总结：多重共线性的影响是使得参数估计量的方差变大，但是它的方差受到随机干扰项的方差、变量的变异程度与方差的膨胀因子的共同影响。如果回归方程估计的参数标准差较小，t统计值较大，就没必要过于强调是否存在多重共线性。

3、对于序列相关性的修正。用的最多的方法是科克伦-奥科特迭代法，也最好用。李子奈的《计量经济学》（第二版）P114中有这么一段话，我想就足够说明如何处理序列相关问题。他指出：至于选择几阶随机干扰项的自回归项做解释变量，主要判断依据是D.W.的统计量，根据其值逐次引入AR(1)、AR(2)...，直到满意为止。