谢谢,不过还请说明那本书里可以看到。

另外，更具体地说明这个问题。

用时间序列数据可以得出一个整体的估计模型，拟合优度很高。R square=0.96，

而用横截面数据拟合的R square=0.57。

原因很清楚，由于做为一个整体，消费相对稳定，而整体的各部分则受当地历史消费结构、文化风俗等因素的影响，偏离均值比较大。

以下以例子说明

某省有三个地区，每年消费一种产品数量如下表所示：

1999 2000 2001 2002

地区1 10 11 12 13

地区2 20 21 23 26

地区3 18 20 21 25

合计 48 52 56 64

各地国民收入如下：

1999 2000 2001 2002

地区1 8 9 10 11

地区2 10 11 12 13

地区3 11 12 13 14

合计 29 32 35 38

从数据中可以看出，各地据国民收入年对于这种产品的消费并不均衡，但从做为一个省的消费总量和国民收入总量的历年数据来看却有显著的相关关系。

而我们的目的除了要建立模型预测总的消费量之外，还要预测各地的消费量。

所以，就面临前面所述的问题。

还请指教。

[此贴子已经被作者于2005-6-14 11:07:50编辑过]

时间序列的拟合度高往往是因为变量均有上升的趋势所致，如果没有协整关系，就是伪回归，再高的拟合度无用。

panel data 能较好地解决此问题，wooldridge书上有介绍。

谢谢，我没看过WOOLDRIDGE的书，学的是GUJARATI的教材。回头要看看WOOLDRIDGE的书。

继续讨论。

首先，数据是存在协整关系的。横截面数据估计所得到的残差序列存在明显的相关关系。应用ARCH模型是否能得到更好的结果，我再试试。

其次，我学习时用的是古扎拉蒂的书，该书中也简单的介绍了混用数据的处理办法，就是设计0-1型的虚拟变量区分不同的横截面数据。但当变量类别太多时，这个方法很不好，因为要加入太多的变量。例如，在这个问题中，共有17个地区，假定截距和斜率都不同时，需要32个变量。

不知有没有更好的办法。