模型：Y=a+bX1+Cx2+u

我采用的横截面样本，采用回归分析后得到的结果是：

Dependent Variable: Y   

Method: Least Squares   

Date: 04/10/09   Time: 22:31   

Sample: 1 110   

Included observations: 110     

Variable Coefficient Std. Error t-Statistic Prob.     

X1 -1.808606 0.792401 -2.282438 0.0244

X2 3.413273 1.458477 2.340300 0.0211

C -0.011629 0.025596 -0.454309 0.6505

R-squared 0.074716     Mean dependent var  -0.065141

Adjusted R-squared 0.057421     S.D. dependent var  0.154995

S.E. of regression 0.150479     Akaike info criterion  -0.923088

Sum squared resid 2.422912     Schwarz criterion  -0.849438

Log likelihood 53.76982     F-statistic  4.320092

Durbin-Watson stat 1.914702     Prob(F-statistic)  0.015693

但是结果拟合度很低，好像不好说明X2对Y的显著性。

由于是横截面样本，可能存在异方差，所以进行了加权最小二乘，然后得到如下的结果，

Coefficient      Std. Error       t-Statistic Prob.           

C     -0.005326       0.003327 -1.600608       0.1124

X1   -2.018070       0.092550 -21.80511       0.0000

X2   3.593415 0.540098 6.653268 0.0000

       Weighted Statistics              

R-squared       0.819971     Mean dependent var              -0.068961

Adjusted R-squared       0.816606     S.D. dependent var        0.149534

S.E. of regression   0.038091     Akaike info criterion             -3.670785

Sum squared resid  0.155249     Schwarz criterion          -3.597136

Log likelihood 204.8932     Hannan-Quinn criter.             -3.640912

F-statistic       243.6743     Durbin-Watson stat        1.898829

Prob(F-statistic)     0.000000              

       Unweighted Statistics                  

R-squared       0.074064     Mean dependent var              -0.065141

Adjusted R-squared       0.056757     S.D. dependent var        0.154995

S.E. of regression   0.150532     Sum squared resid         2.424619

Durbin-Watson stat 1.937609              

这个结果还不错，但是请高人指点下：

我的样本是横截面样本，2007年—2008年金融类上市公司每个季度的观测值作为一个样本，但是由于数据不全，所以剔除了很多观测值，每个公司的观测值的时间并不一定相同，比如A公司的可能第二个季度的数据没有就被剔除了，其他公司可能其他季度的数据没有。

我打算先做加权最小二乘

然后回归分析

根据加权最小二乘后的回归分析来得出X2对Y的显著性这个模型假设

请问这样可以吗？？毕业论文这样写可以吗？