Instrumental variables (2SLS) regression
      Source |       SS       df       MS              Number of obs =      23
-------------+------------------------------           F(  2,    20) =   24.11
       Model |  5582539.59     2   2791269.8           Prob > F      =  0.0000
    Residual |   2314971.3    20  115748.565           R-squared     =  0.7069
-------------+------------------------------           Adj R-squared =  0.6776
       Total |  7897510.89    22  358977.768           Root MSE      =  340.22
------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       yt_iv |   .6788319   .2927116     2.32   0.031     .0682461    1.289418
           x |    .004318   .0020767     2.08   0.051    -.0000138    .0086498
       _cons |   19.52066   120.7005     0.16   0.873    -232.2561    271.2974
------------------------------------------------------------------------------
Instrumented:  
Instruments:

Dependent Variable: Y                               
Method: Least Squares                               
Date: 11/21/09   Time: 00:29                               
Sample (adjusted): 2 24                               
Included observations: 23 after adjustments                               
                               
Variable        Coefficient        Std. Error        t-Statistic        Prob.  
                               
C        19.51987        120.7007        0.161721        0.8731
X        0.004318        0.002077        2.079297        0.0507
YT        0.678811        0.292703        2.319115        0.0311
                               
R-squared        0.706873            Mean dependent var                641.4135
Adjusted R-squared        0.677561            S.D. dependent var                599.1475
S.E. of regression        340.2184            Akaike info criterion                14.61816
Sum squared resid        2314971.            Schwarz criterion                14.76627
Log likelihood        -165.1088            F-statistic                24.11494
Durbin-Watson stat        0.433339            Prob(F-statistic)                0.000005
                               
根据您的做法，我试了一下，以上是结果，可是DW值太小，F值也太小。拟合度也不高。该怎么操作？DW值这么小，是不是说明还存在正相关啊？

于是我在最后一步回归的时候用了命令：ls y c x yt ar(1)，回归的同时也消除一下一阶自相关性，这样可以吗？
Dependent Variable: Y                               
Method: Least Squares                               
Date: 11/21/09   Time: 00:42                               
Sample (adjusted): 3 24                               
Included observations: 22 after adjustments                               
Convergence achieved after 5 iterations                               
                               
Variable        Coefficient        Std. Error        t-Statistic        Prob.  
                               
C        75.49383        59.62918        1.266055        0.2216
X        0.006251        0.001009        6.195930        0.0000
Y(-1)        0.392517        0.139185        2.820097        0.0113
AR(1)        -0.300379        0.366688        -0.819167        0.4234
                               
R-squared        0.905390            Mean dependent var                671.9753
Adjusted R-squared        0.889621            S.D. dependent var                496.6372
S.E. of regression        164.9992            Akaike info criterion                13.21272
Sum squared resid        490045.0            Schwarz criterion                13.41109
Log likelihood        -141.3400            F-statistic                57.41808
Durbin-Watson stat        1.917647            Prob(F-statistic)                0.000000
                               
Inverted AR Roots             -.30

还有F-statistic  为  57.41808，这个会不会也太小？有没有问题？如果有问题该怎么解决？

我有几点不太明白：
1：TSLS一般用在联立方程估计，而我只是要考虑GDP与FDI的关系，只是一个方程，为什么要用TSLS？
2：请问从整个过程来看，我们的做法叫什么？
3：如果只是要分别分析FDI对第一第二第三产业GDP的影响，您会采用什么方法？

我们的做法跟分布滞后模型、kyock都没有关系吗？本人是个菜鸟，恳请您耐心解答，谢谢

1.因为Koycy变换中的残差项包括了前一项的残差，vt=et-k*et-1，所以存在内生性。TSLS不是只用在联立方程，是用在有内生性的估计，因为联立方程本身就是一个内生性的问题，所以要用TSLS

2.整个过程叫消除内生性影响

3.时间序列分析协整，ECM，脉冲呼应，格兰杰因果分析

另外，Koyck变换后的自相关不能用DW统计量来检验，要用LM TEST，不过这里你的样本不够大，比较难检验。具体原因是因为在一个自变量为滞后因变量的模型中，DW统计量的推导公式不能检验出自相关。

F-Statistic 不用太大，因为F统计量本质就是两个方差互除，只是F统计量的概率为0就行

SSR不够高不要紧，因为计量方法的重点是要估计量的准确，不是说SSR越高越好的

时间序列分析的话，你要是是个伪回归的话，模型的SSR就会很高，但是DW会接近0，但这种模型没有任何价值

13# nena2749 您能不能帮我推荐几篇按这个做法做的文章啊？如果您手头有的话，麻烦您发到我的QQ邮箱，QQ:367099259  小弟想好好学习一下kyock模型。再次麻烦您了，老大

邮件发你了，顺便给我赏金啊~~~