特别提醒：检验残差平稳的E-G协整检验法对样本要求较高，如果不符合大样本要求，检验结果可能不可信。所以如果你的样本量比较少，即使残差为平稳序列，也不能一定保证方程存在协整，即可能存在伪回归。

产生伪回归的主要原因是模型的残差非平稳的。但变量非平稳和回归中随机扰动项的自相关均可导致伪回归。
在讨论回归模型是否存在伪回归问题的时候,有两个统计量的分布特别值得注意。
1.R2统计量过小,而模型中其他统计量都通过显著性检验,此时要对R2的分布进行重点研究,从
而可能会发现模型的伪回归现象.
2.DW统计量的值偏小,模型中的其他统计量的值都非常理想。模型的残差序列存在自相关,用
广义最小而乘法(GLS)又不能对模型进行修正,那么就要对结构参数的分布进行研究,如果结构参数
的分布不稳定,则模型一定存在伪回归问题,故须重新考虑模型设定的问题。

（1）非平稳、非协整序列回归会导致“伪回归”。（2）检验残差序列是否平稳是采用E-G协整检验，但一般E-G协整检验法常用于两个变量之间，只能确定是否协整，且要求相对大的样本量。如果是多变量回归，最好采用Johansen协整检验法，不仅可以确定是否协整，还可以确定有几个协整关系。（3）所有你的多元回归：采用E-G'检验残差平稳性严格来讲值得商榷。建议最好用Johansen协整检验（4）但要注意：“伪回归”却不仅仅局限于非平稳、非协整序列。根据普洛瑟等（1988）对非平稳序列进行OLS回归可能产生“伪回归”，这只是“伪回归”中的一种。“伪回归”还可能包括：第一：如2楼所说的，R2很小、存在序列相关（用DW值和序列相关LM值检验）等时回归结论不可靠；第二，存在异方差（White、ARCH等检验）、残差不符合正态分布（用正态性J-B检验）时回归结论不可靠；第三，模型存在内生性，即自变量和因变量之间存在双向因果关系或因果倒置问题（此时最好用工具变量法等，并进行内生性检验），回归结论不可靠；第四，其他，比如模型设定不符合经济意义的：举例：你用路边的小树每年长高的幅度与GDP进行回归，可能R2很高、可能变量都通过计量检验，但不符合经济意义啊，因为你不能说“小树长高是GDP的原因吧”。事实上，“伪回归”不仅于此。仅是个人观点，不一定正确，斟酌考虑，互相学习吧。呵呵

所以，如果你检验残差是平稳序列只能说明：不存在因为变量为非平稳序列所导致的“伪回归”。但要注意可能存在其他原因引起的“伪回归”。

2# shijianping

请问,这些论点来自何处?