直接在窗口输入
ls y c x ar(1）
得到的回归模型就是修正后的模型了。
（如果是2阶自相关，就是“ls y c x  ar(1）ar(2）”，依此类推。ar(p）就是表示随机干扰项的p阶自回归，在估计过程中自动完成了ρ1，ρ2，...，ρp的迭代。所以不需要具体再迭代了。

谢谢！镇好人啊

感谢哦，正在为这个问题犯愁哦

我对回归方程中ar（p）模块自回归系数的具体的估计算法不太清楚，但是我觉得加ar（p）似乎和奥科伦迭代不是完全一样的，期待高人解答！！！

今天研究了一个上午，发觉2楼说的方法不是Cochrane-Orcutt迭代法，eviews不能直接进行Cochrane-Orcutt运算，参考李奈子的计量经济学，广义差分法至少有四个步骤：
第一步，先用现有数据进行回归，检查残差（e）序列相关阶数。
第二步，初步估计序列相关系数，使用上步的残差进行自相关回归，如果是1阶回归，则滞后1期，如果2阶自相关，则滞后2期，例如：如果序列存在2阶序列相关，et=b1*e(t-1)+b2*e(t-2),2阶自相关残差自相关系数估计，b1,b2,估计出来后便是序列相关系数的第一次估计值。
第三步：使用上步估计的系数对自变量进行差分处理（只对自变量进行这样的差分处理）,将Xt-b1*X(t-1)-b2*X(t-2)作为新的自变量（其他类推）,估计如下方程：
Yt=c+b'1*Y(t-1)+b'2*Y(t-2)+p1*[Xt-b1*X(t-1)-b2*X(t-2)]  （这里的应变量的两期滞后期数据前的系数是用来估计第二次的序列相关系数的）
(如果有多个自变量，同样地处理)
此时估计出来的b'1,b'2为序列相关系数的第二次估计值，也是最终的估计值。
第四步：使用上步估计的序列相关系数，对原方程进行处理，估计方程：
Yt-b'1*Y(t-1)-b'2*Y(t-2)=c+p'1*[Xt-b'1*X(t-1)-b'2*X(t-2)]
此时得出的 p'1便是原方程的回归系数，但是上述方程的常数项不是原回归方程的常数项，需要进行转换：C'=c+b'1+b'2
因此最后的没有序列相关的回归方程为：Yt=C'+p'1*Xt
以上是我自己看书得出的结论，不过这个应该属于 两步法，是不是Cochrane-Orcutt迭代法我也不太确定了，请高手指正。

5# 787740190