1  做散点图        Quick/Graph   输入两个变量  点击OK  选择Scatter
   做拟合优度图      输出结果窗口  点击Resids
2   检验相关性
从主菜单选择 Quick/Group Statistics/Correlations
之后会弹出个对话框，在对话框选择你的目标序列
如  y  x1 x2  x3     输出结果如表格所示

	Y	X1	X2
Y	1.000000	0.964428	0.776150
X1	0.964428	1.000000	0.754522
X2	0.776150	0.754522	1.000000

[size=+0][size=+0]3    [size=+0]F检验
[size=+0][size=+0]ESS的自由度是k-1，RSS的自由度是n－k，其中n是样本容量，k是变量个数；[size=+0] 检验回归方程的F值与F(K-1，n-k)在显著性水平下（通常取0.05）的大小；[size=+0]若  F>F(K-1，K-n)则认为回归方程显著
4    自相关（Residual test）   
[size=+0][size=+0]     残差散点图法   可通过excel作图（从eviews  resid中复制数据） [size=+0]如主要点分布在一三象限，说明存在正相关；如主要分布在二四象限，说明存在负相关。
[size=+0]   [size=+0]解决办法：广义差分法    1）对原模型进行回归，求出如其等于0.6     2）生成新序列，即Genr  y1=y-(1-0.6)/2*y(-1)    Genr   x1=x-(1-0.6)/2*x(-1)   （-1）表示滞后一期 3）对新数列进行回归
     柯克兰内-奥长特两段法    点击  quick/  estimate equation  在分析输出窗口中输入  Y  C   X  AR(1)
5    [size=+0][size=+0]异方差性[size=+0]        
    怀特法：在输出结果窗口  点击view/residual tests/heter text   若TR的平方大于，则认为存在异方差，q为解释变量的个数。
    怀特法修正    在主菜单中选择Quick/Estimate Equation..., 设定模型后，在选项卡中选择Option，在出现的对话框里选择Heteroskedasticity Consistent Coefficient复选框，然后选择White,单击“确定”估计方程。在输出结果中，包含一行文字“White Heteroskedasticity Consistent Standard Eeeors & Convarance”说明运用怀特异方差修正了异方差性。
      戈德菲尔德-夸特检验   1） X从小到大排序(数据表里sort 选ascending表示升序 desending表示降序)  2） 略去居中的c个观测值（一般做法样本的1/4，小样本可再少些），剩余分两组  3）用两组数据各拟合一个回归，分别获得RSS1（小X组）和RSS2（大X组），自由度df=(n-c)/2-k，k是包括截距在内的待估参数个数。(RSS, Sum squared resid) 4）计算F=RSS2/RSS1
若F>F（df,df)怎认为存在异方差   （通常显著性水平取0.05）
6    滞后变量
    阿尔蒙多项式法   点击 Quick/ Estimate  equation   输入  y  c   pdl(x,k,r)  其中x为解释变量，k为滞后期数，r为滞后权数  K至少应大于3   然后换4,5,6……，直到R的平方不再增加即拟合优度最高为止.
7    多重共线性
      1）判断多重共线性   输出所有解释变量的相关系数表   具体做法上面已给出    2 ）采取逐步回归法解决     被解释变量分别对解释变量进行回归   比较各回归表R的平方即拟合优度的大小取最大值的X   然后在此基础上进行加解释变量   比较是否改进了R的平方。