一．企业景气指数和企业家信心指数
1.1建立工作文件并录入数据，如图1所示
图1
这是企业景气指数和企业家信心指数的原始数据，prosperity代表企业景气指数，confidence代表企业家信心指数。1.2平稳性检验
1.2．1平稳性的图示判断（图2）
1
图2
从图中可以看出企业景气指数和企业家信心指数这两序列都是非平稳的。
1.2.2样本自相关图判断
点击主界面Quick\\SeriesStatistics\\Correlogram...，在弹出的对话框中输入prosperity，点击OK就会弹出CorrelogramSpecification对话框，选择Level，并输入要输出的阶数(一般默认为24)，点击OK，即可得到prosperity的样本相关函数图,如图3所示。
2
图3
从上述样本相关函数图，可以看到企业景气指数（prosperity）的样本相关函数是缓慢的递减趋于零的，但随着时间的推移，在0附近波动并呈发散趋势。所以，通过企业景气指数（prosperity）的样本相关图，可初步判定该企业景气指数（prosperity）时间序列非平稳。
同理得：confidence的样本相关函数图,如图4所示
3
图4
从上述样本相关函数图，可以看到企业家信心指数（confidence）的样本相关函数是缓慢的递减趋于零的，但随着时间的推移，在0附近波动并呈发散趋势。所以，通过企业家信心指数（confidence）的样本相关图，可初步判定该企业家信心指数（confidence）时间序列非平稳。
1.2.3单位跟检验(ADF检验)单位跟检验(检验)
（1）企业景气指数（prosperity）
采用ADF检验对prosperity序列进行平稳性的单位根检验。点击主界面Quick\\Series
Statistics\\UnitRootTest...，在弹出的Series对话框中输入prosperity，点击OK，就会出现UnitRootTest对话框，如图5所示。
4
图5
对于模型3：
5
图6
ADF检验的结果：如图6，在5%的显著性水平下，单位根统计量ADF=-2.725565大于EVIEWS给出的ADF临界值-3.595026.对于模型2：
6
图7
ADF检验的结果：如图7，在5%的显著性水平下，单位根统计量ADF=-2.661238大于EVIEWS给出的ADF临界值-2.981038.对于模型1：
7
图8
ADF检验的结果：如图8，在5%的显著性水平下，单位根统计量ADF=-0.295014大于EVIEWS给出的ADF临界值-1.954414.
综上可知，所以接受原假设，即企业景气指数（prosperity）是有单位根，该序列是非平稳的。
（2）企业家信心指数（confidence）ADF检验对于模型3：
8
图9
ADF检验的结果：如图9，在5%的显著性水平下，单位根统计量ADF=-2.592001大于EVIEWS给出的ADF临界值-3.595026.
对于模型2：
9
图10
ADF检验的结果：如图10，在5%的显著性水平下，单位根统计量ADF=-2.540038大于EVIEWS给出的ADF临界值-2。981038.
对于模型1：
10
图11
ADF检验的结果：如图11，在5%的显著性水平下，单位根统计量ADF=-0.485724大于EVIEWS给出的ADF临界值-1.953858.
综上可知，所以接受原假设，即企业家信心指数（confidence）是有单位根，该序列是非平稳的。
1.3单整性检验
（1）企业景气指数（prosperity）
采用ADF检验对consume序列进行单整性检验。点击主界面Quick\\Series
Statistics\\UnitRootTest...，在弹出的Series对话框中输入prosperity，点击OK，就会出现UnitRootTest对话框，如图12所示。
11
图12
ADF检验的结果：如图12，在5%的显著性水平下，单位根统计量ADF=-3.136994大于EVIEWS给出的ADF临界值-3.595026.
对于模型2：
12
图13
ADF检验的结果：如图13，在5%的显著性水平下，单位根统计量ADF=-3.200901小于EVIEWS给出的ADF临界值-2.981038.
所以企业景气指数（prosperity）是一阶单整。（2）企业信心指数（confidence）对于模型3：
13
图14
ADF检验的结果：如图14，在5%的显著性水平下，单位根统计量ADF=-3.464275大于EVIEWS给出的ADF临界值-3.595026.对于模型2：
14
图15
ADF检验的结果：如图15，在5%的显著性水平下，单位根统计量ADF=-3.547418小于EVIEWS给出的ADF临界值-2.981038.
所以.企业信心指数（confidence）是一阶单整。
1.4企业景气指数（prosperity）和企业家信心指数（confidence）协整检验
15
图16
观察回归结果得知：各种统计量在1%显著水平下都是显著的，其中R2约为0.93。回归方程为：prosperity=0.78489*confidence+30.51774
（18.03753）（5.382645）
（DW=2.187551F=325.3527）
因为此回归结果是根据两个同阶单整平稳序列回归得到的，故可能存在伪回归问题，我们并不能轻易接受这个结果。因此，为了更准确的验证两列数据的协整性，下面对回归方程的残差项序列进行单整分析。若此残差项序列是平稳的，则说明{prosperity}、{confidence}序列之间存在协整关系，否则{prosperity}、{confidence}序列之间不存在协整关系，上述回归属伪回归问题
在命令窗口输入“genru=resid”生成新的残差序列{u}，画图如下：
16
图17
再对残项差序列{u}进行ADF单整检验，结果如下：
对于模型3：
17
图18
ADF检验的结果：如图18，在5%的显著性水平下，单位根统计量ADF=-1.631805大于EVIEWS给出的ADF临界值-3.622033.
对于模型2：
18
图19
ADF检验的结果：如图19，在5%的显著性水平下，单位根统计量ADF=-1.462450大于EVIEWS给出的ADF临界值-2.998064.
对于模型3：
19
图20
ADF检验的结果：如图20，在5%的显著性水平下，单位根统计量ADF=-1.501770大于EVIEWS给出的ADF临界值-1.956406
所以在5%的显著水平下，接受残差序列存在单位根的原假设，即此残差项序列是一个非平稳随机过程。故上述回归属伪回归问题，{prosperity}、{confidence}序列之间不存在阶协整关系，即他们之间不存在长期稳定的均衡关系。
20
二.
社会消费品零售总额
2.1建立工作文件并录入数据，如图1所示
图1
这是社会消费品零售总额（consume），其中1代表2008年1月，最后一个是48，代表2011年12月。2.2平稳性检验
1.2．1平稳性的图示判断（图2）
21
图2
由图2，我们可以直观地看到社会消费品零售总额（consume）关于月份在不同时间段的均值不同，，即社会消费品零售总额（consume）序列不平稳。2.2.2样本自相关图判断
点击主界面Quick\\SeriesStatistics\\Correlogram...，在弹出的对话框中输入consume，点击OK就会弹出CorrelogramSpecification对话框，选择Level，并输入要输出的阶数(一般默认为24)，点击OK，即可得到consume的样本相关函数图,如图3所示。
22
图3
一个时间序列的样本自相关函数定义为：
rk=
∑(Xt=1
n−ktn−X)(Xt+k−X)
,
tk=1,2,3,...
∑(Xt=1
−X)2
易知，随着k的增加，样本自相关函数下降且趋于零。但从下降速度来看，平稳序列要比非平稳序列快得多。
从上述样本相关函数图，可以看到社会消费品零售总额（consume）的样本相关函数是缓慢的递减趋于零的，但随着时间的推移，在0附近波动并呈发散趋势。所以，通过社会消费品零售总额（consume）的样本相关图，可初步判定该社会消费品零售总额（consume）时间序列非平稳。
23
(ADF检验)2.2.3单位跟检验单位跟检验(检验)
采用ADF检验对consume序列进行平稳性的单位根检验。点击主界面Quick\\SeriesStatistics\\UnitRootTest...，在弹出的Series对话框中输入consume，点击OK，就会出现UnitRootTest对话框，如图4所示。
图4
UnitRootTest对话框的设置。其中Testforunitrootin栏中，Level是水平序列，1st是一阶差分序列，2nd是二阶差分序列；Includeintestequation栏中，Intercept是常数项，对应ADF检验中的第二个模型，Trendandintercept是趋势项加常数项，对应ADF检验中的第三个模型，None是没有趋势项跟常数项，对应ADF检验中的第一个模型；右侧的Laglength是滞后阶数的确定，系统默认是用SC值确定，且默认最大滞后阶数为9阶本例中，对于社会消费品零售总额（consume）序列的单位根检验是选择Level项，ADF检验结果如下。对于模型3：
24
图5
7ADF检验的结果：如图5，在5%的显著性水平下，单位根统计量ADF=-3.44976ADF=-3.449767
大于EVIEWS给出的ADF临界值-3.508508.对于模型2：
25
图6
4ADF检验的结果：如图6，在5%的显著性水平下，单位根统计量ADF=0.10410ADF=0.104104
大于EVIEWS给出的ADF临界值-2.925169.对于模型1：
26
图7
0ADF检验的结果：如图7，在5%的显著性水平下，单位根统计量ADF=1.71530ADF=1.715300
大于EVIEWS给出的ADF临界值-1.947975.
综上可知，所以接受原假设，即社会消费品零售总额（consume）是有单位根，该序列是非平稳的。
2.3单整性检验
采用ADF检验对consume序列进行单整性检验。点击主界面Quick\\SeriesStatistics\\UnitRootTest...，在弹出的Series对话框中输入consume，点击OK，就会出现UnitRootTest对话框，如图8所示。
27
图8
在1%，5%，10%的水平下是拒绝有单位根的原假设的，根据ADF检验记得序列不具有单位根。即社会消费品零售总额（consume）序列经过1阶差分后就已经是平稳的时间序列了，所以得到结论为：社会消费品零售总额（consume）序列为1阶单整序列。2.4估计CPI的ARIMA模型
又1.3知社会消费品零售总额（consume）序列为1阶单整，于是我们可以对1阶差分后的社会消费品零售总额（consume）序列估计其ARMA(p,q)模型，
28
即得原序列社会消费品零售总额（consume）的ARIMA(p,1,q)模型。
ARMA(p,q)的定阶是通过看样本的自相关函数跟偏自相关函数图的，于是我们先要画出1阶差分后社会消费品零售总额（consume）序列的样本的自相关函数、偏自相关函数图。点击主界面Quick\\SeriesStatistics\\Correlogram...，在弹出的Series对话框中输入consume，点击OK，就会弹出Correlogram对话框，在
Lags栏中就默认为24阶(表示其中Correlogramof栏中选择1st(表示1阶差分)，
输出阶数为24阶),点击OK，即可得到1阶差分后consume序列的样本的自相关函数、偏自相关函数图，如图10所示。
图10
我们可以看到自相关函数和偏相关函数图形在滞后2期之后迅速趋于0，于是我们不妨建立ARIMA(2,1,2)模型。
点击主界面菜单Quick\\EstimateEquation...，在弹出的对话框中输入：
29
D(consume)CD(consume(-1))D(consume(-2))MA(2)，点击确定，即可得到估计结果如图11所示。
图11
根据图11得到模型的估计结果为：
30
�∆consumet=−0.011782∆consumet−1−1.020703∆consumet−2−0.929907MA(2)2.5残差检验模型
主要的检验方法为德宾—沃森统计量（Durbin-Watsonstat）检验、相关图和Q统计量检验（已介绍）、Breush-GodfreyLM（LagrangMultiplierTest，拉格朗日乘子检验）检验。
1.5.1德宾—沃森统计量（Durbin-Watsonstat）检验
检验规则：在D—W小于等于2时，存在正的一阶序列自相关，特别是接近于0时，存在严重的序列自相关;在D—W大于2时,存在负的一阶序列自相关。当DW=2时，有ρ=0，这时样本回归残差中不存在一阶序列相关；DW的值越接近于2，样本回归残差中一阶序列相关的程度就越弱。
图12
我们可以认为残差序列不存在一阶序列相关性。但是并不能下结论：残差序列不存在序列相关性。因为德宾—沃森统计量（D—W）检验仅仅能检验一阶序列相关，而“相关图和Q统计量检验”与“Breush-GodfreyLM（LagrangMultiplierTest）检验”则可以检验一般的序列相关形式，即可以检验残差序列是否存在高阶序列相关性。
1.5.2相关图和Q统计量检验
31
点击模型窗口View\\Residualtests\\Correlogram-Q-statistics，得到如下结果：
图13
从图13可知：P的值都大于5%显著性水平，所以残差序列不存在相关性。1.5.3Breush-GodfreyLM（拉格朗日乘子）检验
点击模型窗口View\\Residualtests\\serialcorrelationLMTest，得到如下结果：
32
图14
检验统计量为Obs*R-squred，其值为0.278685，而p值为0.9640。在5%的显著性水平，由0.05 因篇幅问题不能全部显示，请点此查看更多更全内容