图3.7
模型的特征根见下图（按步骤view/ARMA Structure/Roots/ok操作）：Inverse Roots of AR/MA Polynomial(s)1.51.00.5stoor 0.0AR-0.5-1.0-1.5-1.5-1.0-0.50.00.51.01.5 表3.1 统计检验值 可决系数 0.495398 被解释变量均值 81.48333 调整的可决系数 0.484428 被解释变量标准差 5.652276 回归方程标准差?? 4.058523 赤池信息准则（AIC） 5.680289 残差平方和?e2i 757.6939 施瓦兹信息准则（SC） 5.758256 似然函数的对数 -134.3269 HQ准则 3645.290 F-统计量 45.16091 DW统计量 0.000000 F-统计量的概率 0.000000 16
可决系数是自变量所解释的因变量的方差。如果回归完全符合，则其值为1，如果记过不比因变量的均值好，则其值为0。
模型为： xt=81.32034+εt/(1-0.703332B) （3.1） 此序列也可以用另一种方式表达，在主窗口输入命令：
ls chuxu c chuxu（-1）
可以得到图3.8所示的窗口，其中的c为截距项，chuxu（-1）为延迟一阶项，其后的系数分别表示这两项所对应的系数，其他内容与图3.7中的相同。
模型为： xt=24.12518+0.7.3332xt-1+εt （3.2） 式（3.1）和（3.2）中的两个常数项分别表示序列的期望值和截距项。
图3.8
（六）模型检验 1 参数的显著性检验
根据图3.7（或图3.8）中的P值检验参数的显著性，当它小于0.05
时，拒绝原假设，即参数显著不为0。
2 检验{εt}是否为白噪声序列 （1）检验均值是否为零
打开残差序列Resid窗口，进行如下操作：
View/Descriptive statistics &tests/simple hypothesis tests 可得图3.9所示的窗口：
17
图3.9
在Test value选项中的Mean处填0，点击OK即可得图3.10。由于P
值=1.0000，所以接受原假设，即期望值为0。
图3.10
（2）检验纯随机性
进行残差纯随机性Q检验，在模型窗口中进行如下操作：
18
View/Residual Tests/correlogram-Q-Statistics
图3.11
所有P值均大于0.05，接受残差为随机序列的原假设。 （3）异方差检验
首先可以通过残差图粗略判断异方差性，在模型窗口中进行如下操作： View/Actual，Fitted，Residual/residual Graph
得图3.12所示的残差图，可见残差序列没有明显的异方差性。
19
图3.12
其次也可以通过异方差的White检验进行判定。在残差序列窗口进行如下操作：
View/Residual Tests/Heteroskedasticity test/White/ok
即可得到图3.13所示的窗口。通常考察Obs*R-Squared所对应的P值，可见该值为0.8251＞0.05，所以接受方差具有齐性的原假设。
至此可以表明残差序列为白噪声序列，因此信息提取的比较充分，模型比较合理。
20