这一点残差图中也可从看出，点击EViews方程输出窗口的按钮Resids可得到残差图，如图6.6所示。
图6.6残差图
图6.6残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶正自相关，模型中t统计量和F统计量的结论不可信，需采取补救措施。
三、自相关问题的处理
为解决自相关问题，选用科克伦—奥克特迭代法。
由模型（6.44）可得残差序列et，在EViews中，每次回归的残差存放在resid序列中，为了对残差进行回归分析，需生成命名为e的残差序列。
在主菜单选择Quick/GenerateSeries或点击工作文件窗口工具栏中的Procs/GenerateSeries，在弹出的对话框中输入e=resid，点击OK得到残差序列et。
使用et进行滞后一期的自回归，在EViews命今栏中输入lsee（-1）可得回归方程
et=0.4960et-1（6.45）
由式（6.45）可知
=0.4960，对原模型进行广义差分，得到广义差分方程
（6.46）
对式（6.46）的广义差分方程进行回归，在EViews命令栏中输入lsY-0.4960*Y（-1）cX-0.4960*X（-1），回车后可得方程输出结果如表6.4。
表6.4广义差分方程输出结果
DependentVariable:
Y-0.496014*Y（-1）
Method:
LeastSquares
Date:
03/26/05Time:
12:
32
Sample（adjusted）:
19862003
Includedobservations:
18afteradjustingendpoints
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
60.44431
8.964957
6.742287
0.0000
X-0.496014*X（-1）
0.583287
0.029410
19.83325
0.0000
R-squared
0.960914
Meandependentvar
231.9218
AdjustedR-squared
0.958472
S.D.dependentvar
49.34525
S.E.ofregression
10.05584
Akaikeinfocriterion
7.558623
Sumsquaredresid
1617.919
Schwarzcriterion
7.657554
Loglikelihood
-66.02761
F-statistic
393.3577
Durbin-Watsonstat
1.397928
Prob（F-statistic）
0.000000
由表6.4可得回归方程为
（6.47）
（0.0294）
t=（6.7423）（19.8333）
R2=0.9609F=393.3577df=16DW=1.3979
式中，
，
。
由于使用了广义差分数据，样本容量减少了1个，为18个。
查5%显著水平的DW统计表可知dL=1.16，dU=1.39，模型中DW=1.3979>dU，说明广义差分模型中已无自相关，不必再进行迭代。
同时可见，可决系数R2、t、F统计量也均达到理想水平。
对比模型（6.44）和（6.47），很明显普通最小二乘法低估了回归系数
的标准误差。
[原模型中Se（
）=0.0214，广义差分模型中为Se（
）=0.0294。
经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯—温斯腾变换补充第一个观测值，方法是
和
。
在本例中即为
和
。
由于要补充因差分而损失的第一个观测值，所以在EViews中就不能采用前述方法直接在命令栏输入Y和X的广义差分函数表达式，而是要生成X和Y的差分序列X*和Y*。
在主菜单选择Quick/GenerateSeries或点击工作文件窗口工具栏中的Procs/GenerateSeries，在弹出的对话框中输入Y*=Y-0.4960*Y（-1），点击OK得到广义差分序列Y*，同样的方法得到广义差分序列X*。
此时的X*和Y*都缺少第一个观测值，需计算后补充进去，计算得
=345.236，
=275.598，双击工作文件窗口的X*打开序列显示窗口，点击Edit+/-按钮，将
=345.236补充到1985年对应的栏目中，得到X*的19个观测值的序列。
同样的方法可得到Y*的19个观测值序列。
在命令栏中输入LsY*cX*得到普莱斯—温斯腾变换的广义差分模型为
（6.48）
（0.0297）
t=（6.5178）（19.8079）
R2=0.9585F=392.3519df=19DW=1.3459
对比模型（6.47）和（6.48）可发现，两者的参数估计值和各检验统计量的差别很微小，说明在本例中使用普莱斯—温斯腾变换与直接使用科克伦—奥克特两步法的估计结果无显著差异，这是因为本例中的样本还不算太小。
如果实际应用中样本较小，则两者的差异会较大。
通常对于小样本，应采用普莱斯—温斯腾变换补充第一个观测值。
由差分方程（6.46）有
（6.49）
由此，我们得到最终的中国农村居民消费模型为
Yt=119.9292+0.5833Xt（6.50）
由（6.50）的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.5833，即中国农民每增加收入1元，将增加消费支出0.5833元。
升级会员 