求助用Eviews做分布滞后模型的问题，急急急！

小弟用Eviews软件做一个分布滞后模型，经过kyock变换后，分析某市GDP与FDI的关系。
在Eviews中输入 y c x y(-1) ，y代表第三产业的GDP，x代表FDI。
竟然出现分布滞后衰减率大于1的情况！衰减率本应该大于0小于1才对啊！！非常不解，请高手相助。
在用第一第二第三产业的GDP数据分别与DFI数据做分布滞后分析的时候，第一产业得出的衰减率为0.894046，第二产业得出的衰减率为1.185044，第三产业得出的衰减率为1.095385 。

第三产业GDP数据与FDI数据： 3.xls (16.5 KB)

2009-11-20 21:32:57 上传

第三产业GDP数据与FDI数据

这个是第三产业GDP与FDI的数据：


这个是我用Eviews分析的结果：

murong2009 发表于 2009-11-21 03:05
我们的做法跟分布滞后模型、kyock都没有关系吗？本人是个菜鸟，恳请您耐心解答，谢谢

这个做法是标准的Koyck模型估计yt的系数就是滞后因子，其后可以根据Koyck模型算出其他因子

请版主出来帮忙，小弟是研一的学生，为老板写东西，急用啊。

Y那一列是第三产业的GDP，单位为亿元，x那一列为FDI数据，单位为万美元。

仔细考虑下Koyck模型的形式，你就知道里面必存在内生性的问题，所以要用TSLS估计

你先对LS y(-1) c x(-1)得出c 和k

然后genr y(-1)=c+k*x(-1)

然后再进行回归

因为我是用STATA做的，Eviews我现在没有，但以前用过所以记得几个命令

最后的结果我发你看看
Instrumental variables (2SLS) regression

      Source |       SS       df       MS              Number of obs =      23
-------------+------------------------------           F(  2,    20) =   24.11
       Model |  5582539.59     2   2791269.8           Prob > F      =  0.0000
    Residual |   2314971.3    20  115748.565           R-squared     =  0.7069
-------------+------------------------------           Adj R-squared =  0.6776
       Total |  7897510.89    22  358977.768           Root MSE      =  340.22

------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       yt_iv |   .6788319   .2927116     2.32   0.031     .0682461    1.289418
           x |    .004318   .0020767     2.08   0.051    -.0000138    .0086498
       _cons |   19.52066   120.7005     0.16   0.873    -232.2561    271.2974
------------------------------------------------------------------------------
Instrumented:  
Instruments:   
------------------------------------------------------------------------------

yt_iv就是以LS y(-1) c x(-1)估计出来的结果做出来的工具变量

如果我没记错，genr yt=c+k*x(-1)后可以直接用ls y c x yt，因为yt实则就是y(-1)我只是为了方便才改个名给它，而yt也就是由x(-1)表示的工具变量

最后一步你eviews你直接LS就行，我刚实验了下，用LS和TSLS得出来的结果都是一样的

Instrumental variables (2SLS) regression
      Source |       SS       df       MS              Number of obs =      23
-------------+------------------------------           F(  2,    20) =   24.11
       Model |  5582539.59     2   2791269.8           Prob > F      =  0.0000
    Residual |   2314971.3    20  115748.565           R-squared     =  0.7069
-------------+------------------------------           Adj R-squared =  0.6776
       Total |  7897510.89    22  358977.768           Root MSE      =  340.22
------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       yt_iv |   .6788319   .2927116     2.32   0.031     .0682461    1.289418
           x |    .004318   .0020767     2.08   0.051    -.0000138    .0086498
       _cons |   19.52066   120.7005     0.16   0.873    -232.2561    271.2974
------------------------------------------------------------------------------
Instrumented:  
Instruments:

Dependent Variable: Y                               
Method: Least Squares                               
Date: 11/21/09   Time: 00:29                               
Sample (adjusted): 2 24                               
Included observations: 23 after adjustments                               
                               
Variable        Coefficient        Std. Error        t-Statistic        Prob.  
                               
C        19.51987        120.7007        0.161721        0.8731
X        0.004318        0.002077        2.079297        0.0507
YT        0.678811        0.292703        2.319115        0.0311
                               
R-squared        0.706873            Mean dependent var                641.4135
Adjusted R-squared        0.677561            S.D. dependent var                599.1475
S.E. of regression        340.2184            Akaike info criterion                14.61816
Sum squared resid        2314971.            Schwarz criterion                14.76627
Log likelihood        -165.1088            F-statistic                24.11494
Durbin-Watson stat        0.433339            Prob(F-statistic)                0.000005
                               
根据您的做法，我试了一下，以上是结果，可是DW值太小，F值也太小。拟合度也不高。该怎么操作？DW值这么小，是不是说明还存在正相关啊？

于是我在最后一步回归的时候用了命令：ls y c x yt ar(1)，回归的同时也消除一下一阶自相关性，这样可以吗？
Dependent Variable: Y                               
Method: Least Squares                               
Date: 11/21/09   Time: 00:42                               
Sample (adjusted): 3 24                               
Included observations: 22 after adjustments                               
Convergence achieved after 5 iterations                               
                               
Variable        Coefficient        Std. Error        t-Statistic        Prob.  
                               
C        75.49383        59.62918        1.266055        0.2216
X        0.006251        0.001009        6.195930        0.0000
Y(-1)        0.392517        0.139185        2.820097        0.0113
AR(1)        -0.300379        0.366688        -0.819167        0.4234
                               
R-squared        0.905390            Mean dependent var                671.9753
Adjusted R-squared        0.889621            S.D. dependent var                496.6372
S.E. of regression        164.9992            Akaike info criterion                13.21272
Sum squared resid        490045.0            Schwarz criterion                13.41109
Log likelihood        -141.3400            F-statistic                57.41808
Durbin-Watson stat        1.917647            Prob(F-statistic)                0.000000
                               
Inverted AR Roots             -.30

还有F-statistic  为  57.41808，这个会不会也太小？有没有问题？如果有问题该怎么解决？