急求 用Eviews算出截面数据的拟合度R-square低于0.4，如何解决？ 急 如何分析回归模型的拟合度和显著性

\u5982\u4f55\u8ba1\u7b97\u4e0e\u5b9e\u9a8c\u6570\u636e\u66f2\u7ebf\u4e0e\u6807\u51c6\u66f2\u7ebf\u7684\u62df\u5408\u5ea6\uff1f

\u4f7f\u7528Eviews\u8f6f\u4ef6\u5f88\u65b9\u4fbf\uff0c\u70b9Eviews\u4e0a\u9762\u7684Quick---------Estimate Equation,\u770b\u770b\u53ef\u51b3\u7cfb\u6570\u5c31\u53ef\u4ee5\u4e86\u3002
\u6216\u8005\uff1a\uff081\uff09\u8ba1\u7b97\u6b8b\u5dee\u5e73\u65b9\u548cQ=\u2211(y-y*)^2\u548c\u2211y^2\uff0c\u5176\u4e2d\uff0cy\u4ee3\u8868\u7684\u662f\u5b9e\u6d4b\u503c\uff0cy*\u4ee3\u8868\u7684\u662f\u9884\u6d4b\u503c\uff1b
\uff082\uff09\u62df\u5408\u5ea6\u6307\u6807RNew=1-(Q/\u2211y^2)^(1/2)
Rnew\u662f\u6700\u8fd1\u624d\u51fa\u73b0\u7684\u7528\u4e8e\u5224\u5b9a\u975e\u7ebf\u6027\u56de\u5f52\u65b9\u7a0b\u7684\u62df\u5408\u5ea6\u7684\u7edf\u8ba1\u53c2\u6570\uff0c\u73b0\u5728\u6211\u8fd8\u6ca1\u6709\u770b\u5230\u5b83\u7684\u4e2d\u6587\u540d\u79f0\u3002\u4e4b\u6240\u4ee5\u7528\u89d2\u6807new\u5c31\u662f\u4e3a\u4e86\u548c\u7ebf\u6027\u56de\u5f52\u65b9\u7a0b\u7684\u5224\u5b9a\u7cfb\u6570R2\u3001adjusted R2\u8fdb\u884c\u533a\u522b\u3002\u5728\u5bf9\u65b9\u7a0b\u62df\u5408\u7a0b\u5ea6\u7684\u89e3\u91ca\u4e0a\uff0cRnew\u548cR2\u3001adjusted R2\u662f\u7b49\u4ef7\u7684\uff0c\u5176\u610f\u4e49\u4e5f\u76f8\u540c\u3002
\u5bf9\u7ebf\u6027\u65b9\u7a0b\uff1a
R^2==\u2211(y\u9884\u6d4b-y)^2/==\u2211(y\u5b9e\u9645-y)^2\uff0cy\u662f\u5e73\u5747\u6570\u3002\u5982\u679cR2=0.775\uff0c\u5219\u8bf4\u660e\u53d8\u91cfy\u7684\u53d8\u5f02\u4e2d\u670977.5\uff05\u662f\u7531\u53d8\u91cfX\u5f15\u8d77\u7684\u3002\u5f53R2\uff1d1\u65f6\uff0c\u8868\u793a\u6240\u6709\u7684\u89c2\u6d4b\u70b9\u5168\u90e8\u843d\u5728\u56de\u5f52\u76f4\u7ebf\u4e0a\u3002\u5f53R2=0\u65f6\uff0c\u8868\u793a\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u65e0\u7ebf\u6027\u5173\u7cfb\u3002

\u62df\u5408\u4f18\u5ea6\u662f\u6307\u56de\u5f52\u76f4\u7ebf\u5bf9\u89c2\u6d4b\u503c\u7684\u62df\u5408\u7a0b\u5ea6\u3002\u5ea6\u91cf\u62df\u5408\u4f18\u5ea6\u7684\u7edf\u8ba1\u91cf\u662f\u53ef\u51b3\u7cfb\u6570\uff08\u4ea6\u79f0\u786e\u5b9a\u7cfb\u6570\uff09R^2\u3002R^2\u7684\u53d6\u503c\u8303\u56f4\u662f[0\uff0c1]\u3002R^2\u7684\u503c\u8d8a\u63a5\u8fd11\uff0c\u8bf4\u660e\u56de\u5f52\u76f4\u7ebf\u5bf9\u89c2\u6d4b\u503c\u7684\u62df\u5408\u7a0b\u5ea6\u8d8a\u597d\uff1b\u53cd\u4e4b\uff0cR^2\u7684\u503c\u8d8a\u63a5\u8fd10\uff0c\u8bf4\u660e\u56de\u5f52\u76f4\u7ebf\u5bf9\u89c2\u6d4b\u503c\u7684\u62df\u5408\u7a0b\u5ea6\u8d8a\u5dee\u3002

\u6a21\u578b\u7684\u62df\u5408\u5ea6\u662f\u7528R\u548cR\u65b9\u6765\u8868\u793a\u7684\uff0c\u4e00\u822c\u5927\u4e8e0.4\u5c31\u53ef\u4ee5\u4e86\uff1b\u81ea\u53d8\u91cf\u7684\u663e\u8457\u6027\u662f\u6839\u636e\u5404\u4e2a\u81ea\u53d8\u91cf\u7cfb\u6570\u540e\u9762\u7684Sig\u503c\u5224\u65ad\u7684\uff0c\u5982\u679c\u5c0f\u4e8e0.05\u53ef\u4ee5\u8bf4\u572895%\u7684\u663e\u8457\u6027\u6c34\u5e73\u4e0b\u663e\u8457\uff0c\u5c0f\u4e8e0.01\u5c31\u53ef\u4ee5\u8bf4\u572899%\u7684\u663e\u8457\u6027\u6c34\u5e73\u4e0b\u663e\u8457\u4e86\u3002\u5982\u679c\u6ca1\u6709\u7ed9\u51fa\u7cfb\u6570\u8868\uff0c\u662f\u770b\u4e0d\u5230\u663e\u8457\u6027\u5982\u4f55\u7684\u3002\u56de\u5f52\u5206\u6790(regression analysis)\u662f\u7814\u7a76\u4e00\u4e2a\u53d8\u91cf\uff08\u88ab\u89e3\u91ca\u53d8\u91cf\uff09\u5173\u4e8e\u53e6\u4e00\u4e2a\uff08\u4e9b\uff09\u53d8\u91cf\uff08\u89e3\u91ca\u53d8\u91cf\uff09\u7684\u5177\u4f53\u4f9d\u8d56\u5173\u7cfb\u7684\u8ba1\u7b97\u65b9\u6cd5\u548c\u7406\u8bba\u3002 \u4ece\u4e00\u7ec4\u6837\u672c\u6570\u636e\u51fa\u53d1\uff0c\u786e\u5b9a\u53d8\u91cf\u4e4b\u95f4\u7684\u6570\u5b66\u5173\u7cfb\u5f0f\u5bf9\u8fd9\u4e9b\u5173\u7cfb\u5f0f\u7684\u53ef\u4fe1\u7a0b\u5ea6\u8fdb\u884c\u5404\u79cd\u7edf\u8ba1\u68c0\u9a8c\uff0c\u5e76\u4ece\u5f71\u54cd\u67d0\u4e00\u7279\u5b9a\u53d8\u91cf\u7684\u8bf8\u591a\u53d8\u91cf\u4e2d\u627e\u51fa\u54ea\u4e9b\u53d8\u91cf\u7684\u5f71\u54cd\u663e\u8457\uff0c\u54ea\u4e9b\u4e0d\u663e\u8457\u3002\u5229\u7528\u6240\u6c42\u7684\u5173\u7cfb\u5f0f\uff0c\u6839\u636e\u4e00\u4e2a\u6216\u51e0\u4e2a\u53d8\u91cf\u7684\u53d6\u503c\u6765\u9884\u6d4b\u6216\u63a7\u5236\u53e6\u4e00\u4e2a\u7279\u5b9a\u53d8\u91cf\u7684\u53d6\u503c\uff0c\u5e76\u7ed9\u51fa\u8fd9\u79cd\u9884\u6d4b\u6216\u63a7\u5236\u7684\u7cbe\u786e\u7a0b\u5ea6\u3002\u5176\u7528\u610f\uff1a\u5728\u4e8e\u901a\u8fc7\u540e\u8005\u7684\u5df2\u77e5\u6216\u8bbe\u5b9a\u503c\uff0c\u53bb\u4f30\u8ba1\u548c\uff08\u6216\uff09\u9884\u6d4b\u524d\u8005\u7684\uff08\u603b\u4f53\uff09\u5747\u503c\u3002
\u62d3\u5c55\u8d44\u6599\uff1a
\u56de\u5f52\u6a21\u578b\uff08regression model\uff09\u5bf9\u7edf\u8ba1\u5173\u7cfb\u8fdb\u884c\u5b9a\u91cf\u63cf\u8ff0\u7684\u4e00\u79cd\u6570\u5b66\u6a21\u578b\u3002\u5982\u591a\u5143\u7ebf\u6027\u56de\u5f52\u7684\u6570\u5b66\u6a21\u578b\u53ef\u4ee5\u8868\u793a\u4e3ay=\u03b20+\u03b21*x+\u03b5i\uff0c\u5f0f\u4e2d\uff0c\u03b20\uff0c\u03b21\uff0c\u2026\uff0c\u03b2p\u662fp+1\u4e2a\u5f85\u4f30\u8ba1\u7684\u53c2\u6570\uff0c\u03b5i\u662f\u76f8\u4e92\u72ec\u7acb\u4e14\u670d\u4ece\u540c\u4e00\u6b63\u6001\u5206\u5e03N(0,\u03c32)\u7684\u968f\u673a\u53d8\u91cf\uff0cy\u662f\u968f\u673a\u53d8\u91cf\uff1bx\u53ef\u4ee5\u662f\u968f\u673a\u53d8\u91cf\uff0c\u4e5f\u53ef\u4ee5\u662f\u975e\u968f\u673a\u53d8\u91cf,\u03b2i\u79f0\u4e3a\u56de\u5f52\u7cfb\u6570\uff0c\u8868\u5f81\u81ea\u53d8\u91cf\u5bf9\u56e0\u53d8\u91cf\u5f71\u54cd\u7684\u7a0b\u5ea6\u3002

\uff08\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1\uff1a\u56de\u5f52\u6a21\u578b\uff09

其实这个很正常。一般实证研究，如果模型不是已知的被证明过很完善的模型（想CAPM）R方都不会很高。如果你数据比较多的话，拟合度一般在0.3左右，在0.5左右完全可以接受。反而如果R方过高的话不是很理想，这可能说明存在序列自相关或异方差等问题。 如果一定要想要提高拟合度主要有两种方法：1 就是换模型中的变量，去除更换不显著的变量，但尽量不要这么做。2 对数据进行再处理。 可以把数据进行描点观察，看有没有明显的structure break，对不好的数据进行剔除。

扩展阅读：eviews趋势图步骤 ... eviews录入截面数据 ... eviews如何看截尾或是拖尾 ... eviews事件分析法步骤 ... 截面数据在eviews怎么输入 ... eviews var模型检验及估计 ... eviews做var的详细步骤 ... 面板数据eviews gmm ... eviews怎么导入每天的数据 ...