Simonestata处理自相关问题（HAC、FGLS等）
的有关信息介绍如下：
在我的其它经验中，我已经介绍了自相关的检验，这篇经验将介绍如何对自相关问题进行处理。相关内容请参考我的其他经验。
本文中的命令中使用的变量是普遍的形式，与回归结果图中的不同，实际应用中仅需要对变量按位置进行替换即可。
在对实际问题进行回归和检验之后，如图所示进行了BG检验，得到了图片中的结果。拒绝原假设。prob>chi2
estat bgodfrey
我们就可以对自相关问题进行处理
进行Q检验的到下图中的结果。拒绝原假设。prob>chi2
wntestq e1
我们就可以对自相关问题进行处理。
OLS+HAC方法是比较实用且流行的方法。
具体原理的解释，我将会在我的其他经验中进行更加详细的解释。
因为扰动项存在自相关，普通标准误不准确，应该使用异方差自相关稳健的HAC标准误。
首先，我们应该计算阶段参数p。根据公式 p=n^1/4,n为参数个数。
笔者选择的样本个数为30。
实用stata中自带的计算器计算：
di 30^0.25
计算结果为2.34，我们取大于它的整数为3
我们使用newey估计方法
newey y x1 x2 x3
解释：y代表被解释变量，x1-x3代表解释变量。
reg y x1 x2 x3
通过观察newey方法和ols方法发现他们的t值差别不大。
我们需要考虑到HAC标准误，对截断参数p很敏感，我们将截断参数增大到5，进行重新估计
neweyy x1 x2 x3,lag(5)
同过观察我们，发现即便将截断参数增大到5，变化仍然不大，说明对截断参数不敏感。
在实际进行操作中，也需要对截断参数的数值进行增大，来考察截断参数的对回归变化的敏感性。
准查分估计法的具体原理，我会在其他经验中进行更新。
co方法：
prais y x1 x2 x3,corc
解释：观察下面的DW值的变化（original是原来的）（transformed是变形后的）
可以发现DW值离2更近了，说明自相关降低了。
PW方法改进
prais y x1 x2 x3，nolog
解释：与上条命令的区别在于将选择项去掉，就是进行pw方法进行估计
可以发现DW值增大到了1.8，与2更加接近，认为自相关更小了。
还有一种情况是我们考虑存在序列自相关的原因是模型设定不正确。比较常见的是，滞后项应该存在于回归模型中。
reg y x1 L.x2 x2 x3 x4
解释：具体判断需要换散点图来，或者通过经济意义来判断，修改模型设定的方式有很多，需要不断尝试，来寻找最优的修改方式。
在进行以此bg检验以此来确定是不是得到了最优的情况
estat bgo
通过了即可改变模型，未通过则不能改变模型设定形式。（p越接近1，则说明原假设无自相关性的概率越大）
使用DW检验，来确定是不是达到了最优的情况
estat dwa
通过了即可改变模型的设定，未通过则不能改变模型的设定（DW值越接近2，越说明没有自相关性）
