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。
工具/原料
电脑
stata
处理前的步骤
1、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>chi2estatbgodfrey我们就可以对自相关问题进行处理
2、进行Q检验的到下图中的结果。拒绝原假设。prob>chi2wntestqe1我们就可以对自相关问题进行处理。
异方差自相关稳健标准误（HAC）
1、OLS+HAC方法是比较实用且流行的方法。具体原理的解释，我将会螅岔出礤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标准误撅掏浑锌。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：di30^0.25计算结果为2.34，我们取大于它的整数为3
2、我们使用newey估计方法neweyyx1x2x3解释：y代表被解释变量，x1-x3代表解释变量。regyx1x2x3通过观察newey方法和ols方法发现他们的t值差别不大。
3、我们酋篚靶高需要考虑到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neweyyx1x2x3,lag(5)同夸臾蓠鬏过观察我们，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。
FGLS
1、准查分估计法的短铘辔嗟具体原理，我会在其他经验中进行更新。co方法：praisyx1x2x3,corc解释：观察下面的DW值的变化（origin锾攒揉敫al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。
2、PW方法改进praisyx1x2x3，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。
修改模型设定
1、还有一种情况是我们寿伊趾杏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。regyx1L.x2x2x3x4解释：具体判断需要换散盼内溲铫点图来，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。
2、在进行以此bg检验以此来确定是不是得到了最优的情况estatbgo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）
3、使用DW检验，来确定是不是达到了最优的情况estatdwa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）
