第十章 利用横截面和时间序列的计量模型 在进行经济分析时经常会遇到时间序列和横截面两者相结合的数据。例如，在企业投资需求分析中，我们会遇到多个企业的若干指标的月度或季度时间序列；在城镇居民消费分析中，我们会遇到不同省市地区的反映居民消费和居民收入的年度时间序列。本章将前述的企业或地区等统称为个体，这种具有三维（个体、指标、时间）信息的数据结构称为时间序列/截面数据，有的书中也称为平行数据或面板数据（panel data）。我们称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。

§10.1 Pool对象 EViews对时间序列/截面数据模型的估计是通过含有Pool对象的工作文件和具有面板结构的工作文件来实现的。 处理时间序列/截面数据的EViews对象称为Pool。通过Pool对象可以实现对各种变截距、变系数时间序列模型的估计，但Pool对象侧重分析“窄而长”的数据，即截面成员较少，而时期较长的侧重时间序列分析的数据。 对于截面成员较多，时期较少的“宽而短”的侧重截面分析的数据，一般通过具有面板结构的工作文件（Panel workfile）进行分析。利用面板结构的工作文件可以实现变截距时间序列/截面数据模型以及动态时间序列/截面数据模型的估计。

10.1.1 含有Pool对象的工作文件 Pool对象在EViews中扮演着两种角色。首先，Pool对象中包含了一系列的标识名。这些标识名描述了工作文件中的时间序列/截面数据的数据结构。在这个角色中，Pool对象在管理和处理时间序列/截面数据上的功能与组对象有些相似。其次，利用Pool对象中的过程可以实现对各种时间序列/截面数据模型的估计及对估计结果的检验和处理。在这个角色中，Pool对象与方程对象有些相似

Pool对象的核心是建立表示截面成员的名称表。为明显起见，名称要相对较短。例如，国家作为截面成员时，可以使用USA代表美国，CAN代表加拿大，UK代表英国。 定义了Pool的截面成员名称就等于告诉了EViews，模型的数据结构。在上面的例子中，EViews会自动把这个Pool理解成对每个国家使用单独的时间序列。 必须注意，Pool对象本身不包含序列或数据。一个Pool对象只是对基本数据结构的一种描述。因此，删除一个Pool并不会同时删除它所使用的序列，但修改Pool使用的原序列会同时改变Pool中的数据。

要创建Pool对象，选择Objects/New Object/Pool…并在编辑窗口中输入截面成员的识别名称： 在本章中，使用的是一个研究投资需求的例子，包括了五家企业和三个变量的20个年度观测值的时间序列： 例10.5 研究企业投资需求模型 5家企业： 3个变量： GM：通用汽车公司 I ：总投资 CH：克莱斯勒公司 M ：前一年企业的市场价值 GE：通用电器公司 K ：前一年末工厂存货和设备的价值 WE：西屋公司 US：美国钢铁公司 要创建Pool对象，选择Objects/New Object/Pool…并在编辑窗口中输入截面成员的识别名称：

对截面成员的识别名称没有特别要求，但必须能使用这些识别名称建立合法的EViews序列名称。此处推荐在每个识别名中使用“_”字符，它不是必须的，但把它作为序列名的一部分，可以很容易找到识别名称。

例如，现有一个Pool对象含有识别名＿JPN，＿USA，＿UK，想建立每个截面成员的GDP的时间序列，我们就使用“GDP”作为序列的基本名。 把识别名称放在序列名的前面，中间或后面并没什么关系，只要易于识别就行了。但是必须注意要保持一致，不能这样命名序列：JPNGDP，GDPUSA，UKGDP1，因为EViews无法在Pool对象中识别这些序列。

3. Pool序列概念 一旦选定的序列名和Pool中的截面成员识别名称相对应，就可以利用这些序列使用Pool了。其中关键是要理解Pool序列的概念。 一个Pool序列实际就是一组序列, 序列名是由基本名和所有截面识别名构成的。Pool序列名使用基本名和“？”占位符，其中“？”代表截面识别名。如果序列名为GDPJPN，GDPUSA，GDPUK，相应的Pool序列为GDP?。如果序列名为JPNGDP，USAGDP，UKGDP，相应的Pool序列为 ?GDP。

4. 观察或编辑Pool定义 要显示Pool中的截面成员识别名称，单击工具条的Define按钮，或选择View/Cross-Section Identifiers。如果需要，也可以对识别名称列进行编辑。 5. Pool序列数据 Pool中使用的数据都存在普通EViews序列中。这些序列可以按通常方式使用：可以列表显示，图形显示，产生新序列，或用于估计。也可以使用Pool对象来处理各单独序列。

10.1.2 输入Pool数据 时间序列/截面数据的数据信息用三维表示：时期，截面成员，变量。例如：1950年，通用汽车公司，投资数据。 有很多种输入数据的方法，在介绍各种方法之前，首先要理解时间序列/截面数据的结构，区别堆积数据和非堆积数据形式。 时间序列/截面数据的数据信息用三维表示：时期，截面成员，变量。例如：1950年，通用汽车公司，投资数据。 使用三维数据比较困难，一般要转化成二维数据。有几种常用的方法。 1. 非堆积数据 存在工作文件的数据都是这种非堆积数据，在这种形式中，给定截面成员、给定变量的观测值放在一起，但和其他变量、其他截面成员的数据分开。例如，假定我们的数据文件为下面的形式：

其中基本名 I 代表企业总投资、M 代表前一年企业的市场价值、K 代表前一年末工厂存货和设备的价值。每个企业都有单独的 I、M、K 数据。 EViews会自动按附录A中 介绍的标准输入程序读取非堆积数据。并把每个截面变量看作一个单独序列。注意要按照上述的Pool命名规则命名。

2. 堆积数据 选择View/Spreadsheet（stacked data），EViews会要求输入序列名列表 2. 堆积数据 选择View/Spreadsheet（stacked data），EViews会要求输入序列名列表 确认后EViews会打开新建序列的堆积式数据表。我们看到的是按截面成员堆积的序列，Pool序列名在每列表头，截面成员/年代识别符标识每行：

Pool数据排列成堆积形式，一个变量的所有数据放在一起，和其他变量的数据分开。大多数情况下，不同截面成员的数据从上到下依次堆积，每一列代表一个变量：

我们称上表数据是以截面成员堆积的，单击Order+/-实现堆积方式转换，也可以按日期堆积数据： 每一列代表一个变量，每一列内数据都是按年排列的。如果数据按年排列，要确保各年内截面成员的排列顺序要一致。

3. 手工输入/剪切和粘贴 4. 文件输入 使用Pool对象从文件读取数据，先打开Pool，然后选择Procs/Import Pool Data(ASCII,.XLS,.WK?)…，要使用与Pool对象对应的输入程序。

10.1.3 输出Pool数据 按照和上面数据输入相反的程序可进行数据输出。由于EViews可以输入输出非堆积数据，按截面成员堆积和按日期堆积数据，因此可以利用EViews按照需要调整数据结构。

10.1.4 使用Pool数据 2. 描述数据 可以使用PoolGenr(panelgenr)程序生成或者修改Pool序列。 每个截面成员的基础序列都是普通序列，因此EViews中对各单个截面成员序列适用的工具都可使用。另外，EViews还有专门适用于Pool数据的专用工具。可以使用EViews对与一特定变量对应的所有序列进行类似操作。 1. 检查数据 2. 描述数据 3. 生成数据 可以使用PoolGenr(panelgenr)程序生成或者修改Pool序列。 4. 生成Pool组 5. 删除和存取数据

10.1.5 Pool对象估计的模型形式 我们可以把这些数据看作一系列截面说明回归量，因此有N个截面方程： ， i =1 , 2 , …, N (10.1.2) 其中：yi 是 T1 维被解释变量向量，xi 是 Tk 维解释变量矩阵，yi 和 xi 包含个体成员的各经济指标时间序列，例如个体成员代表各不同地区，则 yi 和 xi 的各个分量代表 i 地区的消费和收入、物价等指标的经济时间序列。 由于含有 N 个个体成员方程的式（10.1.2）和含有 T个时间截面方程的式（10.1.4）两种形式的模型在估计方法上类似，因此本章主要讨论含有 N 个个体成员方程的时间序列/截面数据模型的估计方法。

10.1.6 如何估计Pool方程 单击Pool工具栏的Estimate选项打开如下对话框：

(1) Common :——此栏中输入的变量对所有截面成员有相同的系数，并用一般名称或Pool名称输出结果。 1. 因变量 在因变量对话框中输入Pool变量或Pool变量表达式。 2. 样本 在下面的编辑窗口中输入样本说明。样本的缺省值是各截面成员中的最大样本值。如果得不到某时期截面成员的解释变量或因变量的值，那么此观测值会被排除掉。 3. 解释变量 在两个编辑框中输入解释变量。 (1) Common :——此栏中输入的变量对所有截面成员有相同的系数，并用一般名称或Pool名称输出结果。 (2) Cross-section specific :——此栏中输入的变量对Pool中每个截面成员的系数不同。 (3) Period specific :——此栏中输入的变量对Pool中每个时期的系数不同。

§10.2 模型形式设定检验 模型(10.1.2)常用的有如下三种情形： 情形1： (变系数模型) 情形2： (变截距模型) §10.2 模型形式设定检验 模型(10.1.2)常用的有如下三种情形： 情形1： (变系数模型) 情形2： (变截距模型) 情形3： (不变参数模型) 对于情形1，称为变系数模型，除了存在个体影响外，在横截面上还存在变化的经济结构，因而结构参数在不同横截面上是不同的。 对于情形2，称为变截距模型，在横截面上个体影响不同，个体影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定影响和随机影响两种情况。 对于情形3，在横截面上无个体影响、无结构变化，则普通最小二乘法估计给出了 和  的一致有效估计。相当于将多个时期的截面数据放在一起作为样本数据。

经常使用的检验是协方差分析检验，主要检验如下两个假设： H1： H2： 可见如果接受假设 H2 则可以认为样本数据符合情形3，即模型为不变参数模型，无需进行进一步的检验。 如果拒绝假设H2，则需检验假设H1。如果接受H1，则认为样本数据符合情形2，即模型为变截距模型，反之拒绝H1 ，则认为样本数据符合情形1，即模型为变参数模型。

下面介绍假设检验的 F 统计量的计算方法。首先计算情形1(变参数模型)的残差平方和，记为 S1 ；情形2(变截距模型)的残差平方和记为 S2 ；情形3(不变参数模型)的残差平方和记为 S3 。计算 F2 统计量 (10.2.7) 在假设 H2 下检验统计量 F2 服从相应自由度下的F分布。若计算所得到的统计量 F2 的值不小于给定置信度下的相应临界值，则拒绝假设 H2，继续检验假设 H1。反之，接受 H2则认为样本数据符合模型情形3 ，即不变参数模型。

在假设H1下检验统计量F1也服从相应自由度下的F分布，即 (10.2.8) 若计算所得到的统计量F1的值不小于给定置信度下的相应临界值，则拒绝假设H1。 如果接受H1，则认为样本数据符合情形2，即模型为变截距模型，反之拒绝H1 ，则认为样本数据符合情形1，即模型为变参数模型。

例10.5中系数 和 取何种形式可以利用模型形式设定检验方法来确定。 (1) 首先分别计算3种形式的模型：变参数模型、变截距模型和不变参数模型，在每个模型的回归统计量里可以得到相应的残差平方和S1=339121.5、S2 = 444288.4 和S3 = 1570884。 (2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=5、k=2、T=20，得到的两个F统计量分别为： F1= ((S2 - S1)/8)/(S1 /85) = 3.29 F2= ((S3 - S1)/12)/(S1 /85) = 25.73 利用函数 @qfdist(d, k1, k2) 得到F分布的临界值，其中d 是临界点，k1和k2是自由度。在给定5%的显著性水平下(d=0.95)，得到相应的临界值为： F(12, 85) = 1.87 F(8, 85) =2.049 由于 F2>1.87，所以拒绝H2；又由于 F1>2.049，所以也拒绝H1。因此，例10.5的模型应采用变系数的形式。

时间序列/截面数据模型估计方法 使用时间序列/截面数据模型数据结构信息，有很多种方法进行方程估计。可以估计固定截距模型，随机截距模型，或者模型变量对各截面成员的系数不同，以及估计单独的AR项系数。也可以为各个截面成员分别估计一个方程。 下面将介绍怎样使用Pool和系统估计更一般和复杂的模型，包括二阶段最小二乘估计和非线性模型，以及有复杂截面系数限制的模型。

下面讨论Pool模型的计算方法。设有N个观测值互相堆积。为讨论方便，把堆积方程表示为： , i =1, 2, …, N (10.3.1) 其中 yi 是第 i 个截面成员的T1维因变量向量，xi 是第 i 个截面成员的Tk 维解释变量矩阵。i 是第 i 个截面成员的k1维未知参数向量，ui 是第 i 个截面成员的T1维扰动项向量。用分块矩阵形式表示如下：

基本说明把Pool说明作为联立方程系统并使用系统最小二乘法估计模型。 并且方程的残差协方差矩阵为： 基本说明把Pool说明作为联立方程系统并使用系统最小二乘法估计模型。

不变参数模型（所有截面截距相同、系数相同） 当残差同期不相关，并且时期和截面同方差时， 对堆积数据模型使用普通最小二乘法估计系数和协方差。 相当于情形3：i =j ，i =j ，在横截面上无个体影响、无结 构变化，则普通最小二乘法估计给出了  和  的一致有效估 计。相当于将多个时期的截面数据放在一起作为样本数据。 其中 yi 和 xi 分别是 各时期的因变量向量和解释变量矩阵。

以例10.5为例:

所有的截面的系数相等，和将5个公司的数据接到一起，用OLS的估计结果相同。

(1) 固定影响 (Fixed Effects) (情形2：i  j，i =j ) §10.3 变截距模型 10.3.1 固定影响变截距模型 (1) 固定影响 (Fixed Effects) (情形2：i  j，i =j ) 固定影响估计量通过为每个截面成员估计不同常数项使i 不同。EViews将每个变量减去平均值，并用转换后的数据，通过最小二乘估计来计算固定影响。 (10.3.3) 其中 ， 固定影响本身不是直接估计的，计算公式为 , i =1, 2, …, N (10.3.4)

(2) 引进总体均值截距项的固定影响变截距模型 如果引进总体均值截距项（m），可以将模型（10.3.1）写成如下的等价形式： i =1, 2, …, N (10.3.10) 在该形式下，模型（10.3.1）中的反映个体影响的跨成员方程变化的截距项被分解成在各个体成员方程中都相等的总体均值截距项（m）和跨成员方程变化的表示个体对总体均值偏离的个体截距项（i*）。个体截距项i* 表示的是个体成员i对总体平均状态的偏离，所有偏离之和应该为零，即 (10.3.11)

在该约束下，可以得到模型(10.3.10)中的各参数的最优线性无偏估计 (10.3.12) (10.3.13) (10.3.14) 其中： ， ， 。 EViews计算固定影响是包含总体均值截距项的变截距模型，以例10.5为例：

(3) 包含时期个体恒量的固定影响变截距模型 模型(10.3.1)还可以推广为包含时期个体恒量的形式，即模型形式为： i =1, 2,…, N ，t =1, 2,…, T (10.3.15) 其中：t 为时期个体恒量，反映时期特有的影响。类似地，通过引进相应的个体成员和时期虚拟变量，利用普通最小二乘法可以得到各参数的OLS估计。

(1) 截面加权(个体成员截面异方差情形的GLS估计 ) 3. 固定影响变截距模型的广义最小二乘估计 (1) 截面加权(个体成员截面异方差情形的GLS估计 ) 利用OLS参数估计，我们得到5个公司的方程残差的方差i2 ，具有截面异方差性。 残差的方差 通用汽车公司（GM） 9410.91 克莱斯勒公司（CH） 755.85 通用电器公司（GE） 34288.89 西屋公司（WE） 633.42 美国钢铁公司（US） 33455.51

当残差具有截面异方差性和同步不相关时最好进行截面加权回归： EViews进行可行广义最小二乘（FGLS）。 首先从一阶段Pool最小二乘回归，得到方差 i2 的估计值 si2，计算公式为： ， i =1, 2, …, N (10.3.24) 其中 是OLS的拟合值。

其次系数值  由标准GLS估计量估计，是有效估计量。

(2) 同期相关协方差情形的SUR估计 当残差具有截面异方差性和同步相关性时，SUR加权最小二乘是可行的GLS估计量： 其中 是同步相关的对称阵： (10.3.28) 一般项 ，在所有的 t 时为常数。

其中： 和 可由式（10.3.3）和式（10.3.4）得到。计算后，再进行广义最小二乘估计（GLS），此时  的SUR估计为： EViews估计SUR模型时使用的 ij 是由一阶段Pool最小二乘回归得到： i, j =1, 2, , N (10.3.30) 其中： 和 可由式（10.3.3）和式（10.3.4）得到。计算后，再进行广义最小二乘估计（GLS），此时  的SUR估计为： (10.3.31)

此时 的SUR估计为：

10.3.2 随机影响变截距模型 (Random Effects) 随机影响模型假设it 项是共同系数  和不随时间改变的截面说明随机变量 vi 的和， vi 和残差 ui 是不相关的。 i =1, 2, …, N (10.3.36) 为了分析方便，可以将模型(10.3.36)写成如下形式： (10.3.43) 其中： ， = ( ,  ) ，wi = vi + ui。

EViews按下列步骤估计随机影响模型： (1)  使用固定影响模型的残差估计 ui 的方差： (10.3.52) 使用包含总体均值截距项的变截距模型的残差估计 vi 的方差，

(2) 由于 有了成分方差 和 的估计，可以求出模型(10.3.42)中参数 的GLS估计量： (10.3.50) 其中： 。

个体随机影响 vi 相应的估计为 i =1, 2, …, N (10.3.56) 其中： (10.3.57)

§10.4 变系数模型 前面所介绍的变截距模型中，横截面成员的个体影响是用变化的截距来反映的，即用变化的截距来反映模型中忽略的反映个体差异的变量的影响。然而现实中变化的经济结构或不同的社会经济背景等因素有时会导致反映经济结构的参数随着横截面个体的变化而变化。因此，当现实数据不支持变截距模型时，便需要考虑这种系数随横截面个体的变化而改变的变系数模型。

变系数模型的基本形式如下： i =1, 2, …, N (10.4.1) 其中：yi 为因变量向量，xi 为 Tk 维解释变量矩阵，参数i 表示模型的常数项，i 为对应于解释变量矩阵 xi 的系数向量。随机误差项 ui 相互独立，且满足零均值、等方差的假设。

在式(10.4.1)所表示的变系数模型中，常数项 i 和系数向量 i 都是随着横截面个体的改变而变化的，因此可以将变系数模型改写成如下形式： ， i =1 , 2 , …, N (10.4.2) 其中： ，i = (i , i ) 。 类似于变截距模型，变系数模型也分为固定影响变系数模型和随机影响变系数模型两种类型。

估计Pool方程的其他选项(Options) EViews不能估计这样的模型：很少的时期或者庞大的截面成员。所用的时期数平均应至少不小于截面成员数。即使有足够的观测值，估计的残差相关矩阵还必须是非奇异的。如果有一条不满足EViews的要求，EViews会显示错误信息：“Near Singular Matrix”。 当选择加权时，复选框Iterate to convergence控制可行GLS程序。如果选择，EViews就一直迭代权重和系数直到收敛。如果模型中包括AR项，这个选择就没有意义，因为在AR估计中，EViews会一直迭代直至收敛。

(White Heteroskedasticity Covariance) EViews能估计那些广义异方差性的强的协方差。这种形式的异方差性比上面介绍的截面异方差性更普遍，因为一个截面成员内的方差可以随时间不同。 要得到怀特标准差和协方差,点Options按钮，选择Coef covariance method。EViews5给出了一个下拉列表，列表中包含8种选项。默认的是最上方的Ordinary项，对应式(10.3.7) 和式(10.3.8)给出的系数协方差形式。在此下拉列表中的另外7种系数协方差形式参见10.5节。 注意此选项不适用于SUR和随机影响估计。

§10.6 Pool序列的单位根检验 EViews在Pool对象中提供了比较方便的，可以进行多序列单位根检验的工具。在Pool对象中，对ADF、PP等单位根检验方法均可以实现。在Pool工具栏选择View/Unit Root Test…，EViews会打开如下对话框，在对话框最上边的“Pool series”栏中输入所要检验的序列名称，并选定其他设置后单击“OK”，便可以进行相应的单位根检验了。

§10.7 Pool方程实例 以我国各省市城镇居民人均消费和可支配收入作为例子：相应的Pool识别名称为BJ_，TJ_，HB_，SX_，NMG_，LN_， …… 。估计城镇居民人均消费?CS的回归模型，模型中的被解释变量?CS 为城镇居民人均全年消费，解释变量为城镇居民人均全年可支配收入?YD（单位：元），变量均为年度数据，样本区间为1991 ~ 2003年。

检验模型形式设定形式； (1) 首先分别计算3种形式的模型：变参数模型、变截距模型和不变参数模型，在每个模型的回归统计量里可以得到相应的残差平方和S1=5279603、S2 = 8287453 和S3 =13282535。 (2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=29、k=1、T=13，得到的两个F统计量分别为： F1= ((S2 - S1)/28)/(S1 /319) =6.49 F2= ((S3 - S1)/28)/(S1 /319) = 8.63 利用函数 @qfdist(d, k1, k2) 得到F分布的临界值，其中d 是临界点，k1和k2是自由度。在给定5%的显著性水平下(d =0.95)，得到相应的临界值为： F(56, 290) = 1.37 F(84, 290) =1.51 由于 F2>1.37，所以拒绝H2；又由于 F1>1.51，所以也拒绝H1。因此，模型应采用变系数的形式。

从城镇居民人均可支配收入?YD的系数看，各省市的边际消费倾向是不同的，最高是山西，0.844，最低是江西，0.669。

§10.8 Pool方程视图和过程 2. 用Pool创建系统 估计出Pool方程后，可以按下述方法检验输出结果： 1. 表达式 选择View/Representations检查输出。EViews把Pool估计成一个方程的系统，每个截面成员一个方程。 2. 用Pool创建系统 可能有些复杂的时间序列/截面数据方程不能用Pool对象进行估计。要使用更多的估计方法，如二阶段最小二乘法，三阶段最小二乘法，GMM，或使用任意系数限制，需要用Pool对象创建一个系统对象。可以用一个已估计的Pool创建系统，也可以提供信息从Pool生成系统。系统对象可进一步使用高级技术进行估计。

§10.9 面板结构的工作文件 对于处理和分析时间序列/截面数据，除了Pool对象外，EViews 5还提供了一种特殊结构的工作文件——面板结构的工作文件（Panel Workfile）。当时间序列/截面数据的截面成员较多但时期较少时，一般都是侧重进行截面分析。可以通过EViews中的面板工作文件对这种“宽而短”的数据进行处理和建模分析。面板结构的工作文件的操作比较复杂，下面仅简要地介绍它的特点。

建立平衡面板工作文件 创建一个平衡面板结构，在下拉列表中选择Balanced Panel，选定频率（Frequency），输入起始日期（Start date）和终止日期（End date）以及截面成员的个数（Number of cross）。可以命名工作文件和命名工作文件页，单击OK按钮。EViews将创建一个给定频率的平衡面板工作文件，使用特定的起始和终止日期以及截面成员的个数。 下面的例子中，EViews创建了一个200个截面成员、固定频率、年度面板工作文件，观测值起始于1970年，终止于2004年。

例10.5建立的平衡面板工作文件:

在面板工作文件中，数据是以堆积的形式存放的，故称其为堆积面板数据。工作文件中每一个序列的各期观测值都具有二维信息，即每个序列的观测值标签都由两部分构成，一部分反映观测值的截面个体信息，另一部分反映观测值的时期信息。 例10.5平衡面板工作文件中的序列 I, M, K 是以堆积形式存放的:

面板工作文件其方程建立过程与普通工作文件中的方程建立过程相同，只是在方程说明窗口中增加了与Pool对象中方程说明项类似的方程面板结构说明页，同时在估计方法中增加了Pool对象所没有的广义矩估计（GMM）法，用来估计模型解释变量中含有滞后因变量的变截距模型。

只能求解变截距模型:

固定影响模型的变截距的系数要在视图（view）里的Fixed/ Random effects中看到。

一般情况下，面板工作文件中数据的分析和处理与其他文件中数据的分析和处理过程是一致的。在面板工作文件中能够实现对堆积数据的显示图、单位根检验等操作，其单位根检验过程和检验结果同组序列的单位根检验过程和结果基本类似。 虽然利用EViews中的面板工作文件可以对堆积数据进行多种分析和处理，但是对堆积形式的序列的处理仍具有一定的局限性。目前还不能对堆积形式的序列进行季节调整也不能利用该形式的序列进行VAR模型和VEC模型的估计。