第二步：生成残差的平方，即r2
第三步：对r2取对数，并对解释变量做辅助回归（不显著的变量去掉）
第四步：计算辅助回归的拟合值G
第五步：对G做指数化处理，定义H=exp（G）
第六步：以1/H为权重做WLS回归，比如Stata中的命令为 reg y x [aw=1/H]
systemfit是用来解联立方程模型的比如里面的systemfit()函数，和包的名字一样，那就拿它举例子——systemfit()，线性方程组的估计，适用于一组线性结构方程，采用普通最小二乘法（OLS），加权最小二乘法（WLS），相依回归（SUR），两阶段最小二乘法（2SLS），加权两阶段最小二乘法（W2SLS）或三第一阶段最小二乘法（3SLS）。
他的函数表达式是：
systemfit( formula, method = "OLS",
inst=NULL, data=list(),
restrict.matrix = NULL, restrict.rhs = NULL, restrict.regMat = NULL,
pooled = FALSE, control = systemfit.control( ... ), ... )
诸如此类，里面诸多函数，都可以这样一个一个找到说明。
下载这个包，然后看他的help，每个函数后面还应该有小例子帮助理解。
ols检验大体包括经济学意义检验、计量检验和预测检验。
型参数估计值的可靠性，包括拟合优度检验、变量显著检验、方程显著性检验等； 经济意义检验：需要检验模型是否符合经济意义，检验求得的参数估计值的符号、大小、参数之间的关系是否与根据人们的经验和经济理论所拟订的期望值相符合。
计量经济学检验：计量经济学检验检验的是模型的计量经济学性质，其中包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等。
ols回归分析步骤：
1、确定变量：明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
2、建立预测模型：依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
3、进行相关分析：回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。
因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。
