面板数据是指将多个观测个体的多个观测时间的数据混合而成的数据集，它是计量经济学，统计学，生物统计等诸多领域中一种非常重要的数据类型。近几十年来，面板数据计量分析得到了越来越多研究者的关注。而实证研究者在对经济金融等数据进行计量分析时，常常发现所收集到的数据集是三维面板数据集，即所观测到的数据具有三个维度，继而所研究变量的下标有三个，例如yijt，三维面板数据模型在经济金融等诸多方面已经得到了广泛的应用。　　对模型的建模一般分为三个步骤，即模型建立，参数估计与诊断检验。但对于三维面板数据模型的计量分析，大多的文献都聚焦在前两步，而第三步却没有得到其应有的重视。本文研究了一个相对一般的三维面板数据模型的纯粹误差项的序列相关检验问题。在三维面板回归模型中，一般假定纯粹误差项εijt是独立同分布，但是如果有Cov（εijt，εijt）≠0，t≠s，则称该模型违背了序列相关假定。如果错误指定了模型的序列相关性，那么将会影响统计推断的准确性。具体而言，当模型存在序列相关性却被忽略时，会使得估计的模型的参数系数的有效性下降，所得的标准差有误，继而使得传统的变量的显著性t检验、模型的显著性检验F检验失效等等，所以对三维面板数据模型进行序列相关检验至关重要。　　本文最主要的理论结果是将检验二维面板数据模型中纯粹误差项序列相关的最稳健的方法推广到三维面板数据模型。作为假设检验的一个步骤，本文首先推导出模型参数系数的组内估计量，并证明了该估计量在相对一般的条件下的一致性与渐近正态性。其次，本文采取对模型的残差进行一系列的变换，利用变换后的残差建立人工自回归模型，基于此人工自回归模型的参数系数的最小二乘估计量构造出检验序列相关性的统计量。该检验统计量在原假设下是渐近服从卡方分布的，并且本文还在理论上研究了该统计量的功效性质。该检验方法的优点是不需要对随机误差项分布做任何假定，而且对于随机误差项中各种可能存在的效应与该效应的具体存在形式都是稳健的，同时还对序列相关的具体形式是稳健的。最后本文还设计了一系列的Monte Carlo模拟实验说明所构造的检验方法是可行的。