计量经济学上机教程(修正版)

操作步骤如下：
6
计量经济学上机教程
Made By 08 经济 林盛楷
打开 hprice1.wf1 文件，点击 resid 文件，操作 view→graph→line，我们可以看到：
我们可以观察到，残差随着收入的变化，波动较大，故初步推断，模型存在异方差； 我们在空白框内输入：ls price c lotsize sqrft bdrms，得到方程，命名为 eq01，如下 图所示：
得到方程，命名为 eq04;如下图所示：
同样的，我们对另一阶段进行估计，与上述操作一致，不同的是 Sample 要改为 56 得到方程 eq05，如下图所示：
88；
12
计量经济学上机教程
Made By 08 经济 林盛楷
然后，在空白框中输入：scalar f=eq05.@ssr/eq04.@ssr 我们可以得到 f 值为 2.02264039761 ； 然后在空白框中进一步输入 scalar fgqx=@qfdist(0.95,33,33) 表示显著性水平 5%的 F 统计量临界值 对比可知，f 值大于 fgqx 的值，所以拒绝原假设，即模型存在异方差。
操作如下： 打开 crime.wf1 文件，做 OLS 估计 点击 Quick——Estimate Equation →输入 narr86 c pcnv ptime86 qemp86，得到估计 方程，命名为 eq01，如下图：
我们可以看到自变量的系数（红框里面所示） 接下来，我们采用矩阵的形式来得到同样的估计结果： 在空白框中输入 series i=1 得到一个全为 1 的列向量； 接下来，继续在空白框中输入 group group01 i pcnv ptime86 qemp86 上述操作是把 i，pcnv，ptime86 和 qemp86 合并成一个向量组； 接着，继续在空白框中输入连续 3 行：
8
计量经济学上机教程
Made By 08 经济 林盛楷
这里，我们观察到 F 统计值和 LM 统计值的 Prob 的值很小，故拒绝原假设，即判断模型中 存在异方差。 检验对变量采用对数形式是否能有效降低异方差？ 我们将 price、 lotsize、 sqrft 都取了对数形式， 输入 ls log(price) log(lotsize) log(sqrft) bdrms，做 OLS 估计，命名为 eq02，然后与上述一样的做怀特检验，选择 white heteroskedasticity(no cross terms)，我们得到下图：
9
计量经济学上机教程
Made By 08 经济 林盛楷
此时，对比之前的 F 统计值和 LM 统计值的 Prob,我们发现新的模型的 F 统计值和 LM 统计 值的 Prob 显著增大了。因此，我们不能拒绝不存在异方差的原假设，从而验证了对变量取 对数形式可以显著地降低方程中的异方差的说法！！！
Breusch-Pagan Test：
通过比较，我们发现 LM 统计量远大于卡方统计量，故拒绝没有异方差的原假设。
BP 检验的等价性检验：
点击前面估计得到的方程 eq01，然后点击 Proc→make residual series 取出方程的残差，命 名为 res； 接着，在空白框中输入 genr res2=res^2，生成残差的平方 res2; 然后，将 res2 对所有自变量进行回归，在空白框中输入：ls res2 c sqrft lotsize bdrms，得 到方程，命名为 eq03; 我们构建 LM 统计量，在空白框中输入 scalar lm=88*eq03.@r2（此时是自由度为 3
stom(group01,x) stom(group01,z) stom(narr86,y)
（ PS： stom 是 series to matrix 的简写，即把 group01 中的 i pcnv ptime86 qemp86 合 并成的向量组转成矩阵进行运算） 接下来，我们在空白框中输入：
2
计量经济学上机教程
Baidu Nhomakorabea
13
计量经济学上机教程
Made By 08 经济 林盛楷
我们可以得到以下结果：（PS：如果输出结果中出现 White Heteroskedasticity-Consistent Standard Errors & Covariance ，表示以完成怀特一致协方差估计）
7
计量经济学上机教程
操作如下图：
Made By 08 经济 林盛楷
然后， 点击 view →residual test →white heteroskedasticity(no cross terms)或者 cross terms:
White Test 原理：利用原 OLS 回归中得到的残差平方对所有的自变量、自变量的平方及自 变量的交叉项（因为异方差不一定只是与一次项相关）进行回归，然后对此回归方程进行 系数联合检验，如果所有系数为零的原假设不成立，即表明方程存在异方差。 No cross （即不包含自变量的交叉项） ， 我们得到的解释变量为 C LOTSIZE LOTSIZE^2 SQRFT SQRFT^2 BDRMS BDRMS^2 而 cross（即包含自变量的交叉项），我们得到的解释变量为 C LOTSIZE LOTSIZE^2 LOTSIZE*SQRFT LOTSIZE*BDRMS SQRFT SQRFT^2 SQRFT*BDRMS BDRMS BDRMS^2 我们选择 white heteroskedasticity(no cross terms) 生成报告，如下图所示：
1
计量经济学上机教程
Made By 08 经济 林盛楷
由于杨海生老师前几次的上机主要是让我们熟悉 Eviews 软件的操作，主要 重点放在了约束检验与矩阵运算，所以杨海生老师的上机就只有这两章节了。 如果有同学需要另外的章节的话，欢迎联系我 (15013222060)~
矩阵运算
Example 5.3：
的卡方统计量）
我们可以得到 LM 统计量为 14.0923855146 然后在空白框中输入 scalar f=@qchisq（ 0.975,3） ，得到置信水平为 5%的卡方统计 量为 f=9.3484036045 通过比较可以知道，LM 统计量比 f 值大，故我们可以拒绝原假设，即模型存在异方差。
计量经济学上机教程
Made By 08 经济 林盛楷
Eviews 上机教程
我收集了杨海生和徐淑一两位老师在这学期的上机课的 Eviews 的操作，通过整理，编写成了这份教程。虽然不是什么宏篇巨作，但 希望可以在 2011 年到来之际，献给大家一份新年礼物！ 由于编写教程的想法事出突然， 这几天我熬夜赶工， 再加上本人 学术水平还有待提升， 教程本身可能会存在一些纰漏， 希望大家在阅 读的同时能指出错误，本人不胜感激！ ——08 经济 林盛楷
怀特一致协方差估计：
我们在对可能存在异方差的数据模型进行估计时，可以点击 options，然后选择 heteroskedasticity consistent coefficient 中的 white 一致协方差估计，即是采用怀特方法对 数据模型中的异方差性进行修正（PS：Newey West 一致协方差估计则是同时可以对模型中 可能存在的异方差与序列相关进行修正），如图所示：
rbisyr，得到方程 eq01，如下图：
3
计量经济学上机教程
Made By 08 经济 林盛楷
然后进行系数约束检验，即 wald 检验：假定 bavg，hrunsyr 和 rbisyr 的系数为 0，即
c(4)=c(5)=c(6)=0
操作步骤如下： 点击 view→coefficient tests→Wald-coefficient restrictions，如下图：
Made By 08 经济 林盛楷
Matrix betaiv=@inverse(@transpose(x)*z*@inverse(@transpose(z)*z)*@transpose (z)*x)*(@transpose(x)*z*@inverse(@transpose(z)*z)*@transpose(z)*y)
5
计量经济学上机教程
Made By 08 经济 林盛楷
然后构建 F 统计量： 在空白框中输入：scalar f=(eq02.@ssr-eq01.@ssr)/3/(eq01.@ssr/347) 得到 F 统计量的值为 f=9.550525668519 通过查表可以得出： 分子自由度为 3，分母自由度为 347，显著性水平为 5%的临界值为 2.60；1%的临界值为 3.78； 对比可知，F 统计量远大于自由度为 3 和 347 的 F 分布在显著性水平为 1%的临界值，所以 我们合理地拒绝 bavg，hrunsyr 和 rbisyr 对薪水没有影响的假设。
点击前面估计得到的方程 eq01，然后点击 Proc→make residual series 取出方程的残差，命 名为 res； 接着，在空白框中输入：scalar sigma=eq01.@ssr/88 然后继续在空白框中输入：scalar g=res^2/sigma-1 然后我们将 g 对 Z 回归，(PS:其中 Z 是你认为的跟异方差的有关的解释变量的集合（包括常 数项）)，求得回归平方和，计算 LM 统计量： 具体操作如下： 在空白框中输入： ls g c lotsize sqrft bdrms 得到估计方程， 命名为 eq02；
这里采用了工具变量估计的方法： 转化成式子，就是：
最后出现了一个 β 文件，点击之后，会发现：
我们惊奇地发现，R1-R4 的系数的值竟然与方程 eq01 的自变量的系数一样！ ！ 以上就是 eviews 的矩阵运算。
约束检验
书上第 144-145 页： 操作步骤如下： 打开文件 mlb1.wf1，我们估计无约束模型： 点击 Quick——Estimate Equation →输入 log(salary) c years gamesyr bavg hrunsyr
在对话框中输入：
4
计量经济学上机教程
Made By 08 经济 林盛楷
得到如下结果：
我们观察到 F 统计量和卡方统计量的 Prob 均为 0，表明原假设成立的概率为 0，即我们应 该拒绝 c(4)=c(5)=c(6)=0 的原假设。 然后我们估计约束模型，即去掉 bavg，hrunsyr 和 rbisyr 三个解释变量。 点击 Quick——Estimate Equation →输入 log(salary) c years gamesyr， 得到估计方程， 命名为 eq02； 如图所示：
Goldfeld-Quandt 检验：
双击 Price 文件，然后点击 Sort→price 和 Ascending，对其进行升序排列；如下图所示：
11
计量经济学上机教程
然后在 Sample 下面填上 1 33，如下图所示：
Made By 08 经济 林盛楷
然后对模型进行OLS估计：Quick→Estimate Equation, 输入：price c sqrft lotsize bdrms
异方差检验（一）
Example8.4：研究 HPRICE1 的数据。 1.估计 Example8.4 的方程；观察残差随收入变化的分布特征，你能得出什么结 论? 2.用 White 方法检验 1.的模型是否存在异方差； 3.用 Breusch-Pagan 方法检验 1.的模型是否存在异方差； 4.以 lotsize 作为划分样本的依据，取 C 22 ，将样本分成相等的两个子样本， 用 Goldfeld-Quandt 方法检验 1.的模型是否存在异方差； 如果以 sqrft 作为划分 样本的依据呢？ 5.求 White 一致协方差估计，与 1.的 OLS 估计结果进行比较。
然后构建 LM 统计量：输入：scalar lm=eq02.@ssr*(eq02.@r2/(1-eq02.@r2))/2 得到 LM 统计量，然后我们继续输入：scalar chi=@qchisq(0.975,3)
10
计量经济学上机教程
9.3484036045。
Made By 08 经济 林盛楷
结果得到 LM 统计量为 30.0227300855，而自由度为 3，置信水平为 5%的卡方统计量为