计量经济学异方差的检验与修正

《计量经济学》实训报告

实训项目名称异方差模型的检验与处理

实训时间 2012-01-02

实训地点实验楼308

班级

学号

姓名

实 训 (实 践 ) 报 告

实 训 名 称 异方差模型的检验与处理

一、 实训目的

掌握异方差性的检验及处理方法。

二 、实训要求

1.求销售利润与销售收入的样本回归函数，并对模型进行经济意义检验和统计检验；

2.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差；

3.如果模型存在异方差，选用适当的方法对异方差进行修正，消除或减小异方差对模型的影响。

三、实训内容

建立并检验我国制造业利润函数模型，检验异方差性，并选用适当方法对其进行修正，消除或不同）

四、实训步骤

1.建立一元线性回归方程；

2.建立Workfile 和对象，录入数据；

3.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差；

4.对所估计的模型再进行White 检验，观察异方差的调整情况，从而消除或减小异方差对模型的影响。

五、实训分析、总结

表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料。假设销售利润与销售收入之间满足线性约束，则理论模型设定为：

12i i i Y X u ββ=++

其中i Y 表示销售利润，i X 表示销售收入。

表1 我国制造工业1998年销售利润与销售收入情况

行业名称销售利润Y 销售收入X 行业名称销售利润销售收入

食品加工业187.25 3180.44 医药制造业238.71 1264.1

食品制造业111.42 1119.88 化学纤维制品81.57 779.46

饮料制造业205.42 1489.89 橡胶制品业77.84 692.08

烟草加工业183.87 1328.59 塑料制品业144.34 1345

纺织业316.79 3862.9 非金属矿制品339.26 2866.14

服装制品业157.7 1779.1 黑色金属冶炼367.47 3868.28

皮革羽绒制品81.7 1081.77 有色金属冶炼144.29 1535.16

木材加工业35.67 443.74 金属制品业201.42 1948.12

家具制造业31.06 226.78 普通机械制造354.69 2351.68

造纸及纸品业134.4 1124.94 专用设备制造238.16 1714.73

印刷业90.12 499.83 交通运输设备511.94 4011.53

文教体育用品54.4 504.44 电子机械制造409.83 3286.15

石油加工业194.45 2363.8 电子通讯设备508.15 4499.19

化学原料纸品502.61 4195.22 仪器仪表设备72.46 663.68

1.建立Workfile和对象，录入销售收入X和销售利润Y：

图1 销售收入X和销售利润Y的录入

2.图形法检验

⑴观察销售利润Y与销售收入X的相关图：在群对象窗口工具栏中点击

view\Graph\Scatter\Simple Scatter, 可得X 与Y 的简单散点图(图1)，可以看出X 与Y 是带有截距的近似线性关系，即随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也逐步扩大。这说明变量之间可能存在递增的异方差性。

图2 我国制造工业销售利润与销售收入相关图

⑵残差分析

由路径：Quick/Estimate Equation ，进入Equation Specification 窗口，键入“y c x 确认并“ok ”，得样本回归估计结果，见图3。

图3 样本的回归估计结果

生成残差平方序列。在得到图3的估计结果后，直接在工作文件窗口中按Genr,在弹出的窗口中, 在主窗口键入命令如下e2=resid^2(用e2来表示残差平方序列),得到残差平方序列e2；同时绘制2t e 对t X 的散点图。按住Ctrl 键,同时选择变量X 与（注意选择变量的顺序，先选的变量将在图形中表示横轴，后选的变量表示纵轴）以组对象方式打开，进入数据列表，再按路径view\Graph\Scatter\Simple Scatter ，可得散点图，见图4。

图4 我国制造业销售利润回归模型残差分布

由图4可以大致看出残差平方2t e 随t X 的变动呈增大的趋势，因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。

3.Goldfeld-Quant 检验

⑴构造子样本区间，建立回归模型。将样本安解释变量排序（SORT X ）并分成两部分（分别有1到10共11个样本以及19到28共10个样本）

⑵利用样本1建立回归模型1（回归结果如图5），然后用OLS 方法求得如下结果 :其残差平方和为2579.587。

SMPL 1 10 LS Y C X

图5 样本1的回归结果

由图5可以看出，样本的估计结果为

15.764660.085894i Y X ∧

=+

2

0.714814 20.05192R F ==

⑶利用样本2建立回归模型2（回归结果如图6），然后用OLS 方法求得如下结果 :其残差平方和为63769.67。

SMPL 19 28 LS Y C X

图6 样本2回归结果

由图6可以看出，样本的估计结果为

11.996870.110552i Y X ∧

=-+

2

0.496413 7.886037R F ==

⑷计算F 统计量：12/RSS RSS F =＝63769.67/2579.59=24.72，21RSS RSS 和分别是模型1和模型2的残差平方和。

取

05

.0=α时，查F 分布表得

44.3)1110,1110(05.0=----F ，而

44

.372.2405.0=>=F F ，所以拒绝原假设，表明模型存在异方差性。

4.White 检验

⑴建立回归模型：LS Y C X ，回归结果如图7。