实验异方差地检验与修正
异方差问题检验与修正
一、异方差问题检验与修正
1、使用双对数模型
Ln Y = β0+β1 ln X1 + β2 ln X2 + μ
回归分析：
Ln Y尖=3.266 + 0.1502 ln X1 + 0.4775 ln X2
(3.14) (1.38) (9.25)
R^2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357
估计结果显示，其他来源的纯收入对农户人均消费支出的增长更有刺激作用。
2、异方差性检验
（1）图示法
Log（E）=-6.010808+0.451832 log（lx2）
(-0.679156) (0.102484)
可以看出，有91%的概率认为 X2的参数为0.451832是显著的，因此X2存在异方差性。
可知 X2可能存在异方差性。
（4）怀特（White）检验
从图中可得，X2项的参数的t检验是显著的且怀特统计量n R^2=31*0.7648=23.70
因此，X2具有异方差性
3、异方差的修正
根据帕克检验算权重：w=1/残差
Log（E）=-6.010808+0.451832 log（lx2）
(-0.679156) (0.102484)
W=1/(lx2^0.6721845)
可以看出，对原模型进行加权最小二乘估计得到
Ln y尖=3.005048+ 0.201401 ln X1 + 0.463065 ln X2 修正前 R^2=0.775025
修正后R^2=0.999999。
异方差性的概念、类型、后果、检验及其修正方法含案例
Yi和Xi分别为第i个家庭的储蓄额和可支配收入。
在该模型中，i的同方差假定往往不符合实际情况。对高收 入家庭来说，储蓄的差异较大；低收入家庭的储蓄则更有规律 性（如为某一特定目的而储蓄），差异较小。
因此，i的方差往往随Xi的增加而增加，呈单调递增型变化 。
– 在选项中，EViews提供了包含交叉项的怀特检验“White Heteroskedasticity（cross terms）”和没有交叉项的怀特检 验“White Heteroskedasticity（no cross terms）” 这样两个 选择。
• 软件输出结果：最上方显示两个检验统计量：F统计 量和White统计量nR2；下方则显示以OLS的残差平 方为被解释变量的辅助回归方程的回归结果。
随机误差项具有不同的方差，那么： 检验异方差性，也就是检验随机误差项的方差与解
释变量观测值之间的相关性及其相关的“形式”。 • 各种检验方法正是在这个共同思路下发展起来的。
路漫漫其修远兮, 吾将上下而求索
问题在于：用什么来表示随机误差项的方差？ 一般的处理方法：
路漫漫其修远兮, 吾将上下而求索
2.图示检验法
路漫漫其修远兮, 吾将上下而求索
3.模型的预测失效
一方面，由于上述后果，使得模型不具有良好的统计性质；
【书上这句话有点问题】
其中 所以，当模型出现异方差性时，Y预测区间的建立将发生困 难，它的预测功能失效。
路漫漫其修远兮, 吾将上下而求索
三、异方差性的检验（教材P111）
1.检验方法的共同思路 • 既然异方差性就是相对于不同的解释变量观测值，
（注意：其中的2完全可以是1）
实验三：异方差、自相关和随机解释变量的验证与修正
一、异方差模型的检验与修正
实验目的：掌握异方差模型的检验和修正方法。 实验要求：熟悉图形法、Park和Glejser检验，理解同方差性 变换、掌握加权最小二乘法（WLS）。 实验原理：图形法、Park和 Glejser检验法，WLS，广义最 小二乘法（ GLS ）和同方差性变换。 实验步骤：利用东莞数据财政支出EXB、财政收入REV。 广东数据固定资产折旧ZJ、国内生产总值收入法 GDP1和时间T。详见《实验讲义》
三、对随机解释变量的与修正
实验目的：掌握对随机解释变量的修正பைடு நூலகம்法。 实验要求：掌握 工具变量法IV和两阶段最小二乘法TSLS。 实验原理：工具变量法IV。 实验步骤： 详见《实验讲义》
二、自相关模型的检验与修正
实验目的：掌握自相关模型的检验和修正方法。 实验要求：熟悉图形法、掌握WD检验法 掌握广义差分变换、迭代法 实验原理：图形法、广义差分变化、广义最小二乘法（ GLS ） 和迭代法。 实验步骤：利用东莞数据：GDP、社会消费品零售额SLC、财 政支出EXB、财政收入REV。 广东数据固定资产折旧ZJ、国内生产总值收入法 GDP1和时间T。详见《实验讲义》
异方差实验报告步骤(3篇)
第1篇一、实验目的1. 掌握异方差性的基本概念和检验方法。
2. 学会运用统计软件进行异方差的检验和修正。
3. 提高对计量经济学模型中异方差性处理能力的实践应用。
二、实验原理1. 异方差性：在回归分析中，若回归模型的误差项（残差）的方差随着自变量或因变量的取值而变化，则称模型存在异方差性。
2. 异方差性的检验方法：图形检验、统计检验（如F检验、Breusch-Pagan检验、White检验等）。
3. 异方差性的修正方法：加权最小二乘法（WLS）、广义最小二乘法（GLS）等。
三、实验步骤1. 数据准备1. 收集实验所需数据，确保数据质量和完整性。
2. 对数据进行初步处理，如剔除异常值、缺失值等。
2. 模型设定1. 根据研究问题，选择合适的回归模型。
2. 利用统计软件（如Eviews、Stata等）进行初步的回归分析。
3. 异方差性检验1. 图形检验：绘制散点图，观察残差与自变量或因变量的关系，初步判断是否存在异方差性。
2. 统计检验：- F检验：检验回归系数的显著性。
- Breusch-Pagan检验：检验残差平方和与自变量或因变量的关系。
- White检验：检验残差平方和与自变量或因变量的多项式关系。
4. 异方差性修正1. 若检验结果表明存在异方差性，则需对模型进行修正。
2. 选择合适的修正方法：- 加权最小二乘法（WLS）：根据残差平方与自变量或因变量的关系，计算权重，加权最小二乘法进行回归分析。
- 广义最小二乘法（GLS）：根据残差平方与自变量或因变量的关系，选择合适的方差结构，广义最小二乘法进行回归分析。
5. 结果分析1. 对修正后的模型进行回归分析，观察回归系数的显著性、拟合优度等指标。
2. 对实验结果进行分析，解释实验现象，验证研究假设。
6. 实验报告撰写1. 撰写实验报告，包括以下内容：- 实验目的- 实验原理- 实验步骤- 实验结果- 分析与讨论- 结论2. 实验报告应结构清晰、逻辑严谨、语言简洁。
异方差的检验与修正
西安财经学院本科实验报告学院（部）统计学院实验室 313 课程名称计量经济学学生姓名学号 1204100213 专业统计学教务处制2014年12 月 15 日《异方差》实验报告开课实验室：313 2014年12月22第六部分异方差与自相关4. 在本例中，参数估计的结果为：2709030.01402097.01402.728X X Y ++=Λ(2.218) (2.438) (16.999)922173.02=R D.W.=1.4289 F=165.8853 SE=395.2538三．检查模型是否存在异方差 1．图形分析检验 (1)散点相关图分析分别做出X1和Y 、X2和Y 的散点相关图，观察相关图可以看出，随着X1、X2的增加，Y 也增加，但离散程度逐步扩大，尤其表现在X1和Y.这说明变量之间可能存在递增的异方差性。
在Graph/scatter 输入log(x2) e^2，结果如下：（2）残差相关图分析建立残差关于X1、X2的散点图，可以发现随着X 的增加，残差呈现明显的扩大趋势，表明模型很可能存在递增的异方差性。
但是否确实存在异方差还应通过更进一步的检验。
2.GQ 检验首先在主窗口Procs菜单里选Sort current page命令，输入排序变量x2，以递增型排序对解释变量X2进行排序，然后构造子样本区间，分别为1-12和20-31，再分别建立回归模型。
(1)在Sample菜单里，将区间定义为1—12，然后用OLS方法求得如下结果(2)在Sample菜单里，将区间定义为20—31，然后用OLS方法求得如下结果则F的统计量值为：6699.834542929948192122===∑∑iieeF在05.0=α下，式中分子、分母的自由度均为9，查F分布表得临界值为：18.3)9,9(05.0=F，因为F=8.6699>18.3)9,9(05.0=F,所以拒绝原假设，表明模型确实存在异方差。
异方差性的检验和修正
甘肃
4916.25
4126.47
上 海 11718.01
8868.19
青海
5169.96
4185.73
江 苏 6800.23
5323.18
新疆
5644.86
4422.93
1、做 Y 关于 X 的散点图以及回归分析 将数据通过 excel 录入到 eviews 中，对解释变量与被解释变量做散点图，选择解 释变量作为 group 打开，在数据表“ group”中点击 view/graph/scatter/simple scatter，出现以上数据的散点图，如下图所示：
图的结果显示，X 前的参数在 5%的显著性水平下不为零，同时，F 检验也表明方程的线性 关系在 5%的显著性水平下成立。 其次，采用异方差稳健标准误法修正原 OLS 的标准差，得到下图所示的估计结果：
任然可以看出，变量 x 对应参数修正后的标准差比 ols 估计的结果有所增大，这表明原模型 OLS 估计结果低估了 X 的标准差。
上海
11718.01
8868.19
青海
5169.96
4185.73
北京
10349.69
8493.49
内蒙古
5129.05
3927.75
广东
9761.57
8016.91
陕西
5124.24
4276.67
浙江
9279.16
7020.22
甘肃
4916.25
4126.47
天津
8140.5
6121.04
黑龙江
4912.88
计量经济学实验四——异方差的检验和修正
实验目的：学习建立回归模型，并进行异方差检验和对模型进行修正 实验内容：
实验五 计量经济学异方差问题及其修正
实验五异方差性一、实验目的掌握异方差的检验方法与处理方法.二、实验要求应用教材第116页案例做异方差模型的图形法检验、Goldfeld-Quanadt检验与White检验，使用WLS法对异方差进行修正；三、实验原理异方差性检验：图形法检验、Goldfeld-Quanadt检验、White检验与加权最小二乘法；四、实验步骤一、模型的OLS估计（1）录入数据打开EViews6，点“File”→“New”→“Workfile”选择“Unstructured/Undated”，在Observations 后输入21，如下所示：点击“ok”。
在命令行输入：DATA Y X，回车。
将数据复制粘贴到Group中的表格中，如下图：（2）估计回归方程在命令行输入命令：LS Y C X ，回车。
或者在主菜单中点“Quick ”→“Estimate Equation ”，在Specification 中输入 Y C X ，点“确定”。
得到如下估计结果： 写出回归方程：i ˆ562.9075 5.3728iY X =-+t=(-1.9306) (8.3398)2R=0.7854 F=69.55二、模型的异方差检验1、图示检验法（1）作散点图：X——Y在命令行输入命令：scat X Y ，回车（2）作散点图：X——2~ei首先生成残差的平方序列，在命令行输入命令：GENR E2=resid^2 ，回车。
作散点图：在命令行输入命令： SCAT X 2~e E2 ，回车，结果如下图。
i由上图可以看出，残差平方2~i e 对解释变量X 的散点图主要分布在图形中的下三角部分，大致看出残差平方2~i e 随i X 的变动呈增大的趋势，因此，模型很可能存在异方差。
2、模型的G-Q 检验 原假设0H :同方差 备择假设1H :异方差（1）首先将样本按X 由小到大的顺序排列，在命令行输入命令：SORT X 回车（2）去除掉中间的5个样本（n/4=5.25，为了使剩下的样本能被平均分成两份，去掉7个），将剩余的16个样本平均分为两份，每一份8个样本。
实验二 异方差、序列相关的检验及修正
实验二：异方差和自相关模型的检验和处理二、实验目的(1) 熟悉EViews软件在自相关模型中的根本使用方法；(2) 掌握异方差、自相关模型的检验和处理方法；三、实验的软硬件环境要求硬件环境要求：科学计算与经济分析实验室，计算机网络设备，需要连接Internet使用的软件名称、版本号以及模块带Windows操作系统以及EViews应用演示软件。
四、知识准备前期要求掌握的知识：了解EViews软件在自相关和异方差分析中的根本概念和根本功能，理解违背线性回归模型的根本假设中的自相关和异方差产生的原因，解决这两类问题的根本理论。
实验相关理论或原理：(1)理解线性模型违背根本假设：误差项同方差性、无序列相关性的含义及其在实际经济问题中产生的原因；(2)掌握线性模型异方差性和序列相关性的检验的统计思想和EViews实现。
(3) 掌握线性模型异方差性和序列相关性的处理方法统计思想和EViews实现。
实验流程：线性回归模型假设→线性回归模型异方差和序列相关性检验→线性回归模型异方差和序列相关性的处理→线性回归模型的修正。
五、实验材料和原始数据表2.1 各地区农村居民家庭人均纯收入与消费支出〔单位：元〕表2.2 1978~2001年中国商品进口与国内生产总值六、实验要求和考前须知能用EViews软件完成线性回归模型的异方差和序列相关性的检验和处理，以及对模型的修正。
能对软件输出的结果能做较详细的分析，能结合数据提出自己的见解。
七、实验内容及步骤〔一〕异方差1.加载工作文件。
(1)建立工作文件的方法是点击,选择新建对象类型为工作文件，选择数据类型，注意本数据是截面数据。
建立工作文件，建立新序列，建立空组。
创立三个序列Y(人均消费支出)、X1(从事农业经营的收入)、X2(其他收入)并输入数据。
进入界面后输入数据如图3－1，3-2所示。
图3－1 图3－22.选择方程〔1〕根据消费理论，中国农村居民人均消费主要由人均纯收入决定，为了考察从事农业经营的收入和其他收入对农村居民消费支出增长的影响，考虑双对数模型：01122ln ln ln Y X X βββμ=+++〔2〕先对模型进展估计。
计量经济学--异方差的检验及修正
经济计量分析实验报告一、实验项目异方差的检验及修正二、实验日期2015.12.06三、实验目的对于国内旅游总花费的有关影响因素建立多元线性回归模型，对变量进行多重共线性的检验及修正后，进行异方差的检验和补救。
四、实验内容建立模型，对模型进行参数估计，对样本回归函数进行统计检验，以判定估计的可靠程度，包括拟合优度检验、方程总体线性的显著性检验、变量的显著性检验，以及参数的置信区间估计。
检验变量是否具有多重共线性并修正。
检验是否存在异方差并补救。
五、实验步骤1、建立模型。
以国内旅游总花费Y 作为被解释变量，以年底总人口表示人口增长水平，以旅行社数量表示旅行社的发展情况，以城市公共交通运营数表示城市公共交通运行状况，以城乡居民储蓄存款年末增加值表示城乡居民储蓄存款增长水平。
2、模型设定为:t t t t t μβββββ+X +X +X +X +=Y 443322110t 其中：t Y — 国内旅游总花费（亿元） t 1X — 年底总人口（万人） t 2X — 旅行社数量（个） t 3X — 城市公共交通运营数（辆）t 4X — 城乡居民储蓄存款年末增加值（亿元）3、对模型进行多重共线性检验。
4、检验异方差是否存在。
六、实验结果（一）、消除多重共线性之后的模型多元线性回归模型估计结果如下：4321000779.0053329.0151924.0720076.0-99.81113ˆX +X +X +X =Y i SE=(26581.73) (0.230790) (0.108223) (0.013834) (0.020502) t =(3.051494) (-3.120046) (1.403805) ( 3.854988) (0.038020)R2=0.969693R2=0.957571F=79.98987(1)拟合优度检验：可决系数R 2=0.969693较高，修正的可决系数R 2=0.957571也较高，表明模型拟合较好。
异方差性的概念类型后果检验及其修正方法
异方差性的概念类型后果检验及其修正方法异方差性（heteroscedasticity）是指随着自变量的变化，被解释变量的方差不保持恒定，呈现出不同的分散特征。
异方差性可能会导致线性回归模型的参数估计不精确，误差项的标准误差的估计不准确，常见的检验和修正方法包括Breusch-Pagan检验和White检验，同时，还可以采取加权最小二乘法或者转换变量的方法来修正异方差性。
异方差性可以分为条件异方差和非条件异方差两种类型。
条件异方差是指在给定自变量的情况下，被解释变量方差的大小存在差异；非条件异方差则是指被解释变量的方差在整个样本空间内都存在差异。
异方差性的后果是导致参数估计的不准确性和偏误。
当存在异方差性时，OLS（普通最小二乘法）估计的标准误差会低估真实标准误差，从而使得参数显著性以及模型拟合效果可能出现问题。
此外，在存在异方差性的情况下，t检验、F检验等假设检验的结果也会受到影响。
在进行线性回归模型时，常常需要对异方差性进行检验。
一种常用的检验方法是Breusch-Pagan检验，其基本思想是对残差的平方与自变量进行回归，然后通过F检验来判断异方差的存在与否。
另一种常用的检验方法是White检验，它是在一个包含自变量和交互项的扩展模型中对残差的平方与自变量进行回归，通过Wald检验统计量来判断异方差的存在与否。
异方差性可以通过多种修正方法来处理。
其中，一种常用的方法是采用加权最小二乘法（WLS）来估计参数。
WLS的基本思想是将方差不恒定的观测值加权，使得每个观测值的权重与方差的倒数成正比。
另一种常用的方法是通过转换变量，使得原始数据变换成具有恒定方差的形式，例如对数变换、平方根变换等。
下面以一个案例来说明如何检验和修正异方差性。
假设我们研究了城市的房价（被解释变量）与房屋面积和所在地区（自变量）之间的关系。
我们采集了100个样本数据，并构建了线性回归模型进行分析。
1.检验异方差性：使用Breusch-Pagan检验来检验模型的异方差性。
异方差的检验与修正
SALES 121.9- 7.829 PRICE
( se ) 43
（1）
( -6.850 )
R 2 0.391
R 0.383
2
S .E. 5.097
从中可以看出，价格前面的系数不为 0，则销售收入对价格是富有弹性的。 在给定 0.05 时，价格的 P 值远小于 0.05，则拒绝原假设，认为价格对销售收 入的影响是显著的。 价格前面的系数为-7.829 说明价格和销售收入是呈现负相关 关系， 其价格每上升一美元， 销售收入将会减少 782.9 美元。 拟合优度 R 2 =0.391， 说明这个模型对数据的拟合只是一定程度上的拟合，不是完全拟合。模型尚待改 进。
异方差性的检验方法和修正
Z N UE L异方差性的检验方法和修正一、 实验目的熟练掌握异方差性的检验方法和修正处理方法二、实验原理异方差（heteroskedasiticity ）是计量经济工作红线性回归模型经常遇到的问题，异方差的存在对线性回归分析有很强的破坏作用。
利用异方差的图形检验、戈德菲尔特-夸特检验、怀特检验方法，检验案例中线性回归模型的异方差是否存在，若存在的话，如何通过加权最小二乘法进行修正，建立能够真正反应案例的经济模型，实现对经济的正确指导作用。
三、实验要求通过Eviews 软件应用给定的案例做异方差模型的图形检验法、Glodfeld-Quanadt（戈德菲尔特-夸特）检验与White（怀特）检验，并使用加权最小二乘法（WLS）对异方差进行修正。
四、 实验步骤在现实经济活动中，最小二乘法的基本假定并非都能满足，本案例讲讨论随机误差项违背基本假定的一个方面—异方差性。
本案例将介绍：异方差模型的图形检验、戈德菲尔特-夸特检验、怀特检验；异方差模型的加权最小二乘法修正。
1、建立workfile 和对象，录入2007年城镇居民收入X 和消费额Y 的数据。
2、参数估计按住ctrl 键，同时选中序列X 和序列Y ，点右键，在所出现的右键菜单中，选择open\as Group 弹出一对话框，点击其上的“确定”，可生成并打开一个群对象。
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，可以看出X 与Y 是带有截距的近似线性关系。
点击朱界面菜单Quick\Estimate Equation, 在弹出的对话框中输入 Y C X,点确定即可到回归结果，如下：VariableCoefficientStd. Errort-StatisticProb. C 756.6871570.1912 1.3270760.1948X0.3076930.01908216.124970.0000R-squared0.899659 Mean dependent var 8689.161Durbin-Watson stat1.694571 Prob(F-statistic)0.0000003、异方差检验本案例用的是2007年的全国各个诚实城镇居民收入和消费额，由于地区之间这种差异使得模型很容易产生异方差，从而影响模型的估计和运行，为此必须对该模型是否存在异方差进行检验。
异方差的检验与修正
实验一异方差的检验与修正一、实验目的：了解异方差(heteroscedasticity)、Goldfeld-Quandt 检验、Spearman rank correlation 检验、Park 检验、Glejser 检验、Breusch-Pagan 检验、White 检验、加权最小二乘法( weighted least squares,简记WLS )、模型对数变换法等基本概念及异方差产生的原因和后果。
掌握异方差的检验与修正方法以及如何运用Eviews软件在实证研究中实现相关检验与修正。
二、基本概念：异方差(heteroscedasticy)就是对同方差假设(assumption of homoscedasticity)的违反。
经典回归中同方差是指随着样本观察点X的变化，线性模型中随机误差项的方差并不改变，保持为常数。
异方差的检验有图示法及解析法，检验异方差的解析方法的共同思想是，由于不同的观察值随机误差项具有不同的方差，因此检验异方差的主要问题是判断随机误差项的方差与解释变量之间的相关性。
异方差的修正方法有加权最小二乘法和模型对数变换法等，其基本思路是变异方差为同方差，或者尽量缓解方差变异的程度。
三、实验内容及要求：内容：根据北京市1978-1998年人均储蓄与人均收入的数据资料，若假定X为人均收入(元)，丫为人均储蓄(元)，通过建立一元线性回归模型分析人均储蓄受人均收入的线性影响，并讨论异方差的检验与修正过程。
要求：(1)深刻理解上述基本概念(2 )思考：异方差的各种检验方法所适用的情况及如何运用加权最小二乘法(WLS )修正异方差？(3)熟练掌握相关Eviews操作四、实验指导：1•用OLS估计法估计参数(1)导入数据打开Eviews 软件，选择"File” 菜单中的“New--Workfile ” 选项，出现“Workfile Range ' 对话框，在"Workfile frequency ”框中选择"Annual”，在"Start date”和"End date”框中分别输入“ 1978”和“ 1998”，如下图：图1 — 1 建立新文件然后单击“ OK”，弹出如下窗口:图1 — 2 建立新文件选择"File”菜单中的“ lmport--Read Text-Lotus-Excel "选项，找到要导入的名为EX3.2.xls 的Excel 文档，单击"打开”出现" Excel Spreadsheet Import”对话框并在其中输入"x”和“y ” ,如下图所示：图1 —3导入数据再单击“ OK”完成数据导入。
计量经济学异方差的检验与修正实验报告
计量经济学实验报告关于异方差性的检验与修正2012/11/18学院：国际教育学院专业：国际经济与贸易班级：10级一班姓名：苗子凯学号：1014102025一．异方差检验运行Eviews,依次单击file→new→work file→unstructed→observation 20。
命令栏中输入“data y x”，打开“y x”表，接下来将数据输入其中。
然后开始进行LS回归，命令栏中输入“ls y c x”回车，即得到回归结果如下回归方程为：：Y = 272.3635389 + 0.7551249391*X二．开始检验异方差White 检验法:依次单击View →Residual Tests →Heteroskedasticity test →Whit 经估计出现white 检验结果，如下图：所以拒绝原假设，表明模型存在异方差Goldfeld-Quanadt 检验法： 在命令栏中直接输入：ls y c x →sort 1 20(进行排序) →smpl 1 8 →ls y c x →enter 得到如下结果：99.5%565.122置信水平下的卡方值>=nR继续取样本，在命令栏中直接输入： smpl 13 20 →ls y c x→enter得到如下结果：计算F统计量：F=RSS2/RSS1=615472.0/126528.3=4.864；F=4.864> F0.05（6,6）=4.28，拒绝原假设，表明模型确实存在异方差性。
帕克检验重新打开eviews，依次键入以下步骤：file→new→work file→unstructed→observation 20。
命令栏中输入“data y x”，打开“y x”表，接下来将数据输入其中。
然后键入：genr lne2=log(resid^2) → genr lnx=log(x) →ls lne2 c lnx得到结果如下：可得到α=3.47，且t=2.89，说明显著性明显，而α的显著性不为零意味着存在显著性。
检验异方差性与调整异方差性
检验异方差性与调整异方差性1. 异方差性的概念及检验方法异方差性指的是随机变量的条件方差，并且条件方差不是常数。
也就是说，观测值的方差不仅仅取决于均值，还可能取决于其他因素。
在统计分析中，如果存在异方差性，会对参数估计和假设检验产生影响。
因此，需要在进行统计分析之前，先检验数据是否存在异方差性。
1.1 异方差性检验方法常用的异方差性检验方法有多种，包括：•基于残差的图形检验方法，如残差图和方差-均值图；•基于统计检验的方法，如Levene检验、Bartlett检验以及Brown-Forsythe检验；1.2 基于残差的图形检验方法1.2.1 残差图残差图是一种简单直观的检验异方差性的方法。
在残差图中，横轴表示预测值或观测值的均值，纵轴表示对应的残差。
如果残差的方差与均值无关，则残差图应该呈现出随机分布的特点。
反之，如果残差图中存在明显的模式，即残差的方差与均值相关，则可以初步判断存在异方差性。
1.2.2 方差-均值图方差-均值图是一种更细致的检验异方差性的方法。
在方差-均值图中，横轴表示预测值或观测值的均值，纵轴表示对应的残差的方差。
如果方差-均值图中存在明显的模式，即残差的方差与均值相关，则可以初步判断存在异方差性。
1.3 基于统计检验的方法1.3.1 Levene检验Levene检验是一种常用的检验异方差性的方法。
Levene检验基于修正后的中位数差异进行计算，主要用于检验两个或多个样本之间的方差是否存在显著差异。
在假设检验中，原假设为各组样本方差相等，备择假设为各组样本方差不等。
如果p值小于设定的显著性水平（如0.05），就可以拒绝原假设，认为样本之间存在异方差性。
1.3.2 Bartlett检验Bartlett检验是另一种常用的检验异方差性的方法。
Bartlett检验基于观测值与各组均值差异进行计算，主要用于检验两个或多个样本之间的方差是否存在显著差异。
在假设检验中，原假设为各组样本方差相等，备择假设为各组样本方差不等。
实验4-异方差性的检验和修正(更新至20131015)
验，F 统计量为
F
e e
2 2i 2 1i
735844.7 5.0762 144958.9
(2.3.2)
判断：在 0.05 下，在式 2.3.1 中分子、分母的自由度均为 6，查 F 分布 表得临界值为 F0.05 (6,6) 4.28 ，因为 F 5.0762 F0.05 (6,6) 4.28 ，所以拒绝原假设， 表明模型确实存在异方差。 （3）White 检验 由 图 2.3.3 估 计 结 果 ， 按 路 径 view/Residual tests/white
图 2.3.5
4
判断。由图 2.3.5 可以看出，残差平方 ei2 对解释变量 X i 的散点图主要分布 在图形中的下三角部分，大致看出残差平方 ei2 随 X i 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。 （2）Goldfeld-Quanadt 检验 对变量取值排序（按递增或递减） 。直接在工作文件窗口中按 Proc\Sort Current Page…,在弹出的对话框中输入 X 即可(默认项是 Ascending（升序）)。 本例选升序排序，这时变量 Y 与 X 将以 X 按升序排序(如图 2.3.6)。
所以拒绝原假设，接受备择假设，表明模型存在异方差。 根据 White 统计量所对应 p 值的分析： 给定显著性水平 0.05 ，因为 Probabilit y (White) 0.000119 0.05 ，所 以拒绝原假设，表明模型存在异方差。
图 2.3.10
8
4．异方差性的修正
计量经济学异方差的检验与修正实验报告
计量经济学异方差的检验与修正实验报告本文以Salvatore(2001)《计量经济学》第13章为基础，通过实际数据测试，探究异方差的检验与修正方法及影响。
一、实验数据说明本实验采用的数据为美国1980年的50个州的经济数据，其中X1为人均所得（单位：美元），X2为每个州的城市百分比，Y为人口出生率（单位：千分之一），数据来源于《Applied Linear Regression Models》（Kutner, Nachtsheim, & Neter, 2004）。
二、实验原理当数据呈现异方差性时，传统的OLS估计方法将会失效，此时需要使用其他的估计方法。
其中常用的是加权最小二乘（WLS）估计方法。
WLS估计方法的思想是对存在异方差（方差不相等）的观测值进行权重调整，使得加权后的平方残差最小。
本实验将通过检验异方差条件、使用原有OLS估计进行对比以及应用WLS修正方法的实现来说明异方差对实证分析的影响。
三、实验内容及结果首先，为了检验异方差条件是否成立，可以采用Breusch-Pagan检验。
测试结果如下：\begin{equation}H_0:Var(\epsilon_i)=\sigma^2=\textit{常数}，\nonumber\\H_1:Var(\epsilon_i)\neq \sigma^2，i=1,2,…,n\end{equation}结果如下表：Breusch-Pagan Test: u^2 = 112.208 Prob > chi2 = 0.0000通过检验结果可知，Breusch-Pagan检验统计量的p值为0.0000，小于0.05的水平，因此拒绝原假设，认为方差存在异方差。
接下来，我们将使用传统的OLS估计方法进行回归分析（OLS 1），并与WLS估计方法（WLS 1）进行对比。
OLS 1结果如下：\begin{equation}Y=0.0514X1+1.0871X2-58.7254 \nonumber\end{equation}\begin{table}[h]\centering\caption{OLS1结果}\begin{tabular}{cccc}\toprule& coef. & std. err. & t \\\midruleconst & -58.7254 & 23.703 & -2.477 \\X1 & 0.0514 & 0.027 & 1.895 \\X2 & 1.0871 & 0.402 & 2.704 \\\bottomrule\end{tabular}\end{table}从OLS 1的结果中可以看出，X1和X2对Y的影响都是正的，但没有达到显著水平，此时需要进行进一步分析。
实验 异方差的检验与修正
实验异方差的检验与修正实验目的1、理解异方差的含义后果、2、学会异方差的检验与加权最小二乘法实验内容一、准备工作。
建立工作文件，并输入数据，用普通最小二乘法估计方程（操作步骤与方法同前），得到残差序列。
表2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，请利用统计软件Eviews建立我国制造业利润函数模型。
表2 我国制造工业1998年销售利润与销售收入情况二、异方差的检验1、图形分析检验⑴观察销售利润（Y）与销售收入（X）的相关图(图3-1)：SCAT X Y图3-1 我国制造工业销售利润与销售收入相关图从图中可以看出，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。
⑵残差分析首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。
在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews 工作文件窗口中点击resid对象来观察）。
图3-2 我国制造业销售利润回归模型残差分布图3-2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。
2、Goldfeld-Quant检验⑴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个样本合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3-3），其残差平方和为2579.587。
SMPL 1 10LS Y C X图3-3 样本1回归结果⑶利用样本2建立回归模型2（回归结果如图3-4），其残差平方和为63769.67。
SMPL 19 28 LS Y C X图3-4 样本2回归结果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 ，所以存在异方差性3、White 检验⑴建立回归模型：LS Y C X ，回归结果如图3-5。
异方差检验及修正讲解
异方差(fānɡ chà)检验及修正
我们利用上次的nnn文件中的实例(shílì)数据进 行分析。 具体步骤： 1．OLS拟合：首先对数据进行回归分析，在工作 文件主显示窗口选定需要分析的回归方程\打开 估计方程及其统计检验结果输出窗口(见下图一)。
精品资料
Байду номын сангаас
异方差检验(jiǎnyàn)及修正
精品资料
异方差(fānɡ chà)检验及修正
精品资料
异方差检验(jiǎnyàn)及修正
White Heteroskedasticity(no cross terms)与White Heteroskedasticity(cross terms)选项的区别在于：在no cross terms选项下得到的辅助回归方程中不包含原回归方程左手变 量的交叉乘积项作为解释变量；而cross terms选项下得到的辅 助回归方程中包含原回归方程左手变量的交叉乘积项作为解释 变量。在我们(wǒ men)使用的一元回归例子中，这两个选项 的作用没有区别。当我们(wǒ men)分析多元回归模型的异方 差问题时，因为所选辅助回归方程的解释变量不同，这两个选 项的作用就不同了。
精品资料
异方差(fānɡ chà)检验及修正
4．加权最小二乘法 我们仍然使用nnn文件的数据，点工具栏上点
Proc\make Equations，选择估计方法—普通最小二乘法， 点击Options 按钮进入方程估计选择对话框，在LS\TSLS Options选项框中选择Weighted LS/TSLS\在对话框内输 入权重(quán zhònɡ)1/abs（resid）,点击确定应用，回 到估计方程对话框，点击确定得到加权最小二乘法回归方 程（见图四，并与图一中的方程比较）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验异方差的检验与修正
实验目的
1、理解异方差的含义后果、
2、学会异方差的检验与加权最小二乘法
实验容
一、准备工作。
建立工作文件，并输入数据，用普通最小二乘法估计方程（操作
步骤与方法同前），得到残差序列。
表2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，请利用统计软件Eviews建立我国制造业利润函数模型。
表2 我国制造工业1998年销售利润与销售收入情况
二、异方差的检验
1、图形分析检验
⑴观察销售利润（Y）与销售收入（X）的相关图(图3-1)：SCAT X Y
图3-1 我国制造工业销售利润与销售收入相关图
从图中可以看出，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。
⑵残差分析
首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。
在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。
图3-2 我国制造业销售利润回归模型残差分布
图3-2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。
2、Goldfeld-Quant检验
⑴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个样本合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3-3），其残差平方和为2579.587。
SMPL 1 10
LS Y C X
图3-3 样本1回归结果
⑶利用样本2建立回归模型2（回归结果如图3-4），其残差平方和为63769.67。
SMPL 19 28 LS Y C X
图3-4 样本2回归结果
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 ，所以存在异方差性
3、White 检验
⑴建立回归模型：LS Y C X ，回归结果如图3-5。
图3-5 我国制造业销售利润回归模型
⑵在方程窗口上点击View\Residual\Test\White Heteroskedastcity,检验结果如图3-6。
图3-6 White 检验结果
其中F 值为辅助回归模型的F 统计量值。
取显著水平05.0=α，由于
2704.699.5)2(2205.0=<=nR χ,所以存在异方差性。
实际应用中可以直接观察相伴概
率p 值的大小，若p 值较小，则认为存在异方差性。
反之，则认为不存在异方差性。
4、斯皮尔曼等级相关系数检验
其操作步骤为：
A. 对X 排序：命令行输入SORT X
B. 输入X 的等级：data d1（依次输入1-n 的自然数）；
C. 对残差绝对值排序：命令行输入SORT abs(resid)；
D. 输入残差绝对值的等级：data d2（依次输入1-n 的自然数）；
E. 依据公式计算等级相关系数检验统计量，并查表得出结论。
5、异方差的消除—加权最小二乘法
加权最小二乘法中，最重要的是确定权重的确定，一般而言，采用残差绝对值的倒数作为权重，也可以采用其他形式。
A. 首先，用SMPL 命令设定样本的区间（包括所有观测值），如：SMPL 1 31
B. 进行最小二乘回归，得到残差序列，LS Y C X
C. 根据残差确定权重， GENR W1=1/ABS(RESID)
D.进行加权最小二乘估计，LS(W=W1) Y C X；或在方程窗口中点击
Estimate\Option按钮，并在权数变量栏里依次输入W1
回归结果如下图3-7所示：
图3-7
E. 对回归方程在进行White 检验，观察异方差的调整情况
对所估计的模型再进行White检验，其结果如下图3-8所示：
图3-8
nR的值，这表示异方差性已经得到很图3-8对应的White检验没有显示F值和2
好的解决。
实验四 序列相关的检验与修正
实验目的
1、理解序列相关的含义后果、
2、学会序列相关的检验与消除方法
实验容
利用下表资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。
表3 我国城乡居民储蓄存款与GDP 统计资料（1978年＝100）
一、模型的估计
0、准备工作。
建立工作文件，并输入数据。
1、相关图分析 SCAT X Y
相关图表明，GDP 指数与居民储蓄存款二者的曲线相关关系较为明显。
现将函数初步设定为线性、双对数等不同形式，进而加以比较分析。
2、估计模型，利用LS 命令分别建立以下模型 ⑴线性模型： LS Y C X
x y
5075.9284.14984ˆ+-=
=t (-6.706) (13.862)
2R ＝0.9100 F ＝192.145 S.E ＝5030.809 ⑵双对数模型：GENR LNY=LOG(Y) GENR LNX=LOG(X) LS LNY C LNX
x y
ln 9588.20753.8ˆln +-= =t (-31.604) (64.189)
2R ＝0.9954 F ＝4120.223 S.E ＝0.1221 3、选择模型
比较以上模型，可见各模型回归系数的符号及数值较为合理。
各解释变量及常数项都通过了t 检验，模型都较为显著。
比较各模型的残差分布表。
线性模型的残差在较长时期呈连续递减趋势而后又转为连续递增趋势，残差先呈连续递增趋势而后又转为连续递减趋势，因此，可以初步判断这种函数形式设置是不当的。
而且，这个模型的拟合优度也较双对数模型低，所以又可舍弃线性模型。
双对数模型具有很高的拟合优度，因而初步选定回归模型为双对数回归模型。
二、模型自相关的检验
1.图示法
其一，残差序列e t 的变动趋势图。
菜单：Quick →Graph →line ，在对话框中输入resid ；或者用命令操作，直接在命令行输入：line X 。
其二，作e t-1和e t 之间的散点图。
菜单：Quick →Graph →Scatter ，在对话框中输入resid(-1) resid ；或者用命令操作，直接在命令行输入：scat resid(-1) resid 。
2.DW 检验
因为n ＝21，k ＝1，取显著性水平α＝0.05时，查表得L d ＝1.22，
U d ＝1.42，而0<0.7062＝DW<L d ，所以存在（正）自相关。
3.LM(BG)检验
在方程窗口中点击View/Residual Test/Series Correlation LM Test ，并选择滞后期为2，则会得到如图4-1所示的信息。
图4-1 双对数模型的BG 检验
图中，2nR =11.31531，临界概率P=0.0034，因此辅助回归模型是显著的，即存在自相关性。
又因为1-t e ，2-t e 的回归系数均显著地不为0，说明双对数模型存在一阶和二阶自相关性。
三、自相关的修正 （1）自相关系数ρ的估计 主要的方法有：
A. 根据ρ和DW 统计量之间的近似关系，取ρ的估计为：1-DW/2
B. 直接取ρ=1
C. 采用杜宾两步法估计。
LS Y C Y(-1) X X(-1)，Y(-1)的系数估计即为ρ
的估计
D. 科克伦-奥科特迭代法。
首先产生残差序列，命名为e ，然后e 对其滞后
1阶回归（无常数项），LS e e(-1)，e(-1) 的系数估计作为ρ的估计 （2）加入AR 项
在LS 命令中加上AR(1)和AR(2)，使用迭代估计法估计模型。
键入命令： LS LNY C LNX AR(1) AR(2) 则估计结果如图4-2所示。
图4-2 加入AR 项的双对数模型估计结果
图4-2表明，调整后模型的DW ＝1.6445，n ＝19，k ＝1，取显著性水平α＝0.05时，查表得L d ＝1.18，U d ＝1.40，而U d <1.6445＝DW<4－U d ，说明模型不存在一阶自相关性；再BG 检验（图4-3），也表明不存在高阶自相关性，因此，中国城乡居民储蓄存款的双对数模型为：
x y
ln 9193.28445.7ˆln +-= =t (-25.263) (52.683)
2R ＝0.9982 F ＝2709.985 S.E ＝0.0744 DW ＝1.6445
图4-3。