EViews计量经济学实验报告异方差的诊断及修正
异方差性实验报告doc
异方差性实验报告篇一:计量经济学上机实验报告(异方差性)提示:打包保存时自己的文件夹以“学号姓名”为文件夹名,打包时文件夹内容包括:本实验报告、EViews工作文件。
篇二:Eviews异方差性实验报告实验一异方差性【实验目的】掌握异方差性问题出现的来源、后果、检验及修正的原理,以及相关的Eviews操作方法。
【实验内容】以《计量经济学学习指南与练习》补充习题4-16为数据,练习检查和克服模型的异方差的操作方法。
【4-16】表4-1给出了美国18个行业1988年研究开发(R&D)费用支出Y与销售收入X的数据。
请用帕克(Park)检验、戈里瑟(Gleiser)检验、G-Q检验与怀特(White)检验来检验Y关于X的回归模型是否存在异方差性?若存在【实验步骤】一检查模型是否存在异方差性1、图形分析检验(1)散点相关图分析做出销售收入X与研究开发费用Y的散点相关图(SCATX Y)。
观察相关图可以看出,随着销售收入的增加,研究开发费用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。
(2)残差图分析首先对数据按照解释变量X由小至大进行排序(SORT X),然后建立一元线性回归方程(LS Y C X)。
因此,模型估计式为: Y?187.507?0.032*X ----------(*) ?(0.17)(2.88) R2=建立残差关于X的散点图,可以发现随着X增加,残差呈现明显的扩大趋势,表明存在递增的异方差。
2、Park检验建立回归模型(LS Y C X),结果如(*)式。
生成新变量序列: GENR LNE2 = LOG(RESID^2)GENR LNX = LOG(X)生成新残差序列对解释变量的回归模型(LS LNE2 C LNX)。
从下图所示的回归结果中可以看出,LNX的系数估计值不为0且能通过显著性检验,即随机误差项的方差与解释变量存在较强的相关关系,即认为存在异方差性。
计量经济学 异方差检验
计量经济学实验报告【实验名称】异方差的检验和修正【实验目的】掌握用Eviews 检验模型中异方差问题的检验和补救方法,能够正确理解和分析Eviews的输出结果【实验内容】(1)试利用OLS法建立人均消费性支出与可支配收入的线性模型;(2)检验模型是否存在异方差性;(3)如果存在异方差性,试采用适当的方法估计模型参数。
【结果分析】1.建立模型打开Eviews软件,选中File\New\Workfile以创建一个工作文件,文件结构类型为undated。
在命令栏中输入“data X Y”,回车后得到一个未命名的组,向组中输入数据。
如下图。
设可支配收入为变量X(横坐标),消费性支出为变量Y(纵坐标),选中Quick\Graph,在出现的对话框中输入“X Y”,点击OK后在新出现的Graph对话框中,在Graph type中选择Categorical Graph下的scatter,点击OK,如下图所示:以X 为解释变量,Y 为被解释变量,建立一元线性回归方程:i 0i i Y =+*X ββ选中Object/New Objects ,在新建对象对话框中选中对象为Equation ,在出现的对话框中输入“y c x ”,进行回归分析,得到如下结果。
可以得出0β=725.3459 1β =0.664746 线性回归方程为:i Y =0β+1β *X=725.3459+0.664746*X(1.589047)(22.49622)2R=0.945802 F=506.0798由散点图可知,原模型很可能存在异方差性,为此,进一步的进行更精确的检验。
G-Q检验:升序排列去掉中间的7个样本,剩余24个样本,再分成两个样本容量为12的子样本,对两个子样本分别用OLS法作回归:键入命令Smpl 1 12Equation eq01.Is Y C XSmpl 20 31Equation eq02.Is Y C X完成对两个子样的回归;0β’=669.5344 1β’=0.677374i Y =0β’+ 1β’*X=669.5344+0.677374*X子样1: (0.281991) (3.490176)RSS1=1971249i Y =1179.053+0.644719*X子样2: (0.954140) (9.951062) RSS2=8403437计算F 统计量:F=197124984034371112/21-1-12/1=--)()(RSS RSS =4.263 在5%的显著性水平下,自由度为(10,10)的F 分布的临界值为4.263,于是拒绝同方差的原假设,表明模型存在异方差。
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,.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。
3.White 检验(1)建立回归模型,然后在模型页面按路径view/residual tests/heteroskedasticity (no cross terms or cross terms )/white ,进入White 检验。
计量经济学异方差性及修正异方差(非专业)
检验模型的异方差性及修正异方差实验目的:检验模型的异方差性及修正异方差 实验要求:知道如何检验模型,以及修正异方差。
试验用软件:Eviews3.1实验原理:解释变量相关系数检验和辅助回归检验等。
实验内容:1、 实验用样本数据:Y X Y X Y X 55 80 152 220 95 140 65 100 144 210 108 145 70 85 175 245 113 150 80 110 180 260 110 160 79 120 135 190 125 165 84 115 140 205 115 180 98 130 178 265 130 185 95 140 191 270 135 190 90 125 137 230 120 200 75 90 189 250 140 205 74 105 55 80 140 210 110 160 70 85 152 220 113 150 75 90 140 225 125 165 65 100 137 230 108 145 74 105 145 240 115 180 80 110 175 245 140 225 84 115 189 250 120 200 79 120 180 260 145 240 90 125 178 265 13018598130191270由表中给出消费Y 与收入X 的数据,试根据所给数据资料完成以下问题: (1)估计回归模型u X Y ++=21ββ中的未知参数1β和2β,并写出样本回归模型的书写格式;(2)试用white 方法法检验模型的异方差性; (3)选用合适的方法修正异方差。
2、实验步骤:1、参数估计,过程如下:(1)点击“File/New/Workfile”,屏幕上出现Workfile Range对话框,选择数据频率,在本例中应选择Undated or irregular,在Star里键入1,在End里键入60,点击OK完成,如图:(2)键入data y x后,再输入ls y c x;在出现的对话框里粘贴需要的数据。
金融计量学实验一异方差的检验与修正Eviews截图
异方差的检验与修正一、实验目的了解异方差、Goldfeld-Quandt检验、Spearman rank correlation检验、Park检验、Breusch-Pagan检验、White检验、加权最小二乘法(WLS)、模型对数变化法等基本概念及异方差产生的原因和后果。
二、基本概念异方差就是对同方差假设的违反。
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化法等,其基本思想路线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),Y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。
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”,然后单击“OK”,弹出如下窗口:选择“File”菜单中的“Import--Read Text-Lotus-Excel”“打开”出现“ExcelSpreadsheet Import”对话框并在其中输入“x”和“y”, 再单击“OK”完成数据导入。
(2)回归数据估计方程设模型为12Y X ββμ=++,在Eviews 命令窗口中输入“LS Y C X ”并回车,得到如下结果:2.异方差检验(1)图示法首先通过“Equation ”对话框中“Procs ”菜单的“Make Residual Series ”命令生成残差序列E ,点击“OK ”。
异方差试验报告
《计量经济学》上机实验报告四题目:异方差实验日期和时间:班级:学号:姓名:实验室:实验环境:Windows XP ; EViews 3.1实验目的:掌握异方差检验及修正方法,熟悉EViews软件的相关应用实验内容:利用实例数据和EViews软件,采用有关方法对建立的回归模型进行异方差的检验及处理。
第五章习题5.3实验步骤:一、建立工作文件⒈菜单方式⒉命令方式:CREATE A 起始期终止期二、输入数据三、检验异方差性⒈图示法排序sort X相关图:SCA T 变量名1 变量名2Ls y c x残差图:方程窗口点击RESID按钮⒉戈德菲尔德-匡特检验(C=n/4)①排序:sort X②取样本1 命令:Smpl 1 (n-n/4)/2③估计样本1:Ls y c x得到残差平方和RSS1即∑21i e③取样本1 命令:Smpl (n+n/4)/2 n④估计样本2:Ls y c x得到残差平方和RSS2即∑22i e⑤计算:F = RSS2/ RSS1若给定α,)2/)(,2/)((k c n k c n F F ---->α,表明存在异方差 3.怀特检验步骤:①取样:Smpl 1 n②估计回归模型(或非线性回归模型)计算残差序列:Ls y c x③怀特检验:在方程窗口中依次点击View\Residual Test\White Heteroskedastcity 得到nR 2,给定α,若nR 2>2αχ(q),表明模型存在异方差性 4.帕克(Park )检验 帕克检验的模型形式命令:①估计回归模型得到残差:ls y c x ②生成残差平方序列: genr E2=RESID^2 ③估计帕克检验模型 : ls log(e2) c log(x)给定α,若F>αF (k-1,n-k)或F 统计值的伴随概率p 小于给定α,表明模型存在异方差性 5. 戈里瑟(Gleiser )检验 戈里瑟检验的模型命令:①估计回归模型得到残差:ls y c x 或非线性模型估计 ②生成残差绝对数序列: genr E1=abs(RESID ) ③估计帕克检验模型 :当h=1时 ls e1 c x 当h=2时 ls e1 c x^2当h=1/2时 ls e1 c x^(1/2)或ls e1 c sqr(x ) 等等给定α,若F>αF (k-1,n-k)或F 统计值的伴随概率p 小于给定α,表明模型存在异方差性 四、利用加权最小二乘法估计回归模型命令:①估计回归模型(或非线性回归模型)得到残差 ls y c x ②根据帕克检验结果,生成权数1序列:genr w1=1/x^ 根据戈里瑟检验结果,生成权数2序列:genr w2=1/x^h 生成权数3序列:genr w3=1/abs(RESID) 生成权数4序列:genr w4=1/RESID^2③加权最小二乘法估计回归模型 Ls(w=w1) y c x Ls(w=w2) y c x Ls(w=w3) y c xie x e i i υβα=2ii i x e υβα++=ln ln ln 2ih i i x e υβα++=,21,2,1±±±=h βLs(w=w4) y c x④再运用怀特检验对加权最小二乘法估计回归模型进行异方差检验 试验结果: 写作例题 1、 图示法由相关图和残差图可知模型存在递增型异方差性 2、戈德菲尔德-匡特检验结果给定05.0=α,F=24.7244.3)210,210(05.0=--=>F F α,表明模型存在递增型异方差 3、怀特检验2704.62=nR 99.5)2(2205.0==>χχα,表明模型存在异方差4、帕克(Park )检验ix e i l n 6743.15549.5l n 2+-=2R =0.4655 F=22.64 P=0.0001P 值远小于0.05,上述方程表明利润函数存在异方差 5、戈里瑟(Gleiser )检验(1)ii x e 0153.02394.12+=2R =0.2982 F=11.05 P=0.003(2)ii x e 3862.16768.15+-=2R =0.3279 F=12.68 P=0.001(3)261074.20548.27i i x e -⨯+=2R =0.2177 F=7.24 P=0.012P 值远小于0.05,上述方程表明利润函数存在异方差,且模型(2)最优 6、加权最小二乘估计结果① (W=W1)(3.8823) (0.0099)(注:括号内数据为系数标准差)R 2=0.8483 nr 2=4.92 p=0.085(注:nr 2和p 为加权最小二乘估计模型的怀特检验结果)② (W=W2) (11.1877) (0.0077)x y 1086.09220.5ˆ+=x y1062.06493.8ˆ+=∑∑=24.72=579.5963769.67/2=/2122i i e e fR 2=0.6115 nr 2=3.16 p=0.206③ (W=W3) (3.7798) (0.0035) R 2=0.9754 nr 2=6.64 p=0.036④ (W=W4)(1.6603) (0.0021) t= (3.11) (54.16) R 2=0.9969 nr 2=3.10 p=0.213其中,每个方程下面第一组括号里的数字为系数的标准误差。
异方差的检验及修正
异方差问题的检验与修正【实验目的】1、深刻理解异方差性的实质、异方差出现的原因、异方差的出现对模型的不良影响(即异方差的后果),掌握估计和检验异方差性的基本思想和修正异方差的若干方法。
2、能够运用所学的知识处理模型中的出现的异方差问题,并要求初步掌握用Eviews处理异方差的基本操作方法。
【实验原理】1、最小二乘估计。
2、异方差。
3、最小二乘残差图解释异方差。
4、Breusch-Pagan检验(B-P检验)和White检验(怀特检验)检验特定方差函数的异方差性。
5、稳健标准差和加权最小二乘法对特定方差函数的异方差性的修正。
【实验软件】Eviews6.0【实验步骤】一、设定模型首先将实验数据导入软件之中。
(注:本实验报告正文部分只显示软件统计结果,导入数据这一步骤参见附A)本次实验的数据主要是Big Andy店的食品销售收入数据与食品价格数据,共采用了75组。
实验数据来源于课本中的例题,由老师提供。
如下表:表Big Andy店月销售收入和价格的观测值sales price sales price sales price sales price 73.2 5.6975.7 5.5978.1 5.773.7671.8 6.4974.4 6.2288 5.2271.2 6.3762.4 5.6368.7 6.4180.4 5.0584.7 5.3367.4 6.2283.9 4.9679.7 5.7673.6 5.2389.3 5.0286.1 4.8373.2 6.2573.7 5.8870.3 6.4173.7 6.3585.9 5.3478.1 6.2473.2 5.8575.7 6.4783.3 4.9869.7 6.4786.1 5.4178.8 5.6973.6 6.3967.6 5.4681 6.2473.7 5.5679.2 6.2286.5 5.1176.4 6.280.2 6.4188.1 5.187.6 5.0476.6 5.4869.9 5.5464.5 6.4984.2 5.0882.2 6.1469.1 6.4784.1 4.8675.2 5.8682.1 5.3783.8 4.9491.2 5.184.7 4.8968.6 6.4584.3 6.1671.8 5.9873.7 5.6876.5 5.3566 5.9380.6 5.0282.2 5.7380.3 5.2284.3 5.273.1 5.0874.2 5.1170.7 5.8979.5 5.6281 5.2375.4 5.7175 5.2180.2 5.2873.7 6.0281.35.45756.0581.25.83696.33其中,sales 表示在某城市的月销售收入,以千美元为单位;price 表示在该城市的价格,以美元为单位。
EViews计量经济学实验报告异方差的诊断及修正
姓名 学号实验题目 异方差的诊断与修正一、实验目的与要求:要求目的:1、用图示法初步判断是否存在异方差,再用White 检验异方差;2、用加权最小二乘法修正异方差。
二、实验内容根据1998年我国重要制造业的销售利润与销售收入数据,运用EV 软件,做回归分析,用图示法,White 检验模型是否存在异方差,如果存在异方差,运用加权最小二乘法修正异方差。
三、实验过程:(实践过程、实践所有参数与指标、理论依据说明等) (一) 模型设定为了研究我国重要制造业的销售利润与销售收入是否有关,假定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:i Y =1β+2βi X +i μ其中,i Y 表示销售利润,i X 表示销售收入。
由1998年我国重要制造业的销售收入与销售利润的数据,如图1:1988年我国重要制造业销售收入与销售利润的数据 (单位:亿元)Dependent Variable: YMethod: Least Squares Date: 10/19/05 Time: 15:27 Sample: 1 28Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.??C 12.03564 19.517790.6166500.5428 X0.1043930.00844112.366700.0000R-squared0.854696 ????Mean dependent var 213.4650Adjusted R-squared 0.849107 ????S.D. dependent var 146.4895 S.E. of regression 56.90368 ????Akaike info criterion 10.98935 Sum squared resid 84188.74 ????Schwarz criterion 11.08450 Log likelihood -151.8508 ????F-statistic 152.9353 Durbin-Watson stat1.212795 ????Prob(F-statistic)0.000000估计结果为: iY ˆ = 12.03564 + 0.104393i X (19.51779) (0.008441) t=(0.616650) (12.36670)2R =0.854696 2R =0.849107 S.E.=56.89947 DW=1.212859 F=152.9353这说明在其他因素不变的情况下,销售收入每增长1元,销售利润平均增长0.104393元。
异方差进行检验和补救
实验报告课程名称:实验项目名称:单方程线性回归模型中异方差的检验与补救院(系):专业班级:姓名:学号:实验地点:实验日期:年月日实验目的:掌握利用EViews软件对模型中存在的异方差进行检验和补救。
实验内容:根据我国2000年部分地区城镇居民每个家庭平均全年可支配收入X与消费支出Y 的统计数据,通过建立双变量线性回归模型分析人均可支配收入对人均消费支出的线性影响,并讨论异方差的检验与修正过程。
1、异方差的检验1)图示法2)Park检验3)Glejser检验4)Goldfeld-Quandt检验5)White检验2、异方差的补救1)加权最小二乘法(WLS)2)对数变换实验方法、步骤和结果:一、建立工作文件并完成数据输入1、File---new---workfile2、Quick---Empty Group ----paste3、将ser01重命名为x,ser01重命名为y二、写模型的估计方程Quick---Estimate Equation---y c x,得到在不考虑异方差且其他假定都成立的情况下的估计结果,如下图所示:三、异方差的检验找y的估计值在估计结果中点击forcast 将其重命名为yf生成残差序列:在估计窗口中点击proc---make residual series将resid01重命名为res,并保存(一)图示法(对异方差粗略的判定)1.用x-y的散点图进行判断,看是否存在明显的散点扩大、缩小或是复杂性的变动趋势X y ----open----as GroupView---graph ----scatter-----simple scatter2、用y的估计值与残差平方的散点图进行判断,看是否存在一条斜率为零的直线Quick---graph----scatter—写入方程yf res^2图形显示斜率不为零,所以可知模型存在异方差3、任一解释变量x与残差平方的散点图进行判断,看是否存在一条斜率为零的直线Quick—graph—scatter写入方程x res^2图形显示斜率不为零,所以可知模型存在异方差由以上三种图示法可知,模型存在异方差(二)帕克(Park)检验(将图示法公式化)Quick—Estimate Equation---log(res^2) c log(x)由估计结果可知:log(x)=3.703235 P=0.020622<0.05,所以拒绝原假设,模型具有统计显著性,即模型具有异方差。
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。
eviews异方差的检验
田青帆1006010131 国贸1001班建立模型Y t=β1+β2X t+uX:1994-2011年中国国内生产总值Y:1994-2011年中国进口总额数据来源:国泰安数据服务中心/p/sq/一、异方差的检验1、图示法由上图可以看出,残差平方项e2随X的变动而变动,一次,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、等级相关系数检验t值为29.48788,自由度为18-2=16在95%的显著水平下,查表可得t0.025(16)=2.1199t>t0.025(16),说明X i和|e i|之间存在系统关系,则说明模型中存在异方差3、戈德菲尔德-夸特检验(样本分段比检验)在本例中,样本容量为18,删去中间4个观测值,余下部分平分的两个样本区间:1-7和12-18,他们的样本数都是7个,用OLS方法对这两个子样本进行回归估计,结果如下图所示计算检验统计量FF=[RSS2/(n2-k)] ÷[RSS1/(n1-k)]n2-k=n1-k=7-2=5F=RSS2/RSS1=4588102/229037.4=20.03在95%的显著水平下,查表可得F0.05(5,5)=5.05 F>F0.05(5,5)所以,模型存在异方差4、戈里瑟(Glejser)检验用残差绝对值建立的回归模型为|e i|=α1+α2 (1/X i)由上表可知,回归模型为|e i|=1416.049+10.37101(1/X i)≠0,则存在异方差α25、怀特检验由上图可知:P值=0.017140﹤0.05,所以存在异方差二、异方差的修正(加权最小二乘法)1、选择1/x为权数,即对模型两边同时乘以1/x,使用最小二乘法进行回归估计,所得结果如下:由上图可知,P值=0.0001﹤0.05,模型依然存在异方差2、选择1/|e|为权数,即对模型两边同时乘以1/|e|,使用最小二乘法进行回归估计,所得结果如下:此时,P值=0.2139>0.05,将异方差模型变成了同方差。
计量经济学实验报告-异方差问题white分析
4.运用对数方法,消除异方差问题。进行多元线性回归分析并呈现结果,并解释相关变量。
5.运用WLS方法,消除异方差问题。进行多元线性回归分析并呈现结果,并解释相关变量。
实验内容\步骤
1.打开eviews,点击Open a Foreign file,选择桌面上保存好的练习数据,点击选择Quick-Generate Series菜单命令,在弹出的对话框中输入e=resid,生成残差序列。然后选择Quick-Graph菜单命令,在弹出的对话框中输入变量名x e^2,得到散点图。
Std. Error
t-Statistic
Prob.
C
-15.32732
1.507305
-10.16869
0.0000
LOG(X)
2.224390
0.151781
14.65526
0.0000
R-squared
0.881039
Mean dependent var
6.740001
Adjusted R-squared
实验结果分析及讨论(续)
4.运用对数方法,消除异方差结果如下:
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 10/12/21 Time: 20:18
Sample: 1 31
Included observations: 31
Variable
Coefficient
Dependent Variable: Y
Method: Least Squares
Date: 10/12/21 Time: 20:25
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。
异方差进行检验和补救
实验报告课程名称:计量经济学实验项目名称:单方程线性回归模型中异方差的检验与补救院(系):经济与管理学院专业班级:09国贸一班姓名:卢娟学号:0965137115实验地点:经管机房实验日期:2012 年 5 月7 日实验目的:掌握利用EViews软件对模型中存在的异方差进行检验和补救。
实验内容:根据我国2000年部分地区城镇居民每个家庭平均全年可支配收入X与消费支出Y 的统计数据,通过建立双变量线性回归模型分析人均可支配收入对人均消费支出的线性影响,并讨论异方差的检验与修正过程。
1、异方差的检验1)图示法2)Park检验3)Glejser检验4)Goldfeld-Quandt检验5)White检验2、异方差的补救1)加权最小二乘法(WLS)2)对数变换实验方法、步骤和结果:案例:沿用研究印度食物支出和总支出关系的例子,通过建立双变量线性回归模型分析印度总支出对食物支出的线性影响,并讨论异方差的检验与修正过程。
1、异方差的检验打开Eviews5,建立新的工作文件,选择横截面数据,观察项为55,并复制数据,进行重命名。
1)图示法A、用X-Y的散点图进行判断以组的形式打开XY, view,graph ,scatter ,simple scatter,得到散点图分析:散点图在越靠后的位置,离散程度越大,模型可能存在异方差。
B、用Y的估计值与残差平方的散点图进行判断做一个55个变量的回归,点击quick, estimate equation ,输入公式y c x,得到回归,点击forcast得到Y的估计值。
点击proc,make residual series,将名字改为res,生成残差序列。
点击quick ,graph, scatter ,输入yf res^2,得到散点图分析:没有生成一条斜率为0的直线,而且,散点图月靠后的位置,离散程度越大,所以,模型可能存在异方差。
C、用任一解释变量X与残差平方的散点图进行判断。
Eviews异方差性实验报告
实验一异方差性【实验目的】掌握异方差性问题出现的来源、后果、检验及修正的原理,以及相关的Eviews操作方法。
【实验内容】以《计量经济学学习指南与练习》补充习题4-16为数据,练习检查和克服模型的异方差的操作方法。
【4-16】表4-1给出了美国18个行业1988年研究开发(R&D)费用支出丫与销售收入X 的数据。
请用帕克(Park)检验、戈里瑟(Gleiser)检验、G-Q检验与怀特(White)检验来检验丫关于X的回归模型是否存在异方差性?若存在异方差性,请尝试消除它。
【实验步骤】一■检查模型是否存在异方差性1、图形分析检验(1)散点相关图分析做出销售收入X与研究开发费用丫的散点相关图(SCAT X 丫)。
观察相关图可以看出,随着销售收入的增加,研究开发费用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。
0 50,000 100,000 150,000 200.000 250,000(2)残差图分析首先对数据按照解释变量X 由小至大进行排序(SORT X ),然后建立一元线 性回归方程(LS 丫 C X )。
Dependentvariable: Y Method: Least Squares Date: 12/06/11 Time : 23:08 Sample: 1 17Included obseivations: 17VariableCo EfficientStd. Errort-StallStic Prob C 187.5068 1106.681 0.169432 0.8677 X0.031993 0.0111112 8793580.0115 R-squared0.355966 Mean dependent var 2676.188 Adjusted R-squared 0.313031 S.D. dependent var3438.207 S.E. of regression 2849711 Aka ike Info criterion 13.85795 Sum squared resid 1 22E+O0 Schwarz criterion 18.95698 Log likelihood -158.2926 Hannan-Quinn criter. 18.86770 F-statistic8.290703 Durbin-Watson stat2.738533Prob(F-statistic)0.011464因此,模型估计式为:丫 =187.507 0.032* X ------- (*)2 (0.17)(2.88)R 2=0.31s.e.=2850F=0.011建立残差关于X 的散点图,可以发现随着X 增加,残差呈现明显的扩大 趋势,表明存在递增的异方差。
eviews异方差、自相关检验与解决办法
eviews异方差、自相关检验与解决办法一、异方差检验:1.相关图检验法LS Y C X 对模型进行参数估计GENR E=RESID 求出残差序列GENR E2=E^2 求出残差的平方序列SORT X 对解释变量X排序SCAT X E2 画出残差平方与解释变量X的相关图2.戈德菲尔德——匡特检验已知样本容量n=26,去掉中间6个样本点(即约n/4),形成两个样本容量均为10的子样本。
SORT X 将样本数据关于X排序SMPL 1 10 确定子样本1LS Y C X 求出子样本1的回归平方和RSS1SMPL 17 26 确定子样本2LS Y C X 求出子样本2的回归平方和RSS2计算F统计量并做出判断。
解决办法3.加权最小二乘法LS Y C X 最小二乘法估计,得到残差序列GRNR E1=ABS(RESID) 生成残差绝对值序列LS(W=1/E1) Y C X 以E1为权数进行加权最小二成估计二、自相关1.图示法检验LS Y C X 最小二乘法估计,得到残差序列GENR E=RESID 生成残差序列SCAT E(-1) E et—et-1的散点图PLOT E 还可绘制et的趋势图2.广义差分法LS Y C X AR(1) AR(2)首先,你要对广义差分法熟悉,不是了解,如果你是外行,我奉劝你还是用eviews来做就行了,其实我想老师要你用spss无非是想看你是否掌握广义差分,好了,废话不多说了。
接着,使用spss16来解决自相关。
第一步,输入变量,做线性回归,注意在Liner Regression 中的Statistics中勾上DW,在save中勾Standardized,查看结果,显然肯定是有自相关的(看dw值)。
第二步,做滞后一期的残差,直接COPY数据(别告诉我不会啊),然后将残差和滞后一期的残差做回归,记下它们之间的B指(就是斜率)。
第三步,再做滞后一期的X1和Y1,即自变量和因变量的滞后一期的值,也是直接COPY。
计量经济学实验三
实验三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(1)建立回归模型:LS Y C X ,回归结果如图3-5。
- 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)。
姓名学号实验题目异方差的诊断与修正
一、实验目的与要求:
要求目的:1、用图示法初步判断是否存在异方差,再用White检验异方差;
2、用加权最小二乘法修正异方差。
估计结果为: i
Y ˆ = 12.03564 + 0.104393i X (19.51779) (0.008441) t=(0.616650) (12.36670)
2R =0.854696 R =0.849107 S.E.=56.89947 DW=1.212859 F=152.9353
这说明在其他因素不变的情况下,销售收入每增长1元,销售利润平均增长0.104393元。
2R =0.854696 , 拟合程度较好。
在给定 =0.0时,t=12.36670 > )26(025.0t =2.056 ,拒
绝原假设,说明销售收入对销售利润有显著性影响。
F=152.9353 > )6,21(F 05.0= 4.23 ,
表明方程整体显著。
(三) 检验模型的异方差
※(一)图形法
6、判断
由图3可以看出,被解释变量Y 随着解释变量X 的增大而逐渐分散,离散程度越来越大; 同样,由图4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该通过更近一步的检验。
※ (二)White 检验
White 检验结果
White Heteroskedasticity Test:
F-statistic
3.607218 Probability 0.042036 Obs*R-squared
6.270612 Probability
0.043486
Test Equation:
t 界值5.002
χ
(2)
=5.99147。
比较计算的2χ统计量与临界值,因为n 2R = 6.270612 > 5
.002
χ(2)=5.99147 ,所以拒绝原假设,不拒绝备择假设,这表明模型存在异方差。
(四) 异方差的修正
在运用加权最小二乘法估计过程中,分别选用了权数t 1ω=1/t X ,t 2ω=1/2
t X ,t 3ω=1/t X 。
用权数t 1ω的结果
Dependent Variable: Y
Method: Least Squares
Date: 10/22/10 Time: 00:13
Sample: 1 28
Included observations: 28
Weighting series: W1
Variable Coefficient Std. Error t-Statistic Prob.
C 5.988351 6.403392 0.935184 0.3583
X 0.108606 0.008155 13.31734 0.0000
Sample: 1 28
Included observations: 28
Weighting series: W2
Variable Coefficient Std. Error t-Statistic Prob.
C 6.496703 3.486526 1.863374 0.0737
X 0.106892 0.010991 9.725260 0.0000
Weighted Statistics
R-squared 0.922715 Mean dependent var 67.92129 Adjusted R-squared 0.919743 S.D. dependent var 75.51929 S.E. of regression 21.39439 Akaike info criterion 9.032884 Sum squared resid 11900.72 Schwarz criterion 9.128041 Log likelihood -124.4604 F-statistic 94.58068 Durbin-Watson stat 1.905670 Prob(F-statistic) 0.000000
Unweighted Statistics
R-squared 0.854182 Mean dependent var 213.4650 Adjusted R-squared 0.848573 S.D. dependent var 146.4895
Log likelihood -143.7686 F-statistic 187.8197 Durbin-Watson stat 1.275429 Prob(F-statistic) 0.000000
Unweighted Statistics
R-squared 0.854453 Mean dependent var 213.4650 Adjusted R-squared 0.848855 S.D. dependent var 146.4895 S.E. of regression 56.95121 Sum squared resid 84329.44 Durbin-Watson stat 1.233545
经估计检验,发现用权数t 1ω,t 3ω的结果,其可决系数反而减小;只有用权数t 2ω的效果最好,可决系数增大。
用权数t 2ω的结果
Dependent Variable: Y Method: Least Squares Date: 10/22/10 Time: 00:16 Sample: 1 28
Included observations: 28 Weighting series: W2
i
(1.863374) (9.725260)
2R =0.922715 DW=1.905670 F=94.58068
括号中的数据为t 统计量值。
由上可以看出,运用加权最小二乘法消除了异方差后,参数2β的t 检验显著,可决系数提高了不少,F 检验也显著,并说明销售收入每增长1元,销售利润平均增长0.106892元。
四、实践结果报告:
1、用图示法初步判断是否存在异方差:被解释变量Y 随着解释变量X 的增大而逐渐分散,离散程度越来越大;同样的,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该通过更近一步的检验。
再用White 检验异方差:因为n 2R = 6.270612 > 5.002
χ(2)=5.99147 ,所以拒绝原假设,
不拒绝备择假设,这表明模型存在异方差。
>
F-statistic
3.144597 Probability 0.060509 Obs*R-squared
5.628058 Probability
0.059963
Test Equation:
Dependent Variable: STD_RESID^2 Method: Least Squares Date: 10/22/10 Time: 00:17
Sample: 1 28
Included observations: 28
Variable Coefficient Std. Error t-Statistic Prob.
C 1927.346 675.2246 2.854378 0.0085
X -1.456613 0.734838 -1.982223 0.0585
X^2 0.000245 0.000154 1.586342 0.1252
R-squared 0.201002 Mean dependent var 425.0258 Adjusted R-squared 0.137082 S.D. dependent var 1198.210 S.E. of regression 1113.057 Akaike info criterion 16.96857 Sum squared resid 30972414 Schwarz criterion 17.11130 Log likelihood -234.5599 F-statistic 3.144597。