异方差性
四、异方差性
【实验目的】
1. 掌握异方差的含义，理解经济现象中异方差产生的原因；
2. 理解异方差对模型的影响，异方差性的表现与某个解释变量之间的关系；
3. 掌握检验异方差的主要方法；
4. 掌握处理和消除异方差的方法。 【实验内容】
（一） 引起异方差的原因及其对参数估计的影响 1、原因：
引起异方差的众多原因中，我们讨论两个主要的原因，一是模型的设定偏误，主要指的是遗漏变量的影响。这样，遗漏的变量就进入了模型的残差项中。当省略的变量与回归方程中的变量有相关关系的时候，不仅会引起内生性问题，还会引起异方差。二是截面数据中总体各单位的差异。
后果：异方差对参数估计的影响主要是对参数估计有效性的影响。在存在异方差的情况下，OLS 方法得到的参数估计仍然是无偏的，但是已经不具备最小方差性质。一般而言，异方差会引起真实方差的低估，从而夸大参数估计的显著性，即是参数估计的t 统计量偏大，使得本应该被接受的原假设被错误的拒绝。 2、异方差的检验 （1）图示检验法
由于异方差通常被认为是由于残差的大小随自变量的大小而变化，因此，可以通过散点图的方式来简单的判断是否存在异方差。具体的做法是，以回归的残差的平方2
i e 为纵坐标，回归式中的某个解释变量i
x 为横坐标，画散点图。如果散点图表现出一定的
趋势，则可以判断存在异方差。 （2）Goldfeld-Quandt 检验
Goldfeld-Quandt 检验又称为样本分段法、集团法，由Goldfeld 和Quandt 1965年提出。这种检验的思想是以引起异方差的解释变量的大小为顺序，去掉中间若干个值，从而把整个样本分为两个子样本。用两个子样本分别进行回归，并计算残差平方和。用
两个残差平方和构造检验异方差的统计量。
Goldfeld-Quandt 检验有两个前提条件，一是该检验只应用于大样本（n>30），并且要求满足条件：观测值的数目至少是参数的二倍； 二是除了同方差假定不成立以外，要求其他假设都成立，随机项没有自相关并且服从正态分布。Goldfeld-Quandt 检验假设检验设定为：H 0 具有同方差， H 1 具有递增型异方差。具体实施步骤为： ①将观测值按照解释变量x 的大小顺序排列。
②将排在中间部分的c 个（约n/4）观测值删去，再将剩余的观测值分成两个部分，每个部分的个数分别为n 1、n 2。
③分别对上述两个部分的观测值进行回归，得到两个部分的回归残差平方和。 ④构造F 统计量2
221
11()()e e n k F e e n k '-=
'-，其中 k 为模型中被估参数个数。在H 0成立条件下，
21(,)F
F n k n k --
⑤判别规则如下，
若 F
① 当摸型含有多个解释变量时，应以每一个解释变量为基准检验异方差。 ② 此法只适用于递增型异方差。
012345670
50
100
150
200
X Y Y
图4-1 递增型异方差
（3）Breusch －Pagan/Godfrey LM 检验
该方法的基本思想是构造残差平方序列与解释变量之间的辅助函数，得到回归平方和ESS ，从而判断异方差性存在的显著性。该检验假设异方差的形式为：
220()i f σσα'=+i αz 其中z i 是解释变量构成的向量，当=0α时，模型是同方差的。
具体设模型为：
表示是某个解释变量或全部。 同样，该检验也可以通过一个简单的回归来实现。提出原假设为，
具体步骤如下：
①构造变量2
()
i e n 'e e ：用OLS 方法估计方程中的未知参数，得
和 （n 为样本容量） ②以2
()
i e n 'e e 为被解释变量，i z 为解释变量进行回归，并计算回归平方和ESS 。
构造辅助回归函数
12233i i i k ik i Y u ββββ=+X +X +???+X +2
01122var()i i i i p ip i u v σαααα==+Z +Z +???+Z +12,,
p Z Z ??????Z 012:0
p αααH ==???==122???i i i k ik e Y βββ=
--X -???-X 2
2
?i e n σ∑=2
011222?i i i p ip i e v αααασ
=+Z +Z +???+Z +
③构造LM 统计量为：LM ＝1
2
ESS 当有同方差性，且n 无限增大时有 ④对于给定显著性水平 ，如果2
()2
ESS p αχ>，则拒绝原假设，表明模型中存在异方差。
为了计算的简便，LM 统计量的构造也可以采取如下形式：
1
[]2
LM '''=-1g Z(Z Z)Z g
其中，Z 是关于(1,)i z 的n P ?观测值矩阵, g 是观测值2
1()
i i e g n =-'e e 排成的列向量。
由于上述统计量的构造过分依赖于残差的正态性假定，因此，Koenker 和Bassett 对该统计量进行了修正，令
2
2
1
1()n i i V e n n ='??=-??∑e e u ()n '=e e 则1()LM V ??
'''=????-1u -u)Z(Z Z)Z (u -u
（4）White 检验
White 检验由H. White 1980年提出。和Goldfeld-Quandt 检验相比，White 检验不需要对观测值排序，也不依赖于随机误差项服从正态分布，它是通过一个辅助回归式构造 (2 统计量进行异方差检验。White 检验的提出避免了Breusch-Pagan 检验一定要已知随机误差的方差产生的原因且要求随机误差服从正态分布。White 检验与Breusch-Pagan 检验很相似，但它不需要关于异方差的任何先验知识，只要求在大样本的情况下。
White 的检验的思想直接来源于其异方差一致估计。当存在异方差时，传统的方差估计式21(|)()Var b X X X σ-'=不再是估计量方差的一致估计，
而应该使用White 一致性估计：
1
211
()n
i I i i e X X --='''∑
（X X ）（X X ）。通过检验21
()X X σ-'是不是参数估计方差的一致估计，可以检验是否存在异方差。在实际的应用过程中，可以通过回归的步骤来简单的实现上述思想。以二元回归模型01122i i i i y x x βββμ=+++为例，White 检验的具体步骤如下：
α2
~2
p ESS χ
①首先对上式进行OLS 回归，求残差平方2
i e 。 ②做如下辅助回归式，
2
i e = α0 +α1 x i 1 +α2 x i 2 + α3 x i 12 +α4 x i 22 + α5 x i 1 x i 2 + v i
即用残差平方2i e 对原回归式中的各解释变量、解释变量的平方项、交叉乘积项进
行OLS 回归。注意，上式中要保留常数项。求辅助回归式的可决系数R 2。 ③White 检验的原假设和备择假设是
H 0：u i 不存在异方差， H 1：u i 存在异方差 ④利用回归②得到的2
R ，计算统计量 nR 2。
在同方差假设条件下，统计量 22(5)nR χ ，其中n 表示样本容量，R 2是辅助
回归式的OLS 估计的可决系数。自由度5表示辅助回归式中解释变量项数（注意，不计算常数项）。n R 2属于LM 统计量。统计量2
nR 渐进服从自由度为1k -的卡方分布，其中k 是辅助回归中参数的个数（包括常数项）。 ⑤判别规则是
若 2
2
(5)nR αχ≤，接受H 0（u i 具有同方差） 若22(5)nR
αχ，拒绝H 0（u i 具有异方差）
（5）ARCH 检验
自回归条件异方差（ARCH ）检验主要用于检验时间序列中存在的异方差。ARCH 检验的思想是，在时间序列数据中，可认为存在的异方差性为ARCH 过程，并通过检验这一过程是否成立来判断时间序列是否存在异方差。 ARCH 过程可以表述为：
222011t t p t p t
v σαασασ--=++++
其中p 是ARCH 过程的阶数，并且00α>，0,(1,2,)i i p α≥=；t v 为随机误差。
ARCH 检验的基本步骤如下： ①提出假设：
012:0;p H ααα===1:(1,2,
)j H j p α=中至少一个不为零。
②对原模型做OLS 估计，求出残差t e ，并计算残差平方序列2
(1,2,
)t e t T =，分别作
为对2
t σ的估计。 ③作辅助回归
222011???t t p t p e e e ααα
--=+++
并计算上式的可决系数2
R ，可以证明，在原假设成立的情况下，基于大样本，有
2()T p R -近似服从自由度为p 的卡方分布。如果22()()T p R p αχ->，则拒绝原假
设，表明原模型的误差项存在异方差。 （6）Park 检验法
Park 检验法就是将残差图法公式化，提出
是解释变量 的某个函数，然后通过检验这个函数形式是否显著，来判定是否具有异方差性及其异方差性的函数结构。 （7）Glejser 检验法
这种方法类似于Park 检验。首先从OLS 回归取得残差i e 之后，用i e 的绝对值对被认为与方差密切相关的X 变量作回归。 （二） 异方差的类型：
异方差一般可归结为三种类型： (1)单调递增型：2
i σ随X 的增大而增大； (2)单调递减型：2i σ随X 的增大而减小；
(3)
复杂型：
2i σ与X 的变化呈复杂形式。
i x
2
i σ
图4-2 异方差的几种类型
（三） 异方差的解决办法
对异方差的传统解决办法是通过加权最小二乘WLS 将残差向同方差转换。一般认为，异方差的产生是由于残差项中包含了解释变量的相关信息，也就是说，可以将残差项e 表达成解释变量x 的函数：
()e g x =
其中x 是1k ?的向量，()g 可以是关于x 的线性函数，也可以是非线性的。如果知道
()g ?的函数形式，那么可以通过加权最小二乘的方法对模型进行修正，在不存在自相
关的假定下，在回归方程()y f x ε=+两边同乘以1
()g x 可以对残差进行修正，从而
消除残差的异方差性使得OLS 估计量仍然具有有效性。但是，这样的方法却有两个方面的问题——首先，是()g 的形式难以确定（为了简便，我们往往假设()g 是关于x 的线性函数，但实际上真实的函数形式很可能是非线性的），从而相应的WLS 的权重设定也就往往是不正确的了；其次，即使知道()g x 的真实函数形式，通过加权得出的参数估计也已经不是原来的关注参数了；最后，在强外生性条件(|)0E x ε=不满足的条件下，WLS 估计量也往往是不一致的。
因此，从现代的观点来看，从模型设定的角度对异方差进行修正才是可行的方法。 （四） 重难点加强理解：
1、异方差概念，比较同方差的假定，给出解释，产生异方差的经济背景，异方差存在的原因，举例；
2、异方差的递增性；
3、重点加深理解异方差的几点内容 （１）异方差性的含义与产生背景； （２）异方差性对模型的影响； （３）异方差性的检验； （４）异方差性的补救措施；
4、针对以下数据建立并检验我国制造业利润函数模型；
【基本概念】解释
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。
【实验步骤】
表4—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，请利用统计软件Eviews建立我国制造业利润函数模型。
表4—1 制造工业1998年销售利润与销售收入情况
（一）图示法观察异方差
1、打开习题数据中的表4—1 制造工业1998年销售利润与销售收入情况。
2、观察销售利润（Y）与销售收入（X）的相关图(图1)：SCAT X Y；生成新序列
lnY、lnx1: lnY=@log(Y),lnx1=@log(x)。
估计lnY对lnX1的回归模型：lnY＝a+blnX1+u，回归方程命名为eq0。
3、生成新序列名为abs_e：abs_e=@abs(resid)
生成新序列名为sqr_e: sqr_e=resid^2
4、分别作abs_e、sqr_e对lnX1的散点图，观察是否存在异方差。
将图复制到一个word文档形式的报告。
（二）戈特菲尔德－匡特检验（样本分段比较法）
1、打开习题数据中的表4-1 r&d费用支出。
2、对X1从大到小排序：在workfile窗口-----procs-----sort series-----x1.
3、作lnY对lnX1的回归，样本范围从1到10,将此回归方程命名为eq1.
作lnY对lnX1的回归，样本范围从19到28,将此回归方程命名为eq2.
4、在eq1和eq2的回归结果中找到较大的残差平方和记为RSS1，较小的残差平方和记为RSS2。
5、计算F值：RSS1/(n1-k)F=RSS2/(n2-k),其中n1为较大残差平方和样本的容量，n2为较小残差平方和样本的容量。
6、检验是否存在异方差。
7、将主要过程和结果写入word文档形式的报告（学号＿6）。
（三）戈里瑟检验
1、打开习题数据中的表4—1 制造工业1998年销售利润与销售收入情况。
2、建立新序列名分别为abs_lx、sqrt_lx、inv_lx:
abs_lx＝＠abs(lnx1) sqrt_lx＝＠sqrt(lnx1) inv_lx＝＠inv(lnx1),即分别是lnx1的绝对值、平方根和倒数。
3、分别用残差绝对值abs_e对lnx1的绝对值、平方根和倒数的回归，并判断是否存在异方差以及什么形式的异方差。
4、对异方差进行处理，并用加权最小二乘法估计参数。
5、将主要过程和结果写入word文档形式的报告。
（四）怀特检验
1、打开eq0.
2、view----residual test---white heteroskadasticity(no cross terms/cross terms)。
3、根据2的结果判断是否存在异方差。
Obs*R squared(即nR2)服从一个χ2分布。H0：不存在异方差。P＜α时拒绝原假设H0，认为存在异方差。
4、将主要过程和结果写入word文档形式的报告。
主要教学环节的组织：教师指导下学生上机。
思考题：
利用习题中的表4—1 制造工业1998年销售利润与销售收入情况的数据，建立回归模型为：Y=a+b*x1+u时，重复上述步骤得到什么结果？
异方差性的white检验及处理方法
实验二异方差模型的white检验与处理 【实验目的】 掌握异方差性的white检验及处理方法 【实验原理】 1. 定性分析异方差 (1) 经济变量规模差别很大时容易出现异方差。如个人收入与支出关系，投入与产出 关系。 (2) 利用散点图做初步判断。 (3) 利用残差图做初步判断。 2、异方差表现与来源异方差通常有三种表现形式 （1）递增型 （2）递减型 （3）条件自回归型。 3、White检验 （1）不需要对观测值排序，也不依赖于随机误差项服从正态分布，它是通过一个辅助回归式构造 2 统计量进行异方差检验。White检验的零假设和备择假设是 H0: (4－1)式中的ut不存在异方差， H1: (4－2)式中的ut存在异方差。 (2)在不存在异方差假设条件下，统计量 T R 2 2(5) 其中T表示样本容量，R2是辅助回归式(4－3)的OLS估计式的可决系数。自由度5表示辅助回归式(4－3)中解释变量项数（注意，不计算常数项）。T R 2属于LM统计量。 （3）判别规则是 若T R 2 2 (5), 接受H0（ut 具有同方差） 若T R 2 > 2 (5), 拒绝H0（ut 具有异方差） 【实验软件】 Eview6 【实验要求】 熟练掌握异方差white检验方法 【实验内容】 建立并检验我国部分城市国民收入y和对外直接投资FDI异方差模型 【实验方案设计】 下表列出了我国各地区农村居民家庭人均纯收入与家庭人均生活消费支出的数据，并利用统计软件Eviews建立异方差模型
表1 各地区农村居民家庭人均纯收入与家庭人均生活消费支出的数据（单位：元） 【实验过程】 1、启动Eviews6软件，建立新的workfile. 在主菜单中选择【File 】--【New 】--【Workfile 】,弹出 Workfile Create 对话框,在Workfile structure typ 中选择unstructured/undted.然后在observations 中输入31.在WF 中输入Work1，点击OK 按钮。如图： 2、数据导入且将要分析的数据复制黏贴. 在主菜单的空白处输入data x y 按下enter 。将家庭人均纯收入X 和家庭生活消 地区 家庭人均 纯收入 家庭生活消费支出 地区 家庭人均 纯收入 家庭生活消费支出 北京 湖北 3090 天津 湖南 河北 广东 山西 广西 内蒙古 海南 辽宁 重庆 吉林 四川 黑龙江 贵州 上海 云南 江苏 西藏 浙江 陕西 安徽 甘肃 福建 青海 江西 宁夏 山东 新疆 河南
异方差实验报告
附件二：实验报告格式（首页） 山东轻工业学院实验报告成绩 课程名称计量经济学指导教师实验日期 2013.5.18 院（系）商学院会计系专业班级会计实验地点实验楼二机房 学生姓名学号同组人无 实验项目名称异方差的检验 一、实验目的和要求 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要求熟悉基本操作步骤，读懂各项上机榆出结果 的含义并进行分析 3、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 4、练习检查和克服模型的异方差的操作方法。 5、掌握异方差性的检验及处理方法 6、用图示法、斯皮尔曼法、戈德菲尔德、white验证法，验证该模型是否存在异方差 二、实验原理 1、异方差的检验出消除方法 2、运用EVIEWS软件及普通最小二乘法进行模型估计 3、检验模型的异方差性并对其进行调整 三、主要仪器设备、试剂或材料 Eviews软件、课本教材、电脑 四、实验方法与步骤 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。 1、CREATE U 1 31 回车 2、DATA Y X 回车 输入数据
obs Y X 1 264 8777 2 105 9210 3 90 9954 4 131 10508 5 122 10979 6 10 7 11912 7 406 12747 8 503 13499 9 431 14269 10 588 15522 11 898 16730 12 950 17663 13 779 18575 14 819 19635 15 1222 21163 16 1702 22880 17 1578 24127 18 1654 25604 19 1400 26500 20 1829 26760 21 2200 28300 22 2017 27430 23 2105 29560 24 1600 28150 25 2250 32100 26 2420 32500 27 2570 35250 28 1720 33500 29 1900 36000 30 2100 36200 31 2800 38200 3、LS Y C X 回车 用最小二乘法进行估计出现 Dependent Variable: Y Method: Least Squares Date: 05/18/13 Time: 11:19 Sample: 1 31 Included observations: 31 Variable Coefficien t Std. Error t-Statistic Prob.
异方差性检验
金融122班 23号钟萌 异方差性检验 引入滞后变量X-1、X-2、Y-1 。可建立如下中国居民消费函数： Y=β0+β1X+β2X(-1)+β3X(-2)+β4Y(-1) 用OLS法进行估计，结果如下： 对应的表达式为 Y=429.3512+0.143X-0.104X(-1)+0.063X(-2)+0.838Y(-1) 2.18 2.09 -0.73 0.63 7.66 R2=0.9988 F=4503.94 估计结果显示，在5%的显著性水平下，自由度为25的临界值为2.060，若存在异方差性，则可能是由X、Y（-1）引起的。
做OLS回归得到的残差平方项分别与X、Y(-1)的散点图
从散点图可以看出，两者存在异方差性。下面进行统计检验。 采用White异方差检验： 所以辅助回归结果为： e2=-194156.4-249.491X+0.003X2+265.306X(-1)-0.004X(-1)2+4.187X(-2)- 0.001X(-2)2 +51.377Y(-1)+0.001Y(-1)2 -1.566 -4.604 2.863 2.648 -1.604 0.055 -0.301 0.579 0.410 X与X的平方项的参数的t检验是显著的，且White统计量为
16.999>5%显著性水平下，自由度为8的卡方分布值15.51，(从nR2 统计量的对应值的伴随概率值容易看出）所以在5%的显著性水平下，拒绝同方差性这一原假设，方程确实存在异方差性。 用加权最小二乘法对异方差性进行修正，重新进行回归估计， 得到加权后消除异方差性的估计结果： 回归表达式为： Y=275.0278-0.0192X+0.1617X(-1)-0.0732X(-2)+0.9165Y(-1) 3.5753 -0.3139 1.3190 -1.0469 16.5504
异方差性习题及答案
异方差性 一、单项选择 1.Goldfeld-Quandt 方法用于检验（ ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 2.在异方差性情况下，常用的估计方法是（ ） A.一阶差分法 B.广义差分法 C.工具变量法 D.加权最小二乘法 3.White 检验方法主要用于检验（ ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 4.Glejser 检验方法主要用于检验（ ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 5.下列哪种方法不是检验异方差的方法 （ ） A.戈德菲尔特——匡特检验 B.怀特检验 C.戈里瑟检验 D.方差膨胀因子检验 6.当存在异方差现象时，估计模型参数的适当方法是 （ ） A.加权最小二乘法 B.工具变量法 C.广义差分法 D.使用非样本先验信息 7.加权最小二乘法克服异方差的主要原理是通过赋予不同观测点以不同的权数，从而提高估计精度，即 （ ） A.重视大误差的作用，轻视小误差的作用 B.重视小误差的作用，轻视大误差的作用 C.重视小误差和大误差的作用 D.轻视小误差和大误差的作用 8.如果戈里瑟检验表明，普通最小二乘估计结果的残差i e 与i x 有显著的形式 i i i v x e +=28715.0的相关关系（i v 满足线性模型的全部经典假设），则用加权最小二 乘法估计模型参数时，权数应为 （ ） A. i x B. 21i x C. i x 1 D. i x 1 9.如果戈德菲尔特——匡特检验显著，则认为什么问题是严重的 （ ） A.异方差问题 B.序列相关问题 C.多重共线性问题 D.设定误差问题 10.设回归模型为i i i u bx y +=，其中i i x u Var 2)(σ=，则b 的最有效估计量为（ ） A. ∑∑=2?x xy b B. 2 2)(?∑∑∑∑∑--=x x n y x xy n b C. x y b =? D. ∑=x y n b 1? 二、多项选择 1.下列计量经济分析中那些很可能存在异方差问题（ ） A.用横截面数据建立家庭消费支出对家庭收入水平的回归模型 B.用横截面数据建立产出对劳动和资本的回归模型 C.以凯恩斯的有效需求理论为基础构造宏观计量经济模型
异方差性的检验及处理方法
实验四异方差性 【实验目的】 掌握异方差性的检验及处理方法 【实验内容】 建立并检验我国制造业利润函数模型 【实验步骤】 【例1】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，请利用统计软件Eviews建立我国制造业利润函数模型。 一、检验异方差性 ⒈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1)：SCAT X Y 图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2 我国制造业销售利润回归模型残差分布 图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。 ⒉Goldfeld-Quant检验 ⑴将样本按解释变量排序（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），其残差平方和为2579.587。 SMPL 1 10 LS Y C X 图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4），其残差平方和为63769.67。 SMPL 19 28 LS Y C X
图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 ⒊White 检验 ⑴建立回归模型：LS Y C X ，回归结果如图5。 图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6。 图6 White 检验结果
实验四异方差性的检验与处理
实验四异方差性的检验 与处理 集团标准化工作小组 [Q8QX9QT-X8QQB8Q8-NQ8QJ8-M8QMN]
实验四 异方差性的检验及处理（2学时） 一、实验目的 （1）、掌握异方差检验的基本方法； （2）、掌握异方差的处理方法。 二、实验学时：2学时 三、实验要求 （1）掌握用MATLAB 软件实现异方差的检验和处理； （2）掌握异方差的检验和处理的基本步骤。 四、实验原理 1、异方差检验的常用方法 (1) 用X-Y 的散点图进行判断 (2). 22 ?(,)(,)e x e y 或的图形 ,),x )i i y i i （(e 或(e 的图形） (3) 等级相关系数法（又称Spearman 检验） 是一种应用较广的方法，既可以用于大样本，也可与小样本。 检验的三个步骤 ① ?t t y y =-i e ② |i x i i 将e 取绝对值，并把|e 和按递增或递减次序排序， 计算Spearman 系数rs ,其中：2 1n i i d =∑s 2 6r =1-n(n -1) ③ 做等级相关系数的显着性检验。n>8时， /2(2),t t n α>-反之，若||i i e x 说明与之间存在系统关系， 异方差问题存在。 (4) 帕克(Park)检验 帕克检验常用的函数形式： 若在统计上是显着的，表明存在异方差性。 2、异方差性的处理方法: 加权最小二乘法 如果在检验过程中已经知道：222 ()()()i i i ji u Var u E u f x σσ=== 则将原模型变形为：
121( i i p pi i y x x u f x βββ =+?++?+ 在该模型中： 即满足同方差性。于是可以用OLS估计其参数，得到关于参数12 ,,, p βββ 的无偏、有效估计量。 五、实验举例 例1 01 i i i y x u =++ 若用线性模型，研究不同收入家庭的消费情况，试问原数据有无异方差性如果存在异方差性，应如何处理 解：（一）编写程序如下： （1）等级相关系数法（详见文件） %%%%%%%%%%%%%%% 用等级相关系数法来检验异方差性 %%%%%%%% [data,head]=xlsread(''); x=data(:,1); %提取第一列数据，即可支配收入x y=data(:,2); %提取第二列数据，即居民消费支出y plot(x,y,'k.'); % 画x和y的散点图 xlabel('可支配收入x（千元）') % 对x轴加标签 ylabel('居民消费支出y(千元)') % 对y轴加标签 %%%%%%%% 调用regres函数进行一元线性回归 %%%%%%%%%%%% xdata=[ones(size(x,1),1),x]; %在x矩阵最左边加一列1，为线性回归做准备 [b,bint,r,rint,s]=regress(y,xdata); yhat=xdata*b; %计算估计值y % 定义元胞数组，以元胞数组形式显示系数的估计值和估计值的95%置信区间 head1={'系数的估计值','估计值的95%置信下限','估计值的95%置信上限'};
异方差性实验
1、2 实验二 异方差性及其性质 1、 2、1 实验目的 我们已经知道,在经典条件下,线性模型回归参数的OLS 估计就是具有最小方差的线性无偏估计量。随机误差项的异方差性,就是线性回归模型中常见的不满足经典条件的情形。与满足经典条件的情形相比,当模型中出现异方差性时,模型参数的普通最小二乘(OLS)估计的统计性质将发生什么样的变化？如何理解与把握这些变化？如何纠正模型估计因为异方差性而产生的问题？ 通过本实验,可以帮助学生理解异方差性本身的概念、存在异方差性时模型参数的OLS 估计量的性质、加权最小二乘法等。 1、2、2 实验背景与理论基础 1、 异方差性 本实验以二元线性回归模型为例进行说明。线性回归模型 01122i i i i Y X X u βββ=+++,1,2,,i n =L 假设模型满足除“同方差性”之外的所有经典假设: (1)E()0i u =,1,2,,i n =L ,或表示为()E =U 0,从而有()E =Y X β; (3)Cov(,)0,i j u u i j =≠,随机误差无序列相关; (4)解释变量就是确定性变量,与随机误差项不相关: Cov(,)0j ij u X =,1,2i =,1,2,,j n =L (5)自变量之间不存在精确(完全)的线性关系。矩阵X 就是列满秩的:rank()3=X 。(要求样本容量3n >) (6)随机误差的正态性:2(0,)i u u N σ:,1,2,,i n =L 。 2、 异方差性条件下OLS 估计量的统计性质 (1)?β 的无偏性: 模型回归参数012,,βββ 的OLS 估计量为:0 11 2???()?βββ-?? ?''= ? ? ???β=X X X Y 可以证明,即使在异方差性条件下,上述估计量依然满足无偏性: 0112?()??E()()?()E E E ββββββ???? ? ?= ? ? ? ? ????? β==β (2)?β 的方差及协方差: 在模型满足经典条件时,OLS 估计量的方差—协方差矩阵为21?Var()()u σ-'=βX X ,
异方差检验
七、 异方差与自相关 一、背景 我们讨论如果古典假定中的同方差和无自相关假定不能得到满足，会引起什么样的估计问题呢？另一方面，如何发现问题，也就是发现和检验异方差以及自相关的存在性也是一个重要的方面，这个部分就是就这个问题进行讨论。 二、知识要点 1、引起异方差的原因及其对参数估计的影响 2、异方差的检验（发现异方差） 3、异方差问题的解决办法 4、引起自相关的原因及其对参数估计的影响 5、自相关的检验（发现自相关） 6、自相关问题的解决办法 （时间序列部分讲解） 三、要点细纲 1、引起异方差的原因及其对参数估计的影响 原因：引起异方差的众多原因中，我们讨论两个主要的原因，一是模型的设定偏误，主要指的是遗漏变量的影响。这样，遗漏的变量就进入了模型的残差项中。当省略的变量与回归方程中的变量有相关关系的时候，不仅会引起内生性问题，还会引起异方差。二是截面数据中总体各单位的差异。 后果：异方差对参数估计的影响主要是对参数估计有效性的影响。在存在异方差的情况下，OLS 方法得到的参数估计仍然是无偏的，但是已经不具备最小方差性质。一般而言，异方差会引起真实方差的低估，从而夸大参数估计的显著性，即是参数估计的t 统计量偏大，使得本应该被接受的原假设被错误的拒绝。 2、异方差的检验 （1）图示检验法 由于异方差通常被认为是由于残差的大小随自变量的大小而变化，因此，可以通过散点图的方式来简单的判断是否存在异方差。具体的做法是，以回归的残差的平方2i e 为纵坐标，回归式中的某个解释变量i x 为横坐标，画散点图。如果散点图表现出一定的趋势，则可以判断存在异方差。 （2）Goldfeld-Quandt 检验
异方差性及其检验
异方差性及其检验 I 概念 对于多元线性回归模型 同方差性假设为 如果出现 即对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，不具有等同的分散程度，则认为出现了异方差（Heteroskedasticity ） II 类型 同方差性假定是指，回归模型中不可观察的随机误差项i u 以解释变量X 为条件的方差是一个常数，因此每个i u 的条件方差不随X 的变化而变化，即有 2()i i f X σ=≠常数 在异方差的情况下，总体中的随机误差项i u 的方差 2 i σ不再是常数， 通常它随解释变量值的变化而变化，即 异方差一般可归结为三种类型： 01122 1,2, ,i i i k ki i Y X X X i n ββββμ=+++ ++=2(), 1,2,...,i Var i n μσ==2(), 1,2,...,i i Var i n μσ==2() i i f X σ=
异方差类型图： III来源 （1）截面数据（不同样本点除解释变量外其他影响差异大） （2）时间序列（规模差异） （3）分组数据、异常值等 （4）模型函数形式设置不正确和数据变形不正确 （5）边错边改学习模型 IV影响 计量经济学模型一旦出现异方差，如果仍然用普通最小二乘法估计模型参数，会产生一系列不良后果。 （1）参数估计量非有效 （2）OLS估计的随机干扰项的方差不再是无偏的
（3）基于OLS估计的各种统计检验非有效 （4）模型的预测失效 V检验 异方差性，即相对于不同的样本点，也就是相对于不同的解释变量观测值，随机干扰项具有不同的方差，那么检验异方差性，也就是检验随机干扰项的方差与解释变量观测值之间的相关性。 一般检验方法如下： （1）图示检验法 （2）帕克(Park)检验与戈里瑟(Gleiser)检验 （3）G-Q（Goldfeld-Quandt）检验 （4）F检验 （5）拉格朗日乘子检验 （6）怀特检验 （具体步骤随后介绍） VI修正方法 加权最小二乘法 定义：加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用OLS法估计其参数。 基本思想：在采用OLS方法时，对较小的残差平方2? e赋予较大的权 i 重，对较大的2? e赋予较小的权重，以对残差提供的信息的重要程度 i 作一番修正，提高参数估计的精确程度。 不同形式的异方差要求用不同的加权方法来处理：
实验四异方差性13金数2班201330110203何健华教材
实验四异方差性 姓名：何健华学号：201330110203 班级：13金融数学2班 一实验目的：掌握异方差性模型的检验方法与处理方法 二实验要求： 应用教材P116例子 4.1.4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方法、异方差稳健标准误方法对异方差进行修正。 三实验原理： 图形法检验、Goldfeld-Quanadt检验与White检验与加权最小二乘法、异方差稳健标准误方法 四预备知识：Goldfeld-Quanadt检验与White检验与加权最小二乘法。 五实验步骤： 下表列出了某年中国部分省市城镇居民家庭平均每个全年可支配收入（X）与消费性支出（Y）的统计数据。 二、检验模型是否存在异方差性； 三、如果存在异方差性，试采用适当的方法估计模型参数。
一、建立和对象，录入变量消费性支出Y 、城镇居民家庭平均全年可支配收入X 。如图1.1。 图1.1 设定并估计多元线性回归模型： X Y 10ββ+= ----------- （1-1） 点击主界面菜单Quick\Estimate Equation ，在弹出的对话框中输入Y C X ，点击确定即可得到回归结果，如图1.2。 图1.2
根据图1.2中的数据，得到模型（1-1）的估计结果为 X Y 755125.03635.272+= ----------- （1-1-1） （1.705713） （32.3869） 20.983129R = 982192.02 =R 912.1048=F 846743=RSS 回归结果显示，Y 变化的98.3%都可以由X 的变化来解释，说明模型的拟合度较高。X 在5%的显著性水平下显著，同样的F 统计量的临界值为 ()912.104841.418,105.0<=F ,说明在5%显著水平下模型的线性关系显著成立。 二、检验模型的异方差性 （1）图示检验法 生成残差平方序列。在得到图1.2中结果后，在工作文件中点击 Object\Generate Series…，在弹出的窗口中，在主窗口键入命令如下e2=resid^2，得到残差平方和序列e2，如图2.1。 图2.1 图2.2 绘制2e 对X 的散点图。按住键，同时选择变量X 与2e ，以组对象方式打开，进入数据列表，再点击View\Graph\Scatter\Simple Scatter ，可得散点图，如图 2.2。 由图2.2可以看出，残差平方和2e 对X 大致存在递增关系，即存在单调递增型异方差。 （2）Goldfeld-Quanadt 检验 对变量取值排序（按递增或递减）。在工作文件中点击 Proc\Sort Current Page …，在弹出对话框 中输入X 即可（默认项是升序）。本列选择升序排列，
Eviews 进行异方差性检验及估计模型
异方差性检验及存在异方差模型估计 检验使用方法：（1）G-Q检验（2）White 检验 模型估计方法：加权最小二乘法（WLS） 下表为2000年中国部分省市城镇居民每个家庭平均年可支配收入(X)与消费性支出（Y）的统计数据： 1
一、利用Eviews求出线性模型 可得模型: ?272.2250.755 i i Y X =+ 2
(1.705) (32.394) R2=0.9832 二、异方差检验 （1）G-Q检验：首先将可支配收入X升序进行排列，然后去掉中间4个样本，将余下的样本分为容量各为8的两个子样本，并分别进行回归。 大样本小样本 3
样本取值较小的Eviews输出结果如下 残差平方和：RSS1=126528.3 4
样本取值较大的Eviews输出结果如下： 残差平方和：RSS2=615073.7 因此统计量为：2 14.8611 RSS F RSS == 在5%的显著性水平下，0.05(6,6) 4.28 F=,4.86>4.28,因此拒绝原假设，存在异方差性。 5
（2）White检验:在原模型的最小二乘估计窗口上选择“View\Residual Tests\Heteroskedasticity Tests\White”得到如下结果： x ，因此12.6478>5.99，因而拒绝原假设，检验统计量值为12.64768，查询20.05(2) 5.99 模型存在异方差。 三、估计存在异方差的经济模型 利用加权最小二乘法（WLS）进行估计：首先在对原模型进行估计后，保存残差，步骤如下：①Quick\Generate Series 再输入“e1=resid”，得到e1 ②Quick\Estimte Equation 再输入“Y C X” ③选择Options,在“Weighted LS/TLS”输入“1/abs(e1)”(备注：abs表示绝对值) 得到如下结果; 6
异方差问题的解决实验
金融141 计量经济实验报告 Eviews 姓名：王永鑫、刘明哲、刘健、吴宇豪、张雨松、李少卿 2016/12/14
异方差问题的解决实验 实验目的：掌握异方差、Goldfeld-Quandt检验、White检验、加权最小二乘法等基本概念及异方差产生的原因和后果；进一步掌握异方差的检验与修正方法以及如何运用Eviews软件在实证中实现相关检验与修正。 实验数据：城乡居民储蓄存款X，社会商品零售总额Y，样本20. 实验原理：G-Q检验、White检验，加权最小二乘法异方差修正。 实验知识预习：OLS估计；异方差问题后果；异方差检验方法；WLS异方差修正程序。 实验内容： 实验步骤一：建立工作文件和数据录入 obs 居民储蓄零售额 1995 1278.44 970.0 1996 1868.34 1161.3 1997 2729.57 1325.2 1998 2372.94 1471.1 1999 2597.12 1590.4 2000 2524.05 1722.3 2001 3001.89 1861.3 2002 3891.50 2035.2 2003 5103.15 2220.6 2004 6116.13 2454.6 2005 7665.60 2979.5 2006 8730.00 3375.2 2007 8745.22 3873.3 2008 11464.15 4577.2 2009 13707.32 5173.2 2010 15650.24 6186.8 2011 17288.45 7185.8 2012 19506.70 7840.4 2013 20486.25 8557.0 2014 21269.30 9303.5
第五章 异方差性 答案
第五章 异方差性 一、判断题 1. 在异方差的情况下，通常预测失效。（ T ） 2. 当模型存在异方差时，普通最小二乘法是有偏的。（ F ） 3. 存在异方差时，可以用广义差分法进行补救。（F ） 4. 存在异方差时，普通最小二乘法会低估参数估计量的方差。（F ） 5. 如果回归模型遗漏一个重要变量，则OLS 残差必定表现出明显的趋势。（ T ） 二、单项选择题 方法用于检验（ A ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 2.在异方差性情况下，常用的估计方法是（ D ） A.一阶差分法 B.广义差分法 C.工具变量法 D.加权最小二乘法 检验方法主要用于检验（ A ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 4.下列哪种方法不是检验异方差的方法（ D ） A.戈德菲尔特——匡特检验 B.怀特检验 C.戈里瑟检验 D.方差膨胀因子检验 5.加权最小二乘法克服异方差的主要原理是通过赋予不同观测点以不同的权数，从而提高估计精度，即（ B ） A.重视大误差的作用，轻视小误差的作用 B.重视小误差的作用，轻视大误差的作用 C.重视小误差和大误差的作用 D.轻视小误差和大误差的作用 6.如果戈里瑟检验表明，普通最小二乘估计结果的残差i e 与i x 有显著的形式 i i i v x e +=28715.0的相关关系（i v 满足线性模型的全部经典假设），则用加权最小二乘法估计模型参数时，权数应为（ B ） A. i x B. 21i x C. i x 1 D. i x 1 7.设回归模型为i i i u bx y +=，其中()2i 2i x u Var σ=，则b 的最有效估计量为（ D ）
异方差性实验
异方差性实验
1.2 实验二 异方差性及其性质 1.2.1 实验目的 我们已经知道，在经典条件下，线性模型回归参数的OLS 估计是具有最小方差的线性无偏估计量。随机误差项的异方差性，是线性回归模型中常见的不满足经典条件的情形。与满足经典条件的情形相比，当模型中出现异方差性时，模型参数的普通最小二乘（OLS ）估计的统计性质将发生什么样的变化？如何理解和把握这些变化？如何纠正模型估计因为异方差性而产生的问题？ 通过本实验，可以帮助学生理解异方差性本身的概念、存在异方差性时模型参数的OLS 估计量的性质、加权最小二乘法等。 1.2.2 实验背景与理论基础 1. 异方差性 本实验以二元线性回归模型为例进行说明。线性回归模型 01122i i i i Y X X u βββ=+++，1,2,,i n =L 假设模型满足除“同方差性”之外的所有经典假设： （1）E()0i u =，1,2,,i n =L ，或表示为()E =U 0，从而有()E =Y X β； （3）Cov(,)0,i j u u i j =≠，随机误差无序列相关； （4）解释变量是确定性变量，与随机误差项不相关： Cov(,)0j ij u X =，1,2i =，1,2,,j n =L （5）自变量之间不存在精确（完全）的线性关系。矩阵X 是列满秩的：rank()3=X 。 （要求样本容量3n >） （6）随机误差的正态性：2(0,)i u u N σ:，1,2,,i n =L 。 2. 异方差性条件下OLS 估计量的统计性质 （1）?β 的无偏性： 模型回归参数012,,βββ 的OLS 估计量为:0 11 2???()?βββ-?? ?''= ? ? ???β=X X X Y 可以证明，即使在异方差性条件下，上述估计量依然满足无偏性：
实验四-异方差性的检验与处理
实验四-异方差性的检验与处理
实验四 异方差性的检验及处理（2学时） 一、实验目的 （1）、掌握异方差检验的基本方法； （2）、掌握异方差的处理方法。 二、实验学时：2学时 三、实验要求 （1）掌握用MATLAB 软件实现异方差的检验和处理； （2）掌握异方差的检验和处理的基本步骤。 四、实验原理 1、异方差检验的常用方法 (1) 用X-Y 的散点图进行判断 (2). 22 ?(,)(,)e x e y %%或的图形 ,),x )i i y %%i i （(e 或(e 的图形）
(3) 等级相关系数法（又称Spearman 检验） 是一种应用较广的方法，既可以用于大样本，也可与小样本。 :i u 0原假设H 是等方差的；:i u 0备择假设H 是异方差； 检验的三个步骤 ① ?t t y y =-%i e ② |i x %%i i 将e 取绝对值，并把|e 和按递增或递减次序排序， 计算Spearman 系数rs ,其中：2 1n i i d =∑s 2 6r =1-n(n -1) |i x %i i 其中， n 为样本容量d 为|e 和的等级的差数。 ③ 做等级相关系数的显著性检验。n>8时， 22(2) 1s s n t t n r -= --0当H 成立时， /2(2),t t n α≤-若认为异方差性问题不存在； /2(2),t t n α>-反之，若||i i e x %说明与之间存在系统关系， 异方差问题存在。
(4) 帕克(Park)检验 帕克检验常用的函数形式： 若α在统计上是显著的，表明存在异方差性。 2、异方差性的处理方法: 加权最小二乘法 如果在检验过程中已经知道：222 ()()()i i i ji u Var u E u f x σσ=== 则将原模型变形为： 121()()()() () i i p pi i ji ji ji ji ji y x x u f x f x f x f x f x βββ=+?++?+L 在该模型中： 22 11 ( )()()()()() i i ji u u ji ji ji Var u Var u f x f x f x f x σσ=== 即满足同方差性。于是可以用OLS 估计其参数，得到关于参数12,,,p βββL 的无偏、有效估计量。 五、实验举例 例1、某地区居民的可支配收入x(千元)与居民消费支出y(千元)的数据如下： No x y no x y 1 10 8 16 25 19.1 2 10 8.2 17 25 23.5 3 10 8.3 18 25 22. 4 4 10 8.1 19 2 5 23.1 5 10 8.7 20 25 15.1 6 15 12.3 21 30 24.2 7 15 9.4 22 30 16.7 8 15 11.6 23 30 27 9 15 12 24 30 26 10 15 8.9 25 30 22.1 11 20 15 26 35 30.5 12 20 16 27 35 28.7 13 20 12 28 35 31.1 14 20 13 29 35 20 15 20 19.1 30 35 29.9
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 6.0281.3 5.45 75 6.05 81.2 5.83 69 6.33 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。 假设表1中的月销售收入数据满足假设SR1—SR5。即，假设Big Andy 店的月销售收入的期望值是产品价格水平的线性函数，误差项额的均值为零，销售收入的方差和误差项e 的方差相同，随机误差项e 在统计上不相关，且选取的价格的值是非随机的。 这样，在上面的基础之上，建立Big Andy 的食品销售收入（sales ）与食品价格（price ）之间的线性模型方程： e price sales ++=10ββ根据最小二乘估计的思想估计模型参数，（此过程参见附B ）结果如下图： Coefficient Std.Error t-Statistic Prob.C 121.9002 6.52629118.678320.0000PRICE -7.829074 1.142865 -6.850394 0.0000R-squared 0.391301Mean dependent var 77.37467Adjusted R-squared 0.382963 S.D.dependent var 6.488537
计量经济学异方差实验报告二
实验报告2 实验目的：掌握异方差的检验及处理方法。 实验容：检验家庭人均纯收入与家庭生活消费支出可能存在的异方差性。有关数据如下：其中，收入为X，家庭生活消费支出为Y。 地区家庭人均 纯收入 家庭生活 消费支出地区 家庭人均 纯收入 家庭生活 消费支出 北京9439.63 6399.27 湖北3997.48 3090 天津7010.06 3538.31 湖南3904.2 3377.38 河北4293.43 2786.77 广东5624.04 4202.32 山西3665.66 2682.57 广西3224.05 2747.47 3953.1 3256.15 海南3791.37 2556.56 辽宁4773.43 3368.16 重庆3509.29 2526.7 吉林4191.34 3065.44 四川3546.69 2747.27 4132.29 3117.44 贵州2373.99 1913.71 上海10144.62 8844.88 云南2634.09 2637.18 江苏6561.01 4786.15 西藏2788.2 2217.62 浙江8265.15 6801.6 陕西2644.69 2559.59 安徽3556.27 2754.04 甘肃2328.92 2017.21 福建5467.08 4053.47 青海2683.78 2446.5 江西4044.7 2994.49 宁夏3180.84 2528.76 山东4985.34 3621.57 新疆3182.97 2350.58 河南3851.6 2676.41 实验步骤如下： 一、建立有关模型分析异方差检验如下。 方法一、图示法。（两种） （一）、x y 相关分析 从图中可以看出，随着收入的增加，家庭生活消费支出不断的提高，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。 建立模型： 1、从图中可以看出，x y不是简单的线性关系。建立线性回归方程如下， LS Y C X
实验四异方差性的检验与处理
实验四异方差性的检验及处理（2学时）一、实验目的 （1）、掌握异方差检验的基本方法； （2）、掌握异方差的处理方法。 二、实验学时：2学时 三、实验要求 （1）掌握用MATLAB软件实现异方差的检验和处理； （2）掌握异方差的检验和处理的基本步骤。 四、实验原理 1、异方差检验的常用方法 (1) 用X-Y的散点图进行判断 (2). 22? (,)(,) e x e y %% 或的图形,),x) i i y %% i i （(e或(e的图形） (3) 等级相关系数法（又称Spearman检验） 是一种应用较广的方法，既可以用于大样本，也可与小样本。 检验的三个步骤 ① ? t t y y =-% i e
②|i x %%i i 将e 取绝对值，并把|e 和按递增或递减次序排序， 计算Spearman 系数rs ,其中：21n i i d =∑s 26r =1-n(n -1) ③ 做等级相关系数的显着性检验。n>8时， /2(2),t t n α>-反之，若||i i e x %说明与之间存在系统关系，异方差问题存在。 (4) 帕克(Park)检验 帕克检验常用的函数形式： 若?在统计上是显着的，表明存在异方差性。 2、异方差性的处理方法: 加权最小二乘法 如果在检验过程中已经知道：222()()()i i i ji u Var u E u f x σσ=== 则将原模型变形为： 121i i p pi i y x x u βββ=+?+?+L 在 该模型中： 即满足同方差性。于是可以用OLS 估计其参数，得到关于参数 12,,,p βββL 的无偏、有 效估计量。
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（SCAT X 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： X Y *032.0507.187+=∧ ----------（*） (0.17) (2.88) R 2=0.31 s.e.=2850 F=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。
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。