检验异方差性与调整异方差.docx

检验异方差性与调整异方差.docx

《检验异方差性与调整异方差.docx》由会员分享，可在线阅读，更多相关《检验异方差性与调整异方差.docx（10页珍藏版）》请在冰点文库上搜索。

检验异方差性与调整异方差

检验异方差性与调整异方差

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将样本安解释变量排序（SORTX）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。

SMPL110

LSYCX

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。

SMPL1928

LSYCX

图4样本2回归结果

⑷计算F统计量：

＝63769.67/2579.59=24.72，

分别是模型1和模型2的残差平方和。

取

时，查F分布表得

，而

，所以存在异方差性

⒊White检验

⑴建立回归模型：

LSYCX，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\WhiteHeteroskedastcity,检验结果如图6。

图6White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

，由于

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。

⒋Park检验

⑴建立回归模型（结果同图5所示）。

⑵生成新变量序列：

GENRLNE2=log（RESID^2）

GENRLNX=log

⑶建立新残差序列对解释变量的回归模型：

LSLNE2CLNX，回归结果如图7所示。

图7Park检验回归模型

从图7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，即随即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。

⒌Gleiser检验（Gleiser检验与Park检验原理相同）

⑴建立回归模型（结果同图5所示）。

⑵生成新变量序列：

GENRE=ABS（RESID）

⑶分别建立新残差序列（E）对各解释变量（X/X^2/X^（1/2）/X^（－1）/X^（－2）/X^（－1/2））的回归模型：

LSECX，回归结果如图8、9、10、11、12、13所示。

图8

图9

图10

图11

图12

图13

由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。

所以认为存在异方差性。

⑷由F值或

确定异方差类型

Gleiser检验中可以通过F值或

值确定异方差的具体形式。

本例中，图10所示的回归方程F值（

）最大，可以据次来确定异方差的形式。

一、调整异方差性

⒈确定权数变量

根据Park检验生成权数变量：

GENRW1=1/X^1.6743

根据Gleiser检验生成权数变量：

GENRW2=1/X^0.5

另外生成：

GENRW3=1/ABS（RESID）

GENRW4=1/RESID^2

⒉利用加权最小二乘法估计模型

在Eviews命令窗口中依次键入命令：

LS（W=

）YCX

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、W2、W3、W4，回归结果图14、15、16、17所示。

图14

图15

图16

图17

⒊对所估计的模型再进行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，其结果分别对应图14、15、16、17的回归模型（如图18、19、20、21所示）。

图18、19、21所对应的White检验显示，P值较大，所以接收不存在异方差的原假设，即认为已经消除了回归模型的异方差性。

图20对应的White检验没有显示F值和

的值，这表示异方差性已经得到很好的解决。

图18

图19

图20

图21