计量经济学异方差.docx

计量经济学异方差.docx

《计量经济学异方差.docx》由会员分享，可在线阅读，更多相关《计量经济学异方差.docx（11页珍藏版）》请在冰点文库上搜索。

计量经济学异方差

《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：

其中

表示销售利润，

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\SimpleScatter,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/EstimateEquation，进入EquationSpecification窗口，键入“ycx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

对

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\SimpleScatter，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

随

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（SORTX）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。

SMPL110

LSYCX

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

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。

SMPL1928

LSYCX

图6样本2回归结果

由图6可以看出，样本的估计结果为

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：

LSYCX，回归结果如图7。

图7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8。

图8White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。

5.异方差性的修正

（1）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

（2）利用加权最小二乘法估计模型：

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9、10、11、12所示。

图9权数为W1时的回归模型

图10权数为W2时的回归模型

图11权数为W3时的回归模型

图12权数为W4时的回归模型

（3）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9、10、11、12的回归模型（如图13、14、15、16所示）。

图13、14、16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15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13White检验的回归模型

图14White检验的回归模型

图15White检验的回归模型（异方差得到解决）

图16White检验的回归模型

6.实验结果

（1）我国主要制造工业销售收入与销售利润的函数为

（2）分别通过图形法、Goldfeld-Quant检验、White方法检验出该模型存在递增的异方差性。

（3）通过对异方差性的调整，模型中的异方差性已经得到了很好的解决：

调整后的模型为

。

6、实训报告评价与成绩