EViews计量经济学实验报告异方差的诊断及修正参考模板.docx
《EViews计量经济学实验报告异方差的诊断及修正参考模板.docx》由会员分享，可在线阅读，更多相关《EViews计量经济学实验报告异方差的诊断及修正参考模板.docx（19页珍藏版）》请在冰点文库上搜索。
EViews计量经济学实验报告异方差的诊断及修正参考模板
时间 地点
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：
=
+
+
其中，
表示销售利润，
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）
行业名称
销售利润Y
销售收入X
食品加工业
187.25
3180.44
食品制造业
111.42
1119.88
饮料制造业
205.42
1489.89
烟草加工业
183.87
1328.59
纺织业
316.79
3862.9
服装制造业
157.7
1779.1
皮革羽绒制品
81.73
1081.77
木材加工业
35.67
443.74
家具制造业
31.06
226.78
造纸及纸制品
134.4
1124.94
印刷业
90.12
499.83
文教体育用品
54.4
504.44
石油加工业
194.45
2363.8
化学原料制品
502.61
4195.22
医药制造业
238.71
1264.1
化学纤维制造
81.57
779.46
橡胶制品业
77.84
692.08
塑料制品业
144.34
1345
非金属矿制业
339.26
2866.14
黑色金属冶炼
367.47
3868.28
有色金属冶炼
144.29
1535.16
金属制品业
201.42
1948.12
普通机械制造
354.69
2351.68
专用设备制造
238.16
1714.73
交通运输设备
511.94
4011.53
电子机械制造
409.83
3286.15
电子通信设备
508.15
4499.19
仪器仪表设备
72.46
663.68
（二）参数估计
1、双击“Eviews”，进入主页。
输入数据：
点击主菜单中的File/Open/EVWorkfile—Excel—异方差数据2.xls；
2、在EV主页界面的窗口，输入“lsycx”，按“Enter”。
出现OLS回归结果,如图2：
估计样本回归函数
DependentVariable:
Y
Method:
LeastSquares
Date:
10/19/05Time:
15:
27
Sample:
128
Includedobservations:
28
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
12.03564
19.51779
0.616650
0.5428
X
0.104393
0.008441
12.36670
0.0000
R-squared
0.854696
Meandependentvar
213.4650
AdjustedR-squared
0.849107
S.D.dependentvar
146.4895
S.E.ofregression
56.90368
Akaikeinfocriterion
10.98935
Sumsquaredresid
84188.74
Schwarzcriterion
11.08450
Loglikelihood
-151.8508
F-statistic
152.9353
Durbin-Watsonstat
1.212795
Prob（F-statistic）
0.000000
估计结果为：
=12.03564+0.104393
（19.51779）（0.008441）
t=（0.616650）（12.36670）
=0.854696
=0.849107S.E.=56.89947DW=1.212859F=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。
=0.854696,拟合程度较好。
在给定
=0.0时，t=12.36670>
=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>
=4.23,表明方程整体显著。
（三）检验模型的异方差
※
（一）图形法
1、在“Workfile”页面：
选中x,y序列，点击鼠标右键，点击Open—asGroup—Yes
2、在“Group”页面：
点击View－Graph—Scatter—SimpleScatter,得到X,Y的散点图（图3所示）：
3、在“Workfile”页面：
点击Generate，输入“e2=resid^2”—OK
4、选中x,e2序列，点击鼠标右键，Open—asGroup—Yes
5、在“Group”页面：
点击View－Graph—Scatter—SimpleScatter,得到X,e2的散点图（图4所示）：
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
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
随
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
1、在“Equation”页面：
点击View－ResidualTests—White检验（nocross）,（本例为一元函数，没有交叉乘积项）得到检验结果，如图5：
White检验结果
WhiteHeteroskedasticityTest:
F-statistic
3.607218
Probability
0.042036
Obs*R-squared
6.270612
Probability
0.043486
TestEquation:
DependentVariable:
RESID^2
Method:
LeastSquares
Date:
10/19/05Time:
15:
29
Sample:
128
Includedobservations:
28
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-3279.779
2857.117
-1.147933
0.2619
X
5.670634
3.109363
1.823728
0.0802
X^2
-0.000871
0.000653
-1.334000
0.1942
R-squared
0.223950
Meandependentvar
3006.741
AdjustedR-squared
0.161866
S.D.dependentvar
5144.470
S.E.ofregression
4709.744
Akaikeinfocriterion
19.85361
Sumsquaredresid
5.55E+08
Schwarzcriterion
19.99635
Loglikelihood
-274.9506
F-statistic
3.607218
Durbin-Watsonstat
1.479908
Prob（F-statistic）
0.042036
2、因为本例为一元函数，没有交叉乘积项，则辅助函数为
=
+
+
+
从上表可以看出，n
=6.270612，有White检验知，在
=0,05下，查
分布表，得临界值
（2）=5.99147。
比较计算的
统计量与临界值，因为n
=6.270612>
（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
=1/
，
=1/
，
=1/
。
1、在“Workfile”页面：
点击“Generate”，输入“w1=1/x”—OK；同样的输入“w2=1/x^2”
“w3=1/sqr（x）”；
2、在“Equation”页面：
点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w1”,出现如图6：
用权数
的结果
DependentVariable:
Y
Method:
LeastSquares
Date:
10/22/10Time:
00:
13
Sample:
128
Includedobservations:
28
Weightingseries:
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
WeightedStatistics
R-squared
0.032543
Meandependentvar
123.4060
AdjustedR-squared
-0.004667
S.D.dependentvar
31.99659
S.E.ofregression
32.07117
Akaikeinfocriterion
9.842541
Sumsquaredresid
26742.56
Schwarzcriterion
9.937699
Loglikelihood
-135.7956
F-statistic
177.3515
Durbin-Watsonstat
1.465148
Prob（F-statistic）
0.000000
UnweightedStatistics
R-squared
0.853095
Meandependentvar
213.4650
AdjustedR-squared
0.847445
S.D.dependentvar
146.4895
S.E.ofregression
57.21632
Sumsquaredresid
85116.40
Durbin-Watsonstat
1.261469
3、在“Equation”页面：
点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w2”,出现如图7：
用权数
的结果
DependentVariable:
Y
Method:
LeastSquares
Date:
10/22/10Time:
00:
16
Sample:
128
Includedobservations:
28
Weightingseries:
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
WeightedStatistics
R-squared
0.922715
Meandependentvar
67.92129
AdjustedR-squared
0.919743
S.D.dependentvar
75.51929
S.E.ofregression
21.39439
Akaikeinfocriterion
9.032884
Sumsquaredresid
11900.72
Schwarzcriterion
9.128041
Loglikelihood
-124.4604
F-statistic
94.58068
Durbin-Watsonstat
1.905670
Prob（F-statistic）
0.000000
UnweightedStatistics
R-squared
0.854182
Meandependentvar
213.4650
AdjustedR-squared
0.848573
S.D.dependentvar
146.4895
S.E.ofregression
57.00434
Sumsquaredresid
84486.88
Durbin-Watsonstat
1.242212
4、在“Equation”页面：
点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w3”,出现如图8：
用权数
的结果
DependentVariable:
Y
Method:
LeastSquares
Date:
10/22/10Time:
00:
17
Sample:
128
Includedobservations:
28
Weightingseries:
W3
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
8.640341
11.18733
0.772333
0.4469
X
0.106153
0.007746
13.70473
0.0000
WeightedStatistics
R-squared
0.611552
Meandependentvar
165.8420
AdjustedR-squared
0.596612
S.D.dependentvar
67.13044
S.E.ofregression
42.63646
Akaikeinfocriterion
10.41205
Sumsquaredresid
47264.56
Schwarzcriterion
10.50720
Loglikelihood
-143.7686
F-statistic
187.8197
Durbin-Watsonstat
1.275429
Prob（F-statistic）
0.000000
UnweightedStatistics
R-squared
0.854453
Meandependentvar
213.4650
AdjustedR-squared
0.848855
S.D.dependentvar
146.4895
S.E.ofregression
56.95121
Sumsquaredresid
84329.44
Durbin-Watsonstat
1.233545
经估计检验，发现用权数
，
的结果，其可决系数反而减小；只有用权数
的效果最好，可决系数增大。
用权数
的结果
DependentVariable:
Y
Method:
LeastSquares
Date:
10/22/10Time:
00:
16
Sample:
128
Includedobservations:
28
Weightingseries:
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
WeightedStatistics
R-squared
0.922715
Meandependentvar
67.92129
AdjustedR-squared
0.919743
S.D.dependentvar
75.51929
S.E.ofregression
21.39439
Akaikeinfocriterion
9.032884
Sumsquaredresid
11900.72
Schwarzcriterion
9.128041
Loglikelihood
-124.4604
F-statistic
94.58068
Durbin-Watsonstat
1.905670
Prob（F-statistic）
0.000000
UnweightedStatistics
R-squared
0.854182
Meandependentvar
213.4650
AdjustedR-squared
0.848573
S.D.dependentvar
146.4895
S.E.ofregression
57.00434
Sumsquaredresid
84486.88
Durbin-Watsonstat
1.242212
用权数
的估计结果为：
=6.496703+0.106892
（1.863374）（9.725260）
=0.922715DW=1.905670F=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
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
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
随
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
=6.270612>
（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。
2、用加权最小二乘法修正异方差：
发现用权数
的效果最好，则估计结果为：
=6.496703+0.106892
（1.863374）（9.725260）
=0.922715DW=1.905670F=94.58068
括号中的数据为t统计量值。
由上可以看出，
=0.922715,拟合程度较好。
在给定
=0.0时，t=9.725260>
=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=94.58068>
=4.23,表明方程整体显著。
运用加权最小二乘法后，参数
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。
3、再用White检验修正后的模型是否还存在异方差：
White检验结果
WhiteHeteroskedasticityTest:
F-statistic
3.144597
Probability
0.060509
Obs*R-squared
5.628058
Probability
0.059963
TestEquation:
DependentVa
升级会员 