管理统计学_异方差、自相关、多重共线性的检验
实验名称：多元回归模型的异方差、自相关性、多重共线性检验
【实验内容】
表4-7给出了我国1995-2007年名义服务产业产出（Y）、服务员就业人数（X1）、软件外包服务收入（X2）和技术进步知识（X3）的数据。试完成：
表4-7 我国1995-2007年名义服务业产出、服务员就业人数、软件外包服务收入和技术进步指数的数据
(1)根据表4-7的数据建立多元回归模型，并进行估计。
(2)用White检验法对回归模型的随机干扰项进行异方差检验。
(3)用LM检验法回归模型的随机干扰项进行自相关检验。
(4)根据回归方程的结果判断各项系数是否通过了t检验，方程是否通过了F检验。
【实验步骤】
（一）参数估计：
打开EViews软件，输入数据，估计样本回归方程（操作方法同第二章案例的建立工作文件部分）如下图：
根据上图，模型的估计的回归方程为：
Y=-76769.99+6.0453X1+1631.505X2-6206.783X3 （0.199） (2.235) (31.487) (17.770)
998.02=R 181.1617=F 括号内为t 统计量值。
（二）检验异方差性： （1）图形检验分析：
1. 散点图：在EViews 命令窗口中输入：SCAT X1 Y ，得到名义服务业产出（Y ）和服务员就业人数(X1)的散点图。
从图中可以看出，随着名义服务业产出（Y ）的增加，服务员就业人数(X1)也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。
同样地，也用散点图法检验X2,得到下图：
从图中可以看出，随着名义服务业产出（Y ）的增加，软件外包服务收入（X2）也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。
检验X3得到下图：
从图中可以看出，随着名义服务业产出（Y）的增加，技术进步指数也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。
2、残差检验法：
在命令窗口输入：line resid，得到如下图的模型残差分布图
上图显示回归方程的残差分布有明显的缩小的趋势，即表明不存在异方差性。
3、White检验法：
(1)建立回归模型：ls y c x1 x2 x3,回归结果如最上面的图所示，
(2) 在方程窗口上以此点击View\Residual\Test\White Heteroskedastcity,检验结果如下图：
其中F 值为辅助回归模型的F 统计量值。取显著水平
05
.0=α，由于
9073.116.919)9(20.052=>=nR χ,所以不存在异方差性。实际应用中可以直接观察相伴概率p 值的大小，在显著水平05.0=α的条件下，若p 值小于0.05，则认为存在异方差性。
反之，则认为不存在异方差性。 4、Park 检验：
1. 建立回归模型。
2. 生成新变量序列残差平方的对数：在命令窗口分别输入GENR LNE2=log(RESID^2)。
3. 建立新残差序列对解释变量的回归模型：LS LNE2 C X1 X2 X3，回归结果如图3-10所示。
从上图所示的回归结果中的p 值可以直接看出，X 的系数估计值在显著水平05.0=α的条件下，显著为0，即随机干扰项的方差与解释变量不存在较强的相关关系，即认为不存在异方差性。由于Gleiser 检验与Park 检验原理相同，在此略去。
三、自相关性检验：
模型的估计的回归方程为：
Y=-76769.99+6.0453X1+1631.505X2-6206.783X3 se=(6477.589) (0.290) (149.751) (2744.556) t = （0.199） (2.235) (31.487) (17.770)
998.02=R 181.1617=F DW=1.6205 （一）DW 检验
由于样本容量小于15，所以该检验法不适合使用。 （二）BG 检验
在方程窗口中点击View/Residual Test/Serial Correlation LM Test ，选择滞后期为2，输出结果如下图。
可得16.919)9(11534.0008872.0*1305.022=<==χnR ，相伴概率（即p 值）为0.5618，因此在显著性水平0.05α=的条件下，接受无自相关的原假设，即随机干扰项不存在自相关。
（4）模型检验： 1、经济意义检验：
模型估计结果说明，在假定其他变量不变的情况下，当服务就业人数每增长1万人，名义服务业产出就会增加6.0453亿美元；在假定其他变量不变的情况下，当软件外包服务收入每增长1亿美元，国债发行总量就会增加1631.505亿美元；在假定其他变量不变的情况下，当技术进步指数每增长1，国债发行总量就会增加-6206.783亿美元；服务就业人数、软件外包服务收入与名义服务业产出均为正相关，这与理论分析及经验判断相一致。但技术进步指数与名义服务业产出为负相关，这与理论分析及经验判断不一致。说明该模型可能存在多重共线性。 2、t 检验： 分别针对
0H ：
)3,2,1(0==j j β，给定显著性水平α=0.05，查t 分布表得自由度为13-3-1=9，
临界值2622.2)9(025.0=t 。
)
3,2,1(==j t j 对应的t 统计量分别为2.435、31.487、17.770。,
其绝对值均大于临界值2.2622，所以均通过了显著性检验。
3、F 检验：
针对
0H :0321===βββ,给定显著性水平05.0=α，在F 分布表中查出自由度为3和9
的临界值68.3)9,3(05.0=F 。由于F=1617.181>3.86，应拒绝原假设
0H ，
说明回归方程显著，
即服务员就业人数（X1）、软件外包服务收入(X2)、技术进步指数(X3)对名义服务业产出有显著影响。
（5）多重共线性检验： 计算各解释变量的系数，选择X1,X2,X3的数据，点“View/covariance analysis ”,勾选correlation 得相关系数矩阵，如下图所示：
由相关系数矩阵可以看出，个解释变量之间存在较高的相关系数，由此证实存在较严重的多重共线性。
（6）多重共线性的修正：
①采用逐步回归的办法，去检验和解决多重共线性问题。分别作Y 对X1、X2、X3的一元回
按2
R 的大小排序为：X1、X2、X3。
②以X1为基础，顺次加入其他变量逐步回归。首先加入X2回归结果为：
Y=-84355.98+6.112X1+1408.58X2 t=(-12.81) (17.82) (10.52) R=0.997 F=1716.85
X2的系数为正，合理，而且Prob=0,显著，所以予以保留。 ③加入X3，以X1,X2，X3作为解释变量，得到回归结果为：
Y=-76769.99+6.0453X1+1631.505X2-6206.783X3 t = （0.199） (2.235) (31.487) (17.770)
998.02=R 181.1617=F
可以发现X3的系数估计值为负，不合理，予以剔除。
那么，消除共线性后的最终模型为：
Y=-84355.98+6.112X1+1408.58X2
t=(-12.81) (17.82) (10.52)
R=0.997 F=1716.85
最后，从此模型中可以看出，服务员就业人数和软件外包服务收入对服务业产出有显著影响。
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1 LS Y C X 求出子样本1的回归平方和RSS1 SMPL 17 26 确定子样本2 LS 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。第四步，最后定义两个新变量，即X2=X-B*X1，Y2=Y-B*X2，最后做X2和Y2的回归，这样广义差分就完成了。但是这仅仅只是一次广义差分，观察X2和Y2的回归分析表，如果DW值仍然显示有自相关，则还要做一次差分，即重复上述步骤即可。 一般来说，广义差分最多做2次就行了。。。 本文来自: 人大经济论坛SPSS专版版，详细出处参考：https://www.360docs.net/doc/6017184546.html,/forum.php?mod=viewthread&tid=289529&page=1
计量经济学异方差的检验与修正
《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： 12i i i Y X u ββ=++ 其中i Y 表示销售利润，i X 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
用SPSS进行单因素方差分析报告和多重比较
SPSS——单因素方差分析 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure 过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数
3 40 35 35 38 34 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。 。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口
3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。 图1-3 “Contrasts”对话框 定义多项式的步骤为： 均值的多项式比较是包括两个或更多个均值的比较。例如图1-3中显示的是要求计算“1.1×mean1-1×mean2”的值，检验的假设H0：第一组均值的1.
计量经济学多元线性回归、多重共线性、异方差实验报告记录
计量经济学多元线性回归、多重共线性、异方差实验报告记录
————————————————————————————————作者：————————————————————————————————日期：
计量经济学实验报告
多元线性回归、多重共线性、异方差实验报告 一、研究目的和要求： 随着经济的发展，人们生活水平的提高，旅游业已经成为中国社会新的经济增长点。旅游产业是一个关联性很强的综合产业，一次完整的旅游活动包括吃、住、行、游、购、娱六大要素，旅游产业的发展可以直接或者间接推动第三产业、第二产业和第一产业的发展。尤其是假日旅游，有力刺激了居民消费而拉动内需。2012年，我国全年国内旅游人数达到亿人次，同比增长%，国内旅游收入万亿元，同比增长%。旅游业的发展不仅对增加就业和扩大内需起到重要的推动作用，优化产业结构，而且可以增加国家外汇收入，促进国际收支平衡，加强国家、地区间的文化交流。为了研究影响旅游景区收入增长的主要原因，分析旅游收入增长规律，需要建立计量经济模型。 影响旅游业发展的因素很多，但据分析主要因素可能有国内和国际两个方面，因此在进行旅游景区收入分析模型设定时，引入城镇居民可支配收入和旅游外汇收入为解释变量。旅游业很大程度上受其产业本身的发展水平和从业人数影响，固定资产和从业人数体现了旅游产业发展规模的内在影响因素，因此引入旅游景区固定资产和旅游业从业人数作为解释变量。因此选取我国31个省市地区的旅游业相关数据进行定量分析我国旅游业发展的影响因素。 二、模型设定 根据以上的分析，建立以下模型 Y=β 0+β 1 X 1 +β 2 X 2 +β 3 X 3 +β 4 X 4 +Ut 参数说明： Y ——旅游景区营业收入/万元 X 1 ——旅游业从业人员/人 X 2 ——旅游景区固定资产/万元 X 3 ——旅游外汇收入/万美元 X 4 ——城镇居民可支配收入/元
多重共线性回归分析及其实验报告
实验报告 实验题目：多重共线性的研究指导老师： 学生一： 学生二： 实验时间：2011年10月
多重线性回归分析及其实验报告 实验目的：为了更好地了解财政收入构成，需要定量地分析影响财政收入的因素 模型设定及其估计：经分析，影响财政收入的主要因素，农业增加值X1，工业增加值X2，建筑业增加值X3，总人口X4，受灾面积X5.为此设定了如下形式的计量经济模型： Y=β 1+β 2 X1+β 3 X2+β 4 X3+β 5 X4+β 6 X5+u0 其中，Y为财政收入（元），X1农业增加值（元），X2为工业增加值(元)，X3为建筑业增加值（元），X4为总人口（万人），X5为受灾面积（千公顷） 为估计模型参数，收集1978~2007年财政收入及其影响因素数据，如图： 1978~2007年财政收入及其影响因素数据 年份 财政收入CS/亿 元 农业增加值 NZ/亿元 工业增加值 GZ/亿元 建筑业增加 值JZZ/亿元 总人口 TPOP/万 人 受灾面积 SZM/千公顷1978 1132.3 1027.5 1607 138.2 96259 50790 1979 1146.6 1270.2 1769.7 143.8 97542 39370 1980 1159.9 1371.4 1996.5 195.5 98705 44526 1981 1175.8 1559.5 2048.5 207.1 100072 39790 1982 1212.3 1777.4 2162.3 220.7 101654 33130 1983 1367 1978.5 2375.8 270.6 103008 34710 1984 1642.5 2316.1 2789 316.7 104357 31890 1985 2004.6 2564.3 3448.5 417.9 105851 44365 1986 2122 2788.7 3987.5 525.7 107507 47170 1987 2199.4 3233 4565.9 665.8 109300 42090 1988 2357.6 3865.4 5062 810 111026 50870 1989 2664.5 5062 8087.3 794 112704 46991 1990 2937.4 5342.3 10284.5 859.4 114333 38474
试验一异方差的检验与修正-时间序列分析
案例三 ARIMA 模型的建立 一、实验目的 了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。 二、基本概念 所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。 在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。 三、实验内容及要求 1、实验内容： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2）对经过平稳化后的1950年到2007年中国进出口贸易总额数据运用经典B-J 方法论建立合适的ARIMA （,,p d q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测； （3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 打开Eviews 软件，选择“File”菜单中的“New --Workfile”选项，在“Workfile structure type ”栏选择“Dated –regular frequency ”，在“Date specification ”栏中分别选择“Annual ”(年数据) ，分别在起始年输入1950，终止年输入2007，点击ok ，见图3-1，这样就建立了一个工作文件。点击File/Import ，找到相应的Excel 数据集，导入即可。
用SPSS进行单因素方差分析和多重比较
方差分析 方差分析可以用来检验来多个均值之间差异的显著性，可以看成是两样本t检验的扩展。统计学原理中涉及的方差分析主要包括单因素方差分析、两因素无交互作用的方差分析和两因素有交互作用的方差分析三种情况。虽然Excel可以进行这三种类型的方差分析，但对数据有一些限制条件，例如不能有缺失值，在两因素方差分析中各个处理要有相等的重复次数等；功能上也有一些不足，例如不能进行多重比较。而在方差分析方面SPSS的功能特别强大，很多输出结果已经超出了统计学原理的范围。 用SPSS检验数据分布的正态性 方差分析需要以下三个假设条件：（1）、在各个总体中因变量都服从正态分布；（2）、在各个总体中因变量的方差都相等；（3）、各个观测值之间是相互独立的。 在SPSS中我们很方便地对前两个条件进行假设检验。同方差性检验一般与方差分析一起进行，这一小节我们只讨论正态性的检验问题。 [例7.4] 检验生兴趣对考试成绩的影响的例子中各组数据的正态性。 在SPSS中输入数据（或打开数据文件），选择Analyze→Descriptive Statistics→Explore，在Explore对话框中将统计成绩作为因变量，兴趣作为分类变量（Fator），单击Plots按钮，选中“Histogram”复选框和“Normality plots with Test”，单击“Continue”按钮，在单击主对话框中的“OK”，可以得到分类别的描述统计信息。从数据的茎叶图、直方图和箱线图都可以对数据分布的正态性做出判断，由于这些内容前面已经做过讲解，这里就不再进一步说明了。 图7-2 用Expore过程进行正态性检验 top↑
计量经济学多元线性回归、多重共线性、异方差实验报告概要
计量经济学实验报告
多元线性回归、多重共线性、异方差实验报告 一、研究目的和要求： 随着经济的发展，人们生活水平的提高，旅游业已经成为中国社会新的经济增长点。旅游产业是一个关联性很强的综合产业，一次完整的旅游活动包括吃、住、行、游、购、娱六大要素，旅游产业的发展可以直接或者间接推动第三产业、第二产业和第一产业的发展。尤其是假日旅游，有力刺激了居民消费而拉动内需。2012年，我国全年国内旅游人数达到30.0亿人次，同比增长13.6%，国内旅游收入2.3万亿元，同比增长19.1%。旅游业的发展不仅对增加就业和扩大内需起到重要的推动作用，优化产业结构，而且可以增加国家外汇收入，促进国际收支平衡，加强国家、地区间的文化交流。为了研究影响旅游景区收入增长的主要原因，分析旅游收入增长规律，需要建立计量经济模型。 影响旅游业发展的因素很多，但据分析主要因素可能有国内和国际两个方面，因此在进行旅游景区收入分析模型设定时，引入城镇居民可支配收入和旅游外汇收入为解释变量。旅游业很大程度上受其产业本身的发展水平和从业人数影响，固定资产和从业人数体现了旅游产业发展规模的内在影响因素，因此引入旅游景区固定资产和旅游业从业人数作为解释变量。因此选取我国31个省市地区的旅游业相关数据进行定量分析我国旅游业发展的影响因素。 二、模型设定 根据以上的分析，建立以下模型 Y=β 0+β1X 1 +β2X 2 +β 3 X 3 +β 4 X 4 +Ut 参数说明： Y ——旅游景区营业收入/万元 X 1 ——旅游业从业人员/人 X 2 ——旅游景区固定资产/万元 X 3 ——旅游外汇收入/万美元 X 4 ——城镇居民可支配收入/元
计量经济学Eviews多重共线性实验报告
计量经济学E v i e w s多重共线性实验报告 Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT
实验报告课程名称计量经济学 实验项目名称多重共线性 班级与班级代码 专业 任课教师 学号： 姓名： 实验日期： 2014 年 05 月 11日 广东商学院教务处制 姓名实验报告成绩 评语： 指导教师（签名） 年月日 说明：指导教师评分后，实验报告交院（系）办公室保存。 计量经济学实验报告 一、实验目的：掌握多元线性回归模型的估计方法、掌握多重共线性模型的识别和修正。 二、实验要求：应用教材第127页案例做多元线性回归模型，并识别和修正多重共线性。 三、实验原理：普通最小二乘法、简单相关系数检验法、综合判断法、逐步回归法。
四、预备知识：最小二乘法估计的原理、t检验、F检验、2R值。 五、实验步骤 1、选择数据 理论上认为影响能源消费需求总量的因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、能源转换技术等因素。为此，收集了中国能源消费标准煤总量、国民总收入、国内生产总值GDP、工业增加值、建筑业增加值、交通运输邮电业增加值、人均生活电力消费、能源加工转换效率等1985——2007年的统计数据。本题旨在通过建立这些经济变量的线性模型来说明影响能源消费需求总量的原因。主要数据如下： 1985~2007年统计数据
资料来源：《中国统计年鉴》，中国统计出版社2000、2008年版。 为分析Y 与X1、X2、X3、X4、X5、X6、X7之间的关系，做如下折线图： 能源消费Y 在1986到1996年间缓慢增长，在96至98年有短暂的下跌，但是98至02年开始缓慢回升，02年到06年开始快速增长。 国民总收入X1和国内生产总值X2以相同的趋势逐年缓慢增长。 工业增加值X3在1985年-1999年期间一直是缓慢增长，但在2000年出现了急剧下降的现象，2001年又急剧增长，达到下降前的水平，2001年以后开始缓慢增长。建筑业增长值x4、交通运输邮电业增加值x5、人均生活电力消费x6、能源加工转换效率x7数值较低，但都以较平缓的方式增长。 2、设定并估计多元线性回归模型 t t t t t t t u X X X X X Y ++++++=66554433221ββββββ （） 录入数据，得到图。 2.2.1）采用OLS 估计参数 在主界面命令框栏中输入 ls y c x1 x2 x3 x4 x5 x6 x7回车，即可得到参数的估计结果。 由此可见，该模型的可决系数为，修正的可决系数为，模型拟和很好，F 统计量为，回归方程整体上显着。 可是其中的lnX3、lnX4、lnX6对lnY 影响不显着,不仅如此，lnX2、lnX5的参数为负值，在经济意义上不合理。所以这样的回归结果并不理想。 3、多重共线性模型的识别
异方差的检验与修正
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
五、实验过程原始记录(数据、图表、计算等) 一．选择数据 1.建立工作文件并录入数据File\New\workfile, 弹出Workfile create 对话框中选择数据类型。Object\new object\group,按向上的方向键，出现两个obs 后输入数据. 中国地2006年各地区农村居民家庭人均纯收入与消费支出 单位：元 城市 y x1 x2 城市 y x1 x2 5724.5 958.3 7317.2 2732.5 1934.6 1484.8 3341.1 1738.9 4489 3013.3 1342.6 2047 2495.3 1607.1 2194.7 3886 1313.9 3765.9 2253.3 1188.2 1992.7 广西 2413.9 1596.9 1173.6 2772 2560.8 781.1 2232.2 2213.2 1042.3 3066.9 2026.1 2064.3 2205.2 1234.1 1639.7 2700.7 2623.2 1017.9 2395 1405 1597.4 2618.2 2622.9 929.5 1627.1 961.4 1023.2 8006 532 8606.7 2195.6 1570.3 680.2 4135.2 1497.9 4315.3 2002.2 1399.1 1035.9 6057.2 1403.1 5931.7 2181 1070.4 1189.8 2420.9 1472.8 1496.3 1855.5 1167.9 966.2 3591.4 1691.4 3143.4 2179 1274.3 1084.1 2676.6 1609.2 1850.3 2247 1535.7 1224.4 3143.8 1948.2 2420.1 2032.4 2267.4 469.9 2229.3 1844.6 1416.4 二．对数据进行参数估计，得出多元线性回归模型 1.模型设定为εβββ+++=23121i i i X X Y Yi ----人均消费支出 X1--从事农业经营的纯收入 X2--其他来源的纯收入 2.点Quick\estimate equation,在弹出的对话框中输入”Y C X ”，结果如下：
单因素方差分析与多重比较
单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表5-1所示。 表5-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 数据保存在“DATA5-1.SAV”文件中，变量格式如图5-1。 图5-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。 1）准备分析数据
在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图5-1所示。或者打开已存在的数据文件“DATA5-1.SAV”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击 “0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图5-2。 图5-2 单因素方差分析窗口 3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图5-3所示的对话框。该对话框用于设置均值的多项式比较。
计量经济学Eviews多重共线性实验报告
实验报告 课程名称计量经济学 实验项目名称多重共线性 班级与班级代码 专业 任课教师 学号： 姓名： 实验日期： 2014 年 05 月 11日
广东商学院教务处制姓名实验报告成绩 评语： 指导教师（签名）
年月日 说明：指导教师评分后，实验报告交院（系）办公室保存。 计量经济学实验报告 一、实验目的：掌握多元线性回归模型的估计方法、掌握多重共线性模型的识别和修正。 二、实验要求：应用教材第127页案例做多元线性回归模型，并识别和修正多重共线性。 三、实验原理：普通最小二乘法、简单相关系数检验法、综合判断法、逐步回归法。 R值。 四、预备知识：最小二乘法估计的原理、t检验、F检验、2 五、实验步骤 1、选择数据 理论上认为影响能源消费需求总量的因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、能源转换技术等因素。为此，收集了中国能源消费标准煤总量、国民总收入、国内生产总值GDP、工业增加值、建筑业增加值、交通运输邮电业增加值、人均生活电力消费、能源加工转换效率等1985——2007年的统计数据。本题旨在通过建立这些经济变量的线性模型来说明影响能源消费需求总量的原因。主要数据如下： 1985~2007年统计数据
资料来源：《中国统计年鉴》，中国统计出版社2000、2008年版。 为分析Y 与X1、X2、X3、X4、X5、X6、X7之间的关系，做如下折线图： 能源消费Y 在1986到1996年间缓慢增长，在96至98年有短暂的下跌，但是98 至02年开始缓慢回升，02年到06年开始快速增长。 国民总收入X1和国内生产总值X2以相同的趋势逐年缓慢增长。 工业增加值X3在1985年-1999年期间一直是缓慢增长，但在2000年出现了急剧下降的现象，2001年又急剧增长，达到下降前的水平，2001年以后开始缓慢增长。建筑业增长值x4、交通运输邮电业增加值x5、人均生活电力消费x6、能源加工转换效率x7数值较低，但都以较平缓的方式增长。 2、设定并估计多元线性回归模型 t t t t t t t u X X X X X Y ++++++=66554433221ββββββ （2.1） 2.1录入数据，得到图。
实验异方差地检验与修正
实验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 10 LS 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 ⑴建立回归模型：LS Y C X ，回归结果如图3-5。
检验和消除异方差和自相关的报告
消除异方差和自相关的实验报告【实验内容】 通过查询中国统计局的2012年中国统计年鉴及新浪财经数据网，获得1980年--2012年各项指标的数据，如下表所示: 年份Y-出口贸易总额 （亿美元）X-外商直接投资（亿美元） 1980181.19 3.54 1981220.10 3.54 1982223.20 3.54 1983222.309.20 1984261.4014.20 1985273.5019.56 1986309.4022.44 1987394.4023.14 1988475.2031.94 1989525.4033.92 1990620.9134.87 1991719.1043.66 1992849.40110.08 1993917.44275.15 19941210.06337.67 19951487.80375.21 19961510.48417.26 19971827.92452.57 19981837.09454.63 19991949.31403.19
20002492.03407.15 20012660.98468.78 20023255.96527.43 20034382.28535.05 20045933.26606.30 20057619.53603.25 20069689.36630.21 200712177.76747.68 200814306.93923.95 200912016.12900.33 201015779.301057.40 201118986.001160.23 201220489.301116.16【实验步骤——检验并消除异方差】 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
异方差性的检验和补救
异方差性的检验和补救 一、研究目的和要求 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，检验其是否存在异方差，并加以补救。 表1 我国制造工业1998年销售利润与销售收入情况 二、参数估计 EVIEWS 软件估计参数结果如下
Dependent Variable: Y Method: Least Squares Date: 06/01/16 Time: 20:16 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob. C 12.03349 19.51809 0.616530 0.5429 X 0.104394 0.008442 12.36658 0.0000 R-squared 0.854694 Mean dependent var 213.4639 Adjusted R-squared 0.849105 S.D. dependent var 146.4905 S.E. of regression 56.90455 Akaike info criterion 10.98938 Sum squared resid 84191.34 Schwarz criterion 11.08453 Log likelihood -151.8513 Hannan-Quinn criter. 11.01847 F-statistic 152.9322 Durbin-Watson stat 1.212781 Prob(F-statistic) 0.000000 用规范的形式将参数估计和检验结果写下 2?12.033490.104394(19.51809)(0.008442) =(0.616530) (12.36658)0.854694152.9322 i Y X t R F =+ = = 三、 检验模型的异方差 （一） 图形法 1. 相关关系图 X Y X Y 相关关系图
多重共线性案例分析实验报告
《多重共线性案例分析》实验报告
表2 由此可见，该模型，可决系数很高，F 检验值 173.3525,明显显著。但是当时,不仅、 系数的t 检验不显著，而且系数的符号与预期的相反，这表明很可能存在严重的多重共线性。 9954.02=R 9897.02 =R 05.0=α776 .2)610()(025.02=-=-t k n t α2X 6X 6X
②.计算各解释变量的相关系数，选择X2、X3、X4、X5、X6数据，点”view/correlations ”得相关系数矩阵 表3 由关系数矩阵可以看出：各解释变量相互之间的相关系数较高，证实确实存在严重多重共线性相。 4.消除多重共线性 ①采用逐步回归的办法，去检验和解决多重共线性问题。 分别作Y 对X2、X3、X4、X5、X6的一元回归 如下图所示 变量 X2 X3 X4 X5 X6 参数估计值 0.0842 9.0523 11.6673 34.3324 2014.146 t 统计量 8.6659 13.1598 5.1967 6.4675 8.7487 0.9037 0.9558 0.7715 0.8394 0.9054 表4 按的大小排序为：X3、X6、X2、X5、X4。 以X3为基础，顺次加入其他变量逐步回归。首先加入X6回归结果为： t=(2.9086) (0.46214) 2R 2 R 6 31784.285850632.7639.4109?X X Y t ++-=957152.02 =R
1995 1375.7 62900 464.0 61.5 115.70 5.97 1996 1638.4 63900 534.1 70.5 118.58 6.49 1997 2112.7 64400 599.8 145.7 122.64 6.60 1998 2391.2 69450 607.0 197.0 127.85 6.64 1999 2831.9 71900 614.8 249.5 135.17 6.74 2000 3175.5 74400 678.6 226.6 140.27 6.87 2001 3522.4 78400 708.3 212.7 169.80 7.01 2002 3878.4 87800 739.7 209.1 176.52 7.19 2003 3442.3 87000 684.9 200.0 180.98 7.30 表1：1994年—2003年中国游旅收入及相关数据
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
违背基本假设的问题：多重共线性异方差和自相关
第5章、违背基本假设的问题： 多重共线性、异方差和自相关 回顾并再次记住最小二乘法（LS）的三个基本假设： 1.y=Xβ+ε 2.Rank(X)=K 3.ε|X~N(0,σ2I) 1 / 51
§1、多重共线性（multicollinearity） 1、含义及后果 1）完全的多重共线性 如果存在完全的多重共线性（perfect multicollinearity），即在X中存在不完全为0的a i，使得 a1x1+…+a K x K=0 即X的列向量之间存在线性相关。因此，有Rank(X) 3 / 51 4 / 51 2）近似共线性 常见为近似共线性，即 a 1x 1+…+a K x K ≈0 则有|X’X|≈0，那么(X’X)-1对角线元素较大。由于 21|[,(')]b X N X X βσ- ， 21|[,(')]k k kk b X N X X βσ- ， 所以b k 的方差将较大。 例子：Longley 是著名例子。 5 / 51 6 / 51 2、检验方法 1）VIF 法（方差膨胀因子法，variance inflation factor ） 第j 个解释变量的VIF 定义为 2 1 VIF 1j j R = - 此处2j R 是第j 个解释变量对其他解释变量进行回归的确定系数。若2j R 接近于1，那么VIF 数值将较大，说明第j 个解释变量与其他解释变量之间存在线性关系。从而，可以用VIF 来度量多重共线性的严重程度。当 2j R 大于0.9，也就是VIF 大于10时，认为自变量之间存在比较严重的 第四章 多重共线性 一、判断题 1、多重共线性是一种随机误差现象。（F ） 2、多重共线性是总体的特征。（F ） 3、在存在不完全多重共线性的情况下，回归系数的标准差会趋于变小，相应的t 值会趋于变大。（F ） 4、尽管有不完全的多重共线性，OLS 估计量仍然是最优线性无偏估计量。（T ） 5、在高度多重共线的情形中，要评价一个或多个偏回归系数的个别显著性是不可能的。（T ） 6、变量的两两高度相关并不表示高度多重共线性。（F ） 7、如果分析的目的仅仅是预测，则多重共线性一定是无害的。（T ） 8、在多元回归中，根据通常的t 检验，每个参数都是统计上不显著的，你就不会得到一个高的2 R 值。（F ） 9、如果简单相关系数检测法证明多元回归模型的解释变量两两不相关，则可以判断解释变量间不存在多重共线性。（ F ） 10、多重共线性问题的实质是样本问题，因此可以通过增加样本信息得到改善。（T ） 11、虽然多重共线性下，很难精确区分各个解释变量的单独影响，但可据此模型进行预测。（T ） 12、如果回归模型存在严重的多重共线性，可不加分析地去掉某个解释变量从而消除多重共线性。（F ） 13、多重共线性的存在会降低OLS 估计的方差。（F ） 14、随着多重共线性程度的增强，方差膨胀因子以及系数估计误差都在增大。（T ） 15、解释变量和随机误差项相关，是产生多重共线性的原因。（F ） 16、对于模型i ni n i 110i u X X Y ++++=βββ ，n 1i ,, =；如果132X X X -=,模型必然存在解释变量的多重共线性问题。（T ） 17、多重共线性问题是随机扰动项违背古典假定引起的。（F ） 18、存在多重共线性时，模型参数无法估计。（F ） 二、单项选择题 1、在线性回归模型中，若解释变量1X 和2X 的观测值成比例，既有12i i X kX =，其中k 为 非零常数，则表明模型中存在 （ B ） A 、异方差 B 、多重共线性 C 、序列相关 D 、随机解释变量 2、 在多元线性回归模型中，若某个解释变量对其余解释变量的可决系数接近1，则表明模型中存在 （ C ） A 、异方差性 B 、序列相关 2007年 5 月 Journal of Science of Teachers′College and University May 2007 文章编号：1007-9831（2007）03-0027-03 异方差的检验比较和修正 陈晖1, 2 ，杨乃军 3 （1. 山东大学 数学与系统科学学院，山东 济南 250100；2. 烟台职业学院 软件工程学院，山东 烟台 264001； 3. 烟台大学 教务处，山东 烟台 264001） 摘要：异方差是计量经济工作中线性回归模型经常遇到的问题，异方差的存在对线性回归分析有很强的破坏作用．通过对异方差产生的原因和后果进行分析，利用异方差的戈德菲尔特-夸特检验、拉格朗日乘数（LM）检验、怀特检验方法，判断线性回归模型异方差的存在性．通过加权最小二乘法或可行广义最小二乘法进行修正，建立能够真正反映经济规律的经济模型，实现对经济的正确指导作用． 关键词：异方差；戈德菲尔特-夸特检验；拉格朗日乘数（LM）检验；最小二乘法 中图分类号：F222.1 文献标识码 ：A 1 异方差产生的原因 在计量经济学中，建立线性回归模型时需要做一些假设，从而保证所分析的变量关系符合线性回归分析的基本规定性，明确分析对象，保证回归分析的有效性．其中之一要求随机误差项同方差，即2)var(σε=i 不随i 变化，保证扰动因素对被解释变量的影响是简单的、随机的，不构成主要的影响因素．当这条假设不满足，也就是线性回归模型误差项2)var(i i σε=随i 的变化而变化，这时候就产生了异方差，此时称线性回归模型存在异方差或异方差性．如果对应线性回归模型误差项随着i X 或i 的增大而增大，称为“递增异方差”，反之称为“递减异方差”，有时也有先增后减或者先减后增的其他复杂类型的异方差[1-2] ． 模型中异方差产生的原因，根据来源可以归纳为以下几方面原因：（1）模型中省略相关的解释变量； （2）误差随时间变化而变化；（3）模型设定不合理带来异方差；（4）分组数据误差带来异方差． 2 异方差的后果 计量经济模型一旦出现异方差，就会破坏模型假设的基本条件，如果仍然采用普通最小二乘法的估计方法，则会产生如下的不良后果： （1）参数估计量失效：因为在有效性证明中利用了同方差的条件，因此所求的OLS 参数估计值虽然仍具有无偏性，但不再是有效的； （2）变量的显著性检验失效：因为在变量的显著性检验中，构造的t 统计量包含有随机误差项的方差 2u σ，如果出现异方差，则t 检验就失去意义； （3）模型预测失效：这是因为在预测值的置信区间中包含有随机误差项的方差2 u σ，导致预测值的置 信区间加大，降低了预测的精度，使预测失效[3] ． ３ 异方差的检验方法 收稿日期：2006-12-18 作者简介：陈晖（1970-），女，山东青岛人，讲师，在读研究生，从事金融数学研究．E-mail：ch_yt@https://www.360docs.net/doc/6017184546.html,第四章 多重共线性 答案(1)
异方差的检验比较和修正