Eviews数据统计与分析教程
合集下载
Eviews数据统计与分析教程4章图形和统计量分析
Eviews数据统计与分析教程 - 第 四章：图形和统计量分析
目录
• 引言 • 图形分析 • 统计量分析 • Eviews操作实践 • 案例分析 • 总结与展望
01 引言
课程目标
掌握Eviews软件中常用的图形绘制方 法，如折线图、柱状图、饼图等。
理解图形和统计量分析在数据分析和 预测中的应用。
02
深入了解各种统计模型和方法，以便更好地应用 Eviews进行数据分析。
03
学习如何将Eviews与其他数据分析工具（如Excel、 Python等）进行集成，以提高工作效率。
THANKS FOR WATCHING
感谢您的观看
适用场景
注意事项
当你想了解数据分布的形状时，可以使用 偏度和峰度。
偏度和峰度可以帮助你识别异常值和识别 分布的形状特征。
04 Ev量之间的关 系，通过观察散点的分布和 趋势，可以初步判断变量之 间的相关性。
折线图
用于展示时间序列数据的变 化趋势，通过观察折线的走 势，可以了解数据随时间的 变化情况。
03 统计量分析
平均值
01
02
03
平均值
表示数据集的集中趋势， 计算所有数值的和除以数 值的数量。
适用场景
当你想了解数据的中心趋 势时，可以使用平均值。
注意事项
平均值对异常值敏感，异 常值会显著影响平均值的 计算结果。
中位数
中位数
将数据集从小到大排序后，位于中间位置的数 值。
适用场景
当你想了解数据的中等水平时，可以使用中位 数。
柱状图
总结词
比较不同类别数据的大小
详细描述
柱状图通过不同高度的柱子来比较不同类别数据的大小。每个柱子代表一个类别，高度代表该类别的数值。柱状 图可以清晰地展示不同类别之间的数值差异，便于我们进行数据的直观比较。
目录
• 引言 • 图形分析 • 统计量分析 • Eviews操作实践 • 案例分析 • 总结与展望
01 引言
课程目标
掌握Eviews软件中常用的图形绘制方 法，如折线图、柱状图、饼图等。
理解图形和统计量分析在数据分析和 预测中的应用。
02
深入了解各种统计模型和方法，以便更好地应用 Eviews进行数据分析。
03
学习如何将Eviews与其他数据分析工具（如Excel、 Python等）进行集成，以提高工作效率。
THANKS FOR WATCHING
感谢您的观看
适用场景
注意事项
当你想了解数据分布的形状时，可以使用 偏度和峰度。
偏度和峰度可以帮助你识别异常值和识别 分布的形状特征。
04 Ev量之间的关 系，通过观察散点的分布和 趋势，可以初步判断变量之 间的相关性。
折线图
用于展示时间序列数据的变 化趋势，通过观察折线的走 势，可以了解数据随时间的 变化情况。
03 统计量分析
平均值
01
02
03
平均值
表示数据集的集中趋势， 计算所有数值的和除以数 值的数量。
适用场景
当你想了解数据的中心趋 势时，可以使用平均值。
注意事项
平均值对异常值敏感，异 常值会显著影响平均值的 计算结果。
中位数
中位数
将数据集从小到大排序后，位于中间位置的数 值。
适用场景
当你想了解数据的中等水平时，可以使用中位 数。
柱状图
总结词
比较不同类别数据的大小
详细描述
柱状图通过不同高度的柱子来比较不同类别数据的大小。每个柱子代表一个类别，高度代表该类别的数值。柱状 图可以清晰地展示不同类别之间的数值差异，便于我们进行数据的直观比较。
Eviews数据统计与分析教程6章
xjt* = xjt -xjt -1, j = 1 , 2 , … k
(6)
0* = 0 (1 - ) 则yt* = 0*+ 1 x1 t* + 2 x2 t* +… + k xk t* + vt
如果模型不存在异方差和序列相关，则使用广义最小二
乘法等于普通最小二乘法。
EViews统计分析基础教程
f1xEi(μt)2 = σ2
从而，消除了异方差，随机误差项同方差。这时再用普通
最小二乘法（OLS）估计其参数，得到有效的β0，β1估
计量。
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决 消除方法（EViews操作） （1）用最小二乘法（OLS）估计方程，得到残差序列； （2）根据残差序列计算出加权序列； （3）选择EViews主菜单栏中的“Quick”| “Estimate Equation”选项，弹出下图所示的对话框。
在异方差问题。
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
消除方法：
用
1
f xi
乘以一元线性方程的两端，得
1
f xi
1
yt = f xi
β0 +
1
f xi
β1xt
+
f
1
xi
μ t
1
则，Var( f xiμ t) = E(
f1xμit)2 =
EViews统计分析基础教程
四、非线性最小二乘法（NLS）
非线性模型包括可线性化的非线性模型和不可线性化的
非线性模型。可线性化的模型是指该模型可以通过线性
Eviews数据统计与分析教程5章 基本回归模型的OLS估计-普通最小二乘法
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
（2）怀特（White）检验法 检验步骤： 用OLS（最小二乘法）估计回归方程，得到残差e。 作辅助回归模型： 求辅助回归模型的拟合优度R2的值。 White检验的统计量服从χ2分布，即 N·R 2 ～χ2 (k) 其中，N为样本容量，k为自由度，k等于辅助回归模型（） 中解释变量的个数。如果χ2值大于给点显著性水平下对应 的临界值，则可以拒绝原假设，即存在异方差；反之，接 受原假设，即不存在异方差。
EViews统计分析基础教程
二、一元线性回归模型
2.实际值、拟合值和残差
估计方程为
表示的是yt的拟合值， 和 分别是 0 和1的估计量。 实际值指的是回归模型中被解释变量（因变量）y的原始观 测数据。拟合值就是通过回归模型计算出来的yt的预测值。
EViews统计分析基础教程
二、一元线性回归模型
EViews统计分析基础教程
五、 线性回归模型的检验
1.拟合优度检验
总体平方和（ TSS ）反映了样本观测值总体离差的 大小，也被称为离差平方和；残差平方（ RSS ）说 明的是样本观测值与估计值偏离的程度，反映了因 变量总的波动中未被回归模型所解释的部分；回归 平方和（ ESS ）反映了拟合值总体离差大小，这个 拟合值是根据模型解释变量算出来的。
EViews统计分析基础教程
三、 多元线性回归模型
在多元线性回归模型中，要求解释变量x1，x2，…，xk之 间互不相关，即该模型不存在多重共线性问题。如果有 两个变量完全相关，就出现了完全多重共线性，这时参 数是不可识别的，模型无法估计。
EViews统计分析基础教程
三、 多元线性回归模型
Eviews数据统计与分析教程12章
一、Panel Data模型原理
分类：
通常情况下，可将面板数据模型分为三类：
变截距模型：当模型中系数向量 i t相同即均为 ，而截距 项 i t是不同时，那么应建立变截距模型； 变系数模型：当模型中系数向量 i t和截距项 i t均发生变 化时，那么应建立变系数模型； 截距和系数均不变的模型：当模型中系数向量 i t和截距项
EViews统计分析基础教程
二、Pool对象的根本操作
对象数据的输入
〔1〕堆积数据 在含有Pool对象的工作文件中，翻开Pool对象，单击其工具 栏中的“View〞|“Spreadsheet〔stacked data〕…〞选项，在 弹出的对话框中输入序列名称。如果是已经存在的序列， EViews会显示出序列中的数据；如果是不存在的序列， EViews会根据Pool对象的截面成员标识名称建立新的序列对 象。在该对话框中输入完序列名称后单击“OK〞按钮，即 可得到图12-3所示的堆积形式的数据表。点击工具栏中的 “Edit+/-〞键可对数据进行编辑，用户可用手动方式逐个进 行输入，也可以通过“复制粘帖〞方式输入。
EViews统计分析基础教程
本章小结： 了解面板数据模型的根本原理 掌握Pool对象的建立方法 掌握Pool对象的数据输入方法
EViews统计分析基础教程
二、Pool对象的根本操作
对象的建立
在建立好的工作文件中创立Pool对象。选择工作文件工具栏 中的“Object〞|“New Object〞选项，在翻开的对话框中选择 “Pool〞选项，将弹出图12-1所示的Pool对象窗口。单击该 窗口工具栏中的“Name〞功能键可为该Pool对象命名。系 统默认的名称为“pool01〞“pool02〞等。
EViews统计分析基础教程
分类：
通常情况下，可将面板数据模型分为三类：
变截距模型：当模型中系数向量 i t相同即均为 ，而截距 项 i t是不同时，那么应建立变截距模型； 变系数模型：当模型中系数向量 i t和截距项 i t均发生变 化时，那么应建立变系数模型； 截距和系数均不变的模型：当模型中系数向量 i t和截距项
EViews统计分析基础教程
二、Pool对象的根本操作
对象数据的输入
〔1〕堆积数据 在含有Pool对象的工作文件中，翻开Pool对象，单击其工具 栏中的“View〞|“Spreadsheet〔stacked data〕…〞选项，在 弹出的对话框中输入序列名称。如果是已经存在的序列， EViews会显示出序列中的数据；如果是不存在的序列， EViews会根据Pool对象的截面成员标识名称建立新的序列对 象。在该对话框中输入完序列名称后单击“OK〞按钮，即 可得到图12-3所示的堆积形式的数据表。点击工具栏中的 “Edit+/-〞键可对数据进行编辑，用户可用手动方式逐个进 行输入，也可以通过“复制粘帖〞方式输入。
EViews统计分析基础教程
本章小结： 了解面板数据模型的根本原理 掌握Pool对象的建立方法 掌握Pool对象的数据输入方法
EViews统计分析基础教程
二、Pool对象的根本操作
对象的建立
在建立好的工作文件中创立Pool对象。选择工作文件工具栏 中的“Object〞|“New Object〞选项，在翻开的对话框中选择 “Pool〞选项，将弹出图12-1所示的Pool对象窗口。单击该 窗口工具栏中的“Name〞功能键可为该Pool对象命名。系 统默认的名称为“pool01〞“pool02〞等。
EViews统计分析基础教程
Eviews数据统计与分析教程15章
一、EViews命令基础
3.模型基础命令
联立方程模型的命令： 建立模型对象的命令为 model [模型对象的名称] 此时建立的是一个空的模型对象，里面不包含任何方程对象 和系统对象。 建立包含已估计的联立方程系统对象的模型，该模型可以用 来预测和模拟，其操作命令为 [系统对象的名称].makemodel
函数@val为将字符型变量转化为数值型变量。 %ss=“10.65” !tt=@val(%ss) 即创建一个控制变量!tt=10.65。当字符串变量的首字符非数 值型字符时，@val将返回空值，从第一个不是0的字符到最 后所有的字符均将被忽略。例如， @data=“06/22/2009” scalar day=@val(@mid(%data,4,2)) scalar year=@val(@data) 则得到的标量对象day=22，month=6。
EViews统计分析基础教程
三、EViews控制程序语句
2. FOR循环语句
（2）带有字符串变量的FOR循环 对字符串变量进行重复赋值时，需在字符串变量名称后面列 出需取值的变量，例如， for %z m n r x equation {%z}trend.ls %z c {%z}(-1) time next 在该程序中，估计了名为mtrend、ntrend、rtrend、xtrend四 个方程。
EViews统计分析基础教程
三、EViews控制程序语句
EViews统计分析基础教程
二、程序变量
4.程序中的形式参数
用命令来执行该程序，使得%1=“m”，%2=“ex”，则应输入 的命令为 run pr01 m ex 程序通过执行命令“eq01.ls %1 c %2 %2(-1) time”对应变量m 和自变量c、ex、ex(-1)和time做回归。
Eviews数据统计与分析教程2章
EViews统计分析基础教程
二、基本对象
2.对象的视图 视图是一系列图表，它提供了观察和分析对象内容的 多种方法。除标量对象外，其他对象都有各自的视图。 对象的视图显示在相应的对象窗口中，一次只能打开 一个对象视图。对象视图的改变并不影响对象中的数 据，当数据更改后，相应的对象视图也将发生变化。 通过对象窗口工具栏中的“Freeze”选项可以冻结对象 视图 。 通过对象窗口工具栏中的“View”或主菜单中的“View” 功能键中的选项可在对象不同的视图间进行切换。
EViews统计分析窗口
作文件中的第二栏为工具栏，包括“View”、“Proc”、 “Object”等具有不同功能的选项。每个选项都有一个下 拉菜单，包含各种操作中所使用的功能。
工具栏
EViews统计分析基础教程
一、工作文件
2.工作文件窗口
新建立的工作文件窗口只包含两个对象，一个是 “ resid”（残差），一个是“ c”（系数向量）， 新建立的这两个对象的取值分别为“0”和“NA”（空值）。 残差（resid）和系数向量（c）前面的符号为该对象的 图标，不同类型的对象均有各自不同的类型图标 。
EViews统计分析基础教程
一、工作文件
4.工作文件的功能键
工作文件的工具栏包括了EViews操作中所常用的12个功能 键。 （1）View（视图） 该功能键包括对象操作的内容，通过此键可以方便地进行 对象的操作。 （2）Proc（过程） 对当前页面进行操作，如复制、保存、删除和重命名等。 此外，工作文件中的“Proc” | “Set Sample”选项表示对 样本的设置，与主菜单中的“Quick”|“Sample”作用相同。
EViews统计分析基础教程
一、工作文件
Eviews数据统计与分析教程5章 基本回归模型OLS估计-普通最小二乘法
2.方程对象
选择工作文件窗口工具栏中的“Object”| “New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
2.方程对象
EViews5.1提供了8种估计方法： “LS”为最小二乘法； “TSLS”为两阶段最小二乘法； “GMM”为广义矩法； “ARCH”为自回归条件异方差； “BINARY”为二元选择模型，其中包括Logit模型、Probit 模型和极端值模型； “ORDERED”为有序选择模型； “CENSORED”截取回归模型； “COUNT”为计数模型。
五、 线性回归模型的检验
3.异方差性检验
异方差性的后果 ：
当模型出现异方差性时，用OLS（最小二乘估计法）得到的 估计参数将不再有效；变量的显著性检验（t检验）失去意 义；模型不再具有良好的统计性质，并且模型失去了预测 功能。
EViews统计分析基础教程
五、 线性回归模型的检验
4.序列相关检验
方法：
EViews统计分析基础教程
四、 线性回归模型的基本假定
线性回归模型必须满足以下几个基本假定：
假定1：随机误差项u具有0均值和同方差，即 E ( ui ) = 0 i=1，2，…，n Var ( ui ) = σ2 i=1，2，…，n 其中，E表示均值，也称为期望，在这里随机误差项u的 均值为0。Var表示随机误差项u的方差，对于每一个样本 点i，即在i=1，2，…，n的每一个数值上，解释变量y对 被解释变量x的条件分布具有相同的方差。当这一假定条 件不成立是，称该回归模型存在异方差问题。
EViews统计分析基础教程
四、 线性回归模型的基本假定
选择工作文件窗口工具栏中的“Object”| “New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
2.方程对象
EViews5.1提供了8种估计方法： “LS”为最小二乘法； “TSLS”为两阶段最小二乘法； “GMM”为广义矩法； “ARCH”为自回归条件异方差； “BINARY”为二元选择模型，其中包括Logit模型、Probit 模型和极端值模型； “ORDERED”为有序选择模型； “CENSORED”截取回归模型； “COUNT”为计数模型。
五、 线性回归模型的检验
3.异方差性检验
异方差性的后果 ：
当模型出现异方差性时，用OLS（最小二乘估计法）得到的 估计参数将不再有效；变量的显著性检验（t检验）失去意 义；模型不再具有良好的统计性质，并且模型失去了预测 功能。
EViews统计分析基础教程
五、 线性回归模型的检验
4.序列相关检验
方法：
EViews统计分析基础教程
四、 线性回归模型的基本假定
线性回归模型必须满足以下几个基本假定：
假定1：随机误差项u具有0均值和同方差，即 E ( ui ) = 0 i=1，2，…，n Var ( ui ) = σ2 i=1，2，…，n 其中，E表示均值，也称为期望，在这里随机误差项u的 均值为0。Var表示随机误差项u的方差，对于每一个样本 点i，即在i=1，2，…，n的每一个数值上，解释变量y对 被解释变量x的条件分布具有相同的方差。当这一假定条 件不成立是，称该回归模型存在异方差问题。
EViews统计分析基础教程
四、 线性回归模型的基本假定
Eviews操作入门输入数据-对数据进行描述统计和画图【可编辑全文】
可编辑修改精选全文完整版Eviews操作入门：输入数据，对数据进行描述统计和画图首先是打开Eviews软件，可以双击桌面上的图标，或者从windows开始菜单中寻找Eviews，打开Eviews后，可以看到下面的窗口如图F1-1。
图F1-1 Eviews窗口关于Eviews的操作可以点击F1-1的Help，进行自学。
打开Eviews后，第一项任务就是建立一个新Workfile或者打开一个已有的Workfile，单击File，然后光标放在New上，最后单击Workfile。
如图F1-2图F1-2图F1-2左上角点击向下的三角可以选则数据类型，如同F1-3。
数据类型分三类截面数据，时间序列数据和面板数据。
图F1-3图F1-2右上角可以选中时间序列数据的频率，见图F1-4。
图F1-4对话框中选择数据的频率：年、半年、季度、月度、周、天（5天一周或7天1周）或日内数据（用integer data）来表示。
对时间序列数据选择一个频率，填写开始日期和结束日期，日期格式：年：1997季度：1997：1月度：1997：01周和日：8：10：1997表示1997年8月10号，美式表达日期法。
8：10：1997表示1997年10月8号，欧式表达日期法。
如何选择欧式和美式日期格式呢？从Eviews窗口点击Options再点击dates and Frequency conversion，得到窗口F1-5。
F1-5的右上角可以选择日期格式。
图F1-5假设建立一个月度数据的workfile，填写完后点OK，一个新Workfile就建好了。
见图F1-6。
保存该workfile，单击Eviews窗口的save命令，选择保存位置即可。
图F1-6新建立的workfile之后，第二件事就是输入数据。
数据输入有多种方法。
1)直接输入数据，见F1-7在Eviews窗口下，单击Quick，再单击Empty group(edit series)，直接输数值即可。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三、 多元线性回归模型
在多元线性回归模型中，要求解释变量x1，x2，…，xk之 间互不相关，即该模型不存在多重共线性问题。如果有 两个变量完全相关，就出现了完全多重共线性，这时参 数是不可识别的，模型无法估计。
三、 多元线性回归模型
通常情况下，把多元线性回归方程中的常数项看作虚拟 变量的系数，在参数估计过程中该常数项始终取值为1。 因而模型的解释变量个数为k+1.多元回归模型的矩阵形 式为 Y = X + u 其中，Y是因变量观测值的T维列向量；X是所有自变量 （包括虚拟变量）的T个样本点观测值组成的T×（k+1） 的矩阵；是k+1维系数向量；u是T维扰动项向量。
二、一元线性回归模型
1.模型设定
一元线性回归模型的形式为
yi = 0 + 1 xi + ui
（i=1，2，…，n）
其中，y为被解释变量，也被称为因变量；x为解释变量或自 变量；u是随机误差项（random error term），也被称为误 差项或扰动项，它表示除了x之外影响y的因素，即y的变化 中未被x所解释的部分；n为样本个数。
1.拟合优度检验
公式
三者的关系为
TSS = RSS +ESS TSS为总体平方和， RSS为残差平方和， ESS为回归 平方和。
五、 线性回归模型的检验
第5章 基本回归模型的OLS估计
重点内容：
• 普通最小二乘法
• 线性回归模型的估计
• 线性回归模型的检验
一、普通最小二乘法（OLS）
1.最小二乘原理
设（x1，y1），（x2，y2），…，（xn，yn）是平面直角坐标 系下的一组数据，且x1< x2<…< xn，如果这组图像接近于一 条直线，我们可以确定一条直线y = a + bx ，使得这条直 线能反映出该组数据的变化。 如果用不同精度多次观测一个或多个未知量，为了确定各未 知量的可靠值，各观测量必须加改正数，使其各改正数的平 方乘以观测值的权数的总和为最小。因而称最小二乘法。
E（yi|xi）= E（0 +1xi +ui）=0 +1xi
该式被称为总体回归函数。 如果两个或多个解释变量间出现了相关性，则说明该模 型存在多重共线性验
拟合优度检验用来验证回归模型对样本观测值（实 际值）的拟合程度，可通过R2统计量来检验。
五、 线性回归模型的检验
1.最小二乘原理
估计总体回归函数的最优方法是选择B1和B2的估计量b1 ，b2， 使得残差et尽可能达到最小。 用公式表达即为
总之，最小二乘原理就是选择样本回归函数使得y的估计值 与真实值之差的平方和最小。
一、普通最小二乘法（OLS）
2.方程对象
选择工作文件窗口工具栏中的“Object‖| ―New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。
四、 线性回归模型的基本假定
假定2：不同样本点下的随机误差项u之间是不相关的， 即 Cov（ui，uj）=0，i≠j，i，j=1，2，…，n 其中，cov表示协方差。当此假定条件不成立时，则 称该回归模型存在序列相关问题，也称为自相关问题。
四、 线性回归模型的基本假定
假定3：同一个样本点下的随机误差项u与解释变量x之间 不相关，即
Cov（xi，ui）=0
i=1，2，…，n
四、 线性回归模型的基本假定
假定4：随机误差项u服从均值为0、同方差的正态分布， 即 u ～N（0，σ2） 如果回归模型中没有被列出的各因素是独立的随机 变量，则随着这些随机变量个数的增加，随机误差项u服 从正态分布。
四、 线性回归模型的基本假定
假定5：解释变量x1，x2，…，xi是非随机的确定性变量， 并且解释变量间互不相关。则这说明yi的概率分布具有 均值，即
三、多元线性回归模型
通常情况下，将含有多个解释变量的线性回归模型（多 元线性回归模型）写成如下形式， yi = 0 + 1 x1i +2 x2i+3 x3i+…k xki + ui （i=1， 2，…，n） 其中，y为被解释变量，也被称为因变量；x为解释变量 或自变量；u是随机误差项（random error term），也 被称为误差项或扰动项； n为样本个数。
一、普通最小二乘法（OLS）
1.最小二乘原理
设双变量的总体回归方程为 yt= B1 + B2xt +μt 样本回归函数为 yt= b1 + b2xt + et 其中，et为残差项，
5-3式为估计方程，b1 和b2分别为B1和B2的估计量， 因而 e = 实际的yt –估计的yt
一、普通最小二乘法（OLS）
一、普通最小二乘法（OLS）
2.方程对象
EViews5.1提供了8种估计方法： “LS‖为最小二乘法； “TSLS‖为两阶段最小二乘法； “GMM‖为广义矩法； “ARCH‖为自回归条件异方差； “BINARY‖为二元选择模型，其中包括Logit模型、Probit 模型和极端值模型； “ORDERED‖为有序选择模型； “CENSORED‖截取回归模型； “COUNT‖为计数模型。
二、一元线性回归模型
2.实际值、拟合值和残差
估计方程为
表示的是yt的拟合值， 和 分别是 0 和1的估计量。 实际值指的是回归模型中被解释变量（因变量）y的原始观 测数据。拟合值就是通过回归模型计算出来的yt的预测值。
二、一元线性回归模型
2.实际值、拟合值和残差
三条曲线分别是实际值（Actual），拟合值（Fitted） 和残差（Residual）。实际值和拟合值越接近，方程拟 合效果越好。
四、 线性回归模型的基本假定
线性回归模型必须满足以下几个基本假定：
假定1：随机误差项u具有0均值和同方差，即 E ( ui ) = 0 i=1，2，…，n Var ( ui ) = σ2 i=1，2，…，n 其中，E表示均值，也称为期望，在这里随机误差项u的 均值为0。Var表示随机误差项u的方差，对于每一个样本 点i，即在i=1，2，…，n的每一个数值上，解释变量y对 被解释变量x的条件分布具有相同的方差。当这一假定条 件不成立是，称该回归模型存在异方差问题。