异方差的eviews操作
eviews异方差检验步骤
eviews异方差检验步骤Eviews是一款常用的经济学软件，它允许用户进行多种统计分析，其中包括异方差检验。
异方差是指随着自变量的变化，因变量的方差也会发生变化。
在实际分析中，如果忽略了异方差，则会导致统计结果不准确。
因此，在使用Eviews进行分析时，进行异方差检验十分重要。
以下是Eviews进行异方差检验的步骤：1. 打开Eviews软件，并导入所需的数据。
在“工作文件”菜单下选择“打开文件”，找到所需的数据文件并打开。
2. 选择变量。
单击“变量”菜单，并选择要检验的因变量和自变量。
如果有多个自变量，在本例中就需要选择多个自变量。
3. 进行回归分析。
单击“Quick”菜单下的“Estimate Equation”选项，进行回归分析。
在回归分析中，需要输入因变量和自变量，并进行模型估计。
4. 异方差检验。
在回归分析完成后，单击“View”菜单下的“Residual Diagnostics”选项，进入错误项诊断。
5. 在错误项诊断中选择异方差检验。
在错误项诊断面板中，选择“Heteroskedasticity Tests”选项，并选择所需的异方差检验类型。
在Eviews中，通常可以使用Breusch-Pagan/Godfrey测试或White 测试来检验异方差。
6. 查看结果。
完成异方差检验后，Eviews会返回检验结果。
如果结果显示存在异方差，则需要进行调整，以消除异方差的影响。
总之，在使用Eviews进行经济学分析时，进行异方差检验至关重要，可以保证模型分析的准确性和可靠性。
上述步骤简单易懂，只要按照步骤操作，就可以轻松地完成异方差检验。
异方差检验的eviews操作
第四章异方差性例4.1.4一、参数估计进入Eviews软件包，确定时间范围，编辑输入数据；选择估计方程菜单：(1)在Workfile对话框中，由路径：Quick/Estimate Equation，进入Equation Specification对话框，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果；(2)直接在命令栏里输入“ls log(y) c log(x1) log(x2)”，按Enter,得到样本回归估计结果；(3)在Group的当前窗口，由路径：Procs/Make Equation，进入Equation Specification窗口，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果。
如表4.1：表4.1图4.1估计结果为：(3.14) (1.38) (9.25)R2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357括号内为t统计量值。
二、检验模型的异方差（一）图形法（1）生成残差平方序列。
①在Workfile的对话框中，由路径：Procs/Generate Series，进入Generate Series by Equation对话框，键入“e2=resid^2”，生成残差平方项序列e2；②直接在命令栏里输入“genr e2=resid^2”，按Enter,得到残差平方项序列e2。
（2）绘制散点图。
①直接在命令框里输入“scat log(x2) e2”，按Enter，可得散点图4.2。
②选择变量名log(x2)与e2（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），再按路径view/graph/scatter/simple scatter，可得散点图4.2。
③由路径quick/graph进入series list窗口，输入“log(x2) e2”，确认并ok，再在弹出的graph窗口把line graph换成scatter diagram，再点ok，可得散点图4.2。
演示文稿1 异方差的Eviews操作
Log likelihood
12.47256
Durbin-Watson stat
1.964715
Std. Error t-Statistic
0.860976 0.103769 0.048599
1.861356 3.135885 10.43388
Mean dependent var
S.D. dependent var
④输入：Scat X e2
亦可合并输入： Scat X resid^2
2. 帕克(Park)检验与戈里瑟(Gleiser)检验
基本思想: 尝试建立方程：
e~i2 f (X ji ) i 或
| e~i | f ( X ji ) i
选择关于变量X的不同的函数形式，对方程 进行估计并进行显著性检验，如果存在某一 种函数形式，使得方程显著成立，则说明原 模型存在异方差性。
异方差的Eviews操作
计量经济学 2009-11
几种异方差的检验方法： 1. 图示法 （1）用X-Y的散点图进行判断
看是否存在明显的散点扩大、缩小或复 杂型趋势（即不在一个固定的带型域中）
【 Eviews操作】 输入：Scat X Y
(2)X- e~i2 的散点图进行判断
看是否形成一斜率为零的直线。
2
e2i
(n c k 1)
F
2
2
e1i
(n c k 1)
2
F( n c k 1, n c k 1)
2
2
⑤给定显著性水平，确定临界值F(v1,v2)，
若F> F(v1,v2)， 则拒绝同方差性假设， 表明存在异方差。
当然，还可根据两个残差平方和对应的子样 的顺序判断是递增型异方差还是递减异型方差。
第四章异方差检验的eviews操作
第四章异方差性例4.1.4一、参数估计进入Eviews软件包，确定时间范围，编辑输入数据；选择估计方程菜单：(1)在Workfile对话框中，由路径：Quick/Estimate Equation，进入Equation Specification对话框，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果；(2)直接在命令栏里输入“ls log(y) c log(x1) log(x2)”，按Enter,得到样本回归估计结果；(3)在Group的当前窗口，由路径：Procs/Make Equation，进入Equation Specification窗口，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果。
如表4.1：表4.1图4.1估计结果为：(3.14) (1.38) (9.25)R2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357括号内为t统计量值。
二、检验模型的异方差（一）图形法（1）生成残差平方序列。
①在Workfile的对话框中，由路径：Procs/Generate Series，进入Generate Series by Equation 对话框，键入“e2=resid^2”，生成残差平方项序列e2；②直接在命令栏里输入“genr e2=resid^2”，按Enter,得到残差平方项序列e2。
（2）绘制散点图。
①直接在命令框里输入“scat log(x2) e2”，按Enter，可得散点图4.2。
②选择变量名log(x2)与e2（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），再按路径view/graph/scatter/simple scatter，可得散点图4.2。
③由路径quick/graph进入series list窗口，输入“log(x2) e2”，确认并ok，再在弹出的graph窗口把line graph换成scatter diagram，再点ok，可得散点图4.2。
异方差的eviews操作
异方差的eviews操作图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 10LS 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。
图3-5 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\White Heteroskedastcity,检验结果如图3-6。
图3-6 White 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05.0=α，由于2704.699.5)2(2205.0=<=nR χ,所以存在异方差性。
第四章 异方差检验的eviews操作
第四章异方差性例4.1.4一、参数估计进入Eviews软件包，确定时间范围，编辑输入数据；选择估计方程菜单：(1)在Workfile对话框中，由路径：Quick/Estimate Equation，进入Equation Specification对话框，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果；(2)直接在命令栏里输入“ls log(y) c log(x1) log(x2)”，按Enter,得到样本回归估计结果；(3)在Group的当前窗口，由路径：Procs/Make Equation，进入Equation Specification窗口，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果。
如表4.1：表4.1图4.1估计结果为：(3.14) (1.38) (9.25)R2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357括号内为t统计量值。
二、检验模型的异方差（一）图形法（1）生成残差平方序列。
①在Workfile的对话框中，由路径：Procs/Generate Series，进入Generate Series by Equation对话框，键入“e2=resid^2”，生成残差平方项序列e2；②直接在命令栏里输入“genr e2=resid^2”，按Enter,得到残差平方项序列e2。
（2）绘制散点图。
①直接在命令框里输入“scat log(x2) e2”，按Enter，可得散点图4.2。
②选择变量名log(x2)与e2（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），再按路径view/graph/scatter/simple scatter，可得散点图4.2。
③由路径quick/graph进入series list窗口，输入“log(x2) e2”，确认并ok，再在弹出的graph窗口把line graph换成scatter diagram，再点ok，可得散点图4.2。
异方差检验的eviews操作
第四章异方差性例4.1.4一、参数估计进入Eviews软件包，确定时间范围，编辑输入数据；选择估计方程菜单：(1)在Workfile对话框中，由路径：Quick/Estimate Equation，进入Equation Specification对话框，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果；(2)直接在命令栏里输入“ls log(y) c log(x1) log(x2)”，按Enter,得到样本回归估计结果；(3)在Group的当前窗口，由路径：Procs/Make Equation，进入Equation Specification窗口，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果。
如表4.1：表4.1图4.1估计结果为：(3.14) (1.38) (9.25)R2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357括号内为t统计量值。
二、检验模型的异方差（一）图形法（1）生成残差平方序列。
①在Workfile的对话框中，由路径：Procs/Generate Series，进入Generate Series by Equation对话框，键入“e2=resid^2”，生成残差平方项序列e2；②直接在命令栏里输入“genr e2=resid^2”，按Enter,得到残差平方项序列e2。
（2）绘制散点图。
①直接在命令框里输入“scat log(x2) e2”，按Enter，可得散点图4.2。
②选择变量名log(x2)与e2（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），再按路径view/graph/scatter/simple scatter ，可得散点图4.2。
③由路径quick/graph进入series list窗口，输入“log(x2) e2”，确认并ok，再在弹出的graph窗口把line graph换成scatter diagram，再点ok，可得散点图4.2。
eviews的异方差检验
异方差的处理
文档附赠有可编辑的3D小人素材
地区
北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 上海 江苏 浙江 安徽 福建 江西 山东
农业总产值 亿元 115.48 117.60
1639.07 322.65 620.42 837.50 641.50 971.94 126.74 1542.53 735.92 1054.01 685.30 621.26 2604.07
,所以存在异方差性。 ⒊White检验 ⑴建立回归模型：LS Y C X,回归结果如图6。
图6
⑵在方程窗口上点击View\Residual Test\ White Heteroskedastcity no cross terms ,检验结果如 图7。
图7
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。 ⒋Park检验 ⑴建立回归模型 结果同图6所示 。 ⑵生成新变量序列：GENR LNE2=log RESID^2
SMPL 20 31 LS Y C X
图5
⑷计算F统计量：F R2 /S R1 S S 2S 2/6 35.9 8 1 6 .4 5
RSS1 和RSS2分别是模型1和模型2的残差平方和。 取
F6.4 5F 0.05 2.98
F 0 .0( 1 5 1 2 1 ,1 1 2 1 ) 2 .98
农业总产值 亿元
1152.09 1243.15 1328.70 970.55 224.17 401.48 1316.60 392.20 683.80 39.49 629.34 458.73 49.16 111.12 767.00
农作物播种面 积 千公顷 7030.01 7390.71 4363.05 5594.40 754.32 3134.66 9278.24 4464.53 5801.86 232.92 4044.74 3759.00 516.68 1189.83 4202.63
- 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)。
实验三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
实验内容
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。
图3-5 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\White Heteroskedastcity,检验结果如图3-6。
图3-6 White 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05.0=α，由于
2704.699.5)2(2205.0=<=nR χ,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。
4、斯皮尔曼等级相关系数检验
其操作步骤为：
A. 对X 排序：命令行输入SORT X
B. 输入X 的等级：data d1（依次输入1-n 的自然数）；
C. 对残差绝对值排序：命令行输入SORT abs(resid)；
D. 输入残差绝对值的等级：data d2（依次输入1-n 的自然数）；
E. 依据公式计算等级相关系数检验统计量，并查表得出结论。
5、异方差的消除—加权最小二乘法
加权最小二乘法中，最重要的是确定权重的确定，一般而言，采用残差绝对值的倒数作为权重，也可以采用其他形式。
A. 首先，用SMPL 命令设定样本的区间（包括所有观测值），如：SMPL 1 31
B. 进行最小二乘回归，得到残差序列，LS Y C X
C. 根据残差确定权重， GENR W1=1/ABS(RESID)
D.进行加权最小二乘估计，LS(W=W1) Y C X；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
回归结果如下图3-7所示：
图3-7
E. 对回归方程在进行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，其结果如下图3-8所示：
图3-8
nR的值，这表示异方差性已经得到很图3-8对应的White检验没有显示F值和2
好的解决。