Eviews异方差性实验报告

1、实验一 异方差性【实验目的】掌握异方差性问题出现的来源、后果、检验及修正的原理，以及相关的eviews操作方法。【实验内容】以计量经济学学习指南与练习补充习题4-16为数据，练习检查和克服模型的异方差的操作方法。【4-16】表4-1给出了美国18个行业1988年研究开发（r&d）费用支出y与销售收入x的数据。请用帕克（park）检验、戈里瑟（gleiser）检验、g-q检验与怀特（white）检验来检验y关于x的回归模型是否存在异方差性？若存在异方差性，请尝试消除它。表4-1 单位：百万美元序号研究开发费用y销售收入x162.56375.3292.911626.43178.314655.142

2、58.421869.25494.726408.361083.032405.671620.635107.78421.740295.49509.270761.6106620.180522.8113918.695294.0121595.3101314.1136107.5116141.3144454.1122315.7153163.8141649.91613210.7175025.8171703.8230614.5【实验步骤】一 检查模型是否存在异方差性1、图形分析检验（1）散点相关图分析做出销售收入x与研究开发费用y的散点相关图（scat x y）。观察相关图可以看出，随着销售收入的增加，研究开发费

3、用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。（2）残差图分析首先对数据按照解释变量x由小至大进行排序（sort x），然后建立一元线性回归方程（ls y c x）。因此，模型估计式为： -（*）(0.17) (2.88)r2=0.31 s.e.=2850 f=0.011建立残差关于x的散点图，可以发现随着x增加，残差呈现明显的扩大趋势，表明存在递增的异方差。2、park检验建立回归模型（ls y c x），结果如（*）式。生成新变量序列：genr lne2 = log(resid2)genr lnx = log(x)生成新残差序列对解释变量的回归模型（ls

4、 lne2 c lnx）。从下图所示的回归结果中可以看出，lnx的系数估计值不为0且能通过显著性检验，即随机误差项的方差与解释变量存在较强的相关关系，即认为存在异方差性。3、gleiser检验建立回归模型（ls y c x），结果如（*）式。生成新变量序列：genr e = abs(resid)分别建立新残差序列e对各解释变量的回归模型（ls e c x），回归结果如各图所示。由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0，且除了的系数，均能通过10%的显著性检验。所以认为存在异方差性。4、g-q检验将样本按解释变量排序（sort x）并分成两部分，分别为1到7和11到17，

5、各7个样本。利用样本1建立回归模型1（smpl 1 7 ls y c x），其残差平方和为412586.0。利用样本2建立回归模型2（smpl 11 17 ls y c x），其残差平方和为94219377。计算f统计量：91219377 / 412586 = 221.09，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，所以存在异方差性。5、white检验建立回归模型（ls y c x）。在窗口菜单中选择heteroskedasticity test: white，检验结果如下：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。同时可以直接观察相伴概率p值的大

6、小，这里p = 0.0022，小于0.05的显著水平，认为存在异方差性。二 克服异方差1、确定权数变量根据park检验生成权数变量：genr w1=1/x1.5019根据gleiser检验生成权数变量：genr w2=1/x2另外生成：genr w3=1/abs(resid)genr w4=1/resid2其中resid为最初回归模型ls y c x的残差序列。2、利用加权最小二乘法估计模型在eviews命令窗口中依次键入命令ls(w=) y c x，或在回归的权数变量栏里依次输入w1、w2、w3、w4，得到回归结果。并对所估计的模型再分别进行white检验，观察异方差的调整情况。w1：w2：w3：w4：权数为w1、w2、w4所对应的white检验显示，p值较大，都超过了0.8