eviews的异方差检验.ppt

异方差的处理 一 检验异方差性 图形分析检验 1 观察农业总产值 Y 与农作物播种面积 X 的散点图 在命令窗口输入SCATXY 或者把X Y以数据组 Group 的形式打开 然后点击View Graph Scatter 如图1所示 得到散点图 见图2 图1 图2 从图2中可以看出 随着农作物播种面积的增加 农业总产值不断提高 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 残差分析首先将数据排序 命令格式为 SORTX 或打开X的数据表格 点击Sort按钮 然后建立回归方程 在命令窗口输入genre2 resid 2然后以组的形式把X和e2打开 做散点图 在组窗口中点View Graph Scatter SimpleScatter 如下图 图3 图3 Goldfeld Quant检验 将样本安解释变量排序 SORTX 并分成两部分 分别有1到12共12个数据 子样本1 20到31共12个数据 子样本2 利用子样本1建立回归模型1 回归结果如图4 其残差平方和为351515 9 SMPL112LSYCX 图4 利用样本2建立回归模型2 回归结果如图5 其残差平方和为2265858 SMPL2031LSYCX 图5 计算F统计量 RSS1和RSS2分别是模型1和模型2的残差平方和 取 所以存在异方差性 White检验 建立回归模型 LSYCX 回归结果如图6 图6 在方程窗口上点击View ResidualTest WhiteHeteroskedastcity nocrossterms 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 Park检验 建立回归模型 结果同图6所示 生成新变量序列 GENRLNE2 log RESID 2 GENRLNX log X 建立新残差序列对解释变量的回归模型 LSLNE2CLNX 回归结果如图8所示 图8 从图8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 即随即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 Gleiser检验 Gleiser检验与Park检验原理相同 建立回归模型 结果同图6所示 生成新变量序列 genrE ABS RESID 分别建立新残差序列 E 对各解释变量 X X 2 X 1 2 X 1 X 2 X 1 2 的回归模型 LSECX 回归结果如图9 10 11 12 13 14所示 图9 图10 图11 图12 图13 图14 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且均能通过显著性检验 所以认为存在异方差性 由F值或确定异方差类型Gleiser检验中可以通过F值或值确定异方差的具体形式 本例中 图11所示的回归方程F值 最大 可以据此来确定异方差的形式 二 运用加权最小二乘法消除异方差权数采用 如果仍然存在异方差 可以尝试其他权数在命令窗口输入genrw1 1 abs resid 回车然后输入LS W W1 YCX得到以下方程 在方程窗口点View ResidualTest WhiteHeteroskedastcity nocro