第四章异方差检验的eviews操作

1、第四章异方差性例一、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

2、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=0.7798D.W.=1.78F=49.60RSS=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。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=resid2”，生成残差平方项序列 e2； 直接在命令栏里输入“

3、 genr e2=resid2”，按 Enter, 得到残差平方项序列 e2。（2）绘制散点图。直接在命令框里输入“scat log(x2) e2”，按 Enter，可得散点图 4.2 。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 。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 diag

4、ram，再点 ok，可得散点图4.2 。图 4.2由图 4.2 可以看出，残差平方项e2 对解释变量 log(X2) 的散点图主要分布图形中的下三角部分， 大致看出残差平方项e2 随 log(X2) 的变动呈增大的趋势， 因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。（二） Goldfeld-Quanadt 检验（1）对变量取值排序（按递增或递减） 。在 Workfile 窗口中，由路径： Procs/Sort Series进入 sort workfile series 对话框，键入“ X2 ”，如果以递增型排序，选Ascending，如果以递减型排序，则应选 Des

5、cending，点 ok 。本例选递增型排序，选Ascending。直接在命令栏里输入“sort x2”（默认为升序），再按 Enter。（2）构造子样本区间，建立回归模型。在本例中，样本容量 n=31，删除中间 1/4 的观测值，即大约 7 个观测值，余下部分平分得两个样本区间： 1-12 和 20-31，它们的样本个数均是 12 个。在 Sample 菜单里，把 sample值改为“ 1 12”再用 OLS 方法进行第一个子样本回归估计，估计结果如表 4.2 。表 4.2同样地，在 Sample 菜单里，把 sample 值改为“ 20 31”再用 OLS 方法进行第二个子样本回归估计，估

6、计结果如表4.3 。表 4.3（3）求 F 统计量值。基于表 4.2 和表 4.3 中残差平方和 RSS 的数据，即 Sum squared resid的值，得到 RSS1=0.0702和 RSS2=0.1912，根据 Goldfeld-Quanadt 检验， F 统计量为：F= RSS2/ RSS1=0.1912/0.0702=2.73。（4）判断。在 5%与 10%的显著性水平下，查 F 分布表得：自由度为（ 9,9）的 F 分布的临界值分别为 F0.05=3.18 与 F0.10=2.44。因为 F=2.73< F0.05(9,9)=3.18，因此 5%显著性水平下不拒绝两组子样方

7、差相同的假设，但F=2.73> F0.10(9,9)=2.44，因此10%显著性水平下拒绝两组子样方差相同的假设，即存在异方差。（三） White 检验 由 表4.1的 估 计 结 果 ， 按 路 径view/residualtests/whiteheteroskedasticity(cross terms)，进入 White 检验，其中 cross terms表示有交叉乘积项。得到表 4.4 的结果。表 4.4辅助回归结果为：(1.87)(-2.09)(-1.01)(2.56)(1.58)(0.47)R2=0.6629由表 4.4 结果得到：怀特统计量nR2×2分布表得到在，

8、查=310.6629=20.555%的显著性水平下，自由度为22=11.07，因为5 的 分布的临界值为0.052nR2=20.55>0.05=11.07，所以拒绝同方差的原假设。由表 4.1 的估计结果，按路径 view/residual tests/white heteroskedasticity（nocross terms），进入 White 检验，其中 no cross terms 表示无交叉乘积项。得到表4.5 的结果。表 4.5去掉交叉项后的辅助回归结果为：（5.64）（-4.14）（-1.64）（4.10）（1.67）R2=0.6599有怀特统计量 nR2=31×

9、 0.6599=20.46，因此，在 5%的显著性水平下，仍是拒绝同方差这一原假设，表明模型存在异方差。三、异方差性的修正（一）加权最小二乘法（WLS）（1）生成权数。按路径： Procs/Generate Series，进入 Generate Series by Equation对话框，键入“w=1/sqr(exp(93.20-25.981*log(x2)+1.701*(log(x2)2) ”或者直接在命令栏输入“ genr w=1/sqr(exp(93.20-25.981*log(x2)+1.701*(log(x2)2) ”生成权数 w。（2）加权最小二乘法估计（WLS ）。在表 4.1的

10、结果中，由路径： Procs/Specify/Estimate进入 Equation Specification对话框，点击 Options按钮，在 Estimation Options对话框的 weighted前面打勾并在下面输入栏处输入 w，如图 4.3，连续两次确认 OK 后，得到表 4.6的估计结果：图 4.3表 4.5加权最小二乘法估计（ WLS）结果为：(3.23)(3.80)(9.61)R2=0.9984D.W.=1.72F= 8602.18RSS=0.3705可以看出运用加权最小二乘法消除异方差性后，LnX1 参数的 t 检验有了显著的改进，这表明即使在1%显著性水平下，都不能拒绝从事农业生产带来的纯收入对农户人均消费支出有着显著影响的假设。虽然 LnX1 的参数值有了较大程度的提高，但仍没有LnX2 的参数估计值大，说明其他来源的纯收入确实比来自农业经营的纯收入对农户人均消费支出的影响更大一些。（3）检验加权回归模型的异方差性。在命令栏中直接输入“ ls w*log(Y) w w*log(X1) w*log(X2)”，按回车键，输出结果如表 4.6：表