《计量经济学（本科三年级）：基于EViews 26的加权最小二乘法异方差处理教学设计》

《计量经济学（本科三年级）：基于EViews26的加权最小二乘法异方差处理教学设计》【教学背景】本节课程选自高等学校经济学类核心课程《计量经济学》的经典模块——违背经典假设的回归模型，具体内容为“异方差性及其修正——加权最小二乘法”。授课对象为本科三年级经济学、金融学、统计学等专业学生。学生已系统学习经典线性回归模型的假定、普通最小二乘法（OrdinaryLeastSquares,OLS）的参数估计与统计检验，具备一定的概率论与数理统计基础，并初步掌握了EViews软件的基本操作（如数据录入、OLS估计、结果解读）。然而，学生对于模型假定违背的后果、诊断方法及修正策略通常缺乏系统性的认知与实践经验，特别是加权最小二乘法（WeightedLeastSquares,WLS）中“权重”这一核心概念的物理意义与操作实现，往往是学习的分水岭。本节课旨在打通理论诊断与软件修正之间的壁垒，培养学生的量化分析能力与解决实际经济问题的动手能力。【教学目标】本节课依据布鲁姆教育目标分类学，设定以下三维目标：1.知识与技能维度（基础）：精准阐述异方差性的定义、其对OLS估计造成的严重后果（非有效性、t检验失效），并能熟练运用EViews26进行White检验（含交叉项）与BreuschPaganGodfrey检验来诊断异方差。2.过程与方法维度（重要）：深刻理解加权最小二乘法的核心思想——通过对变异较小的观测值赋予更大权重，对变异较大的观测值赋予更小权重，从而纠正异方差；熟练掌握在EViews26中至少三种权重设置方法（基于解释变量倒数的权重、基于残差绝对值的倒数的权重、基于残差平方的倒数的权重），并能通过对比分析，遴选出最优的权重形式。3.情感态度与价值观维度：树立严谨的学术研究态度，认识到模型设定与数据特征分析的重要性，避免“为回归而回归”的机械操作，培养基于数据特征进行科学决策的实证分析素养。【教学重难点】1.教学重点（核心）：异方差性的White检验操作与结果判读；加权最小二乘法的EViews26实现流程（模型估计窗口的权重设定、权重序列的生成）；加权后模型的异方差再检验与效果评估。2.教学难点（关键）：权重选择的依据与数学原理——为何权重要设为随机干扰项方差倒数的平方根？如何从残差序列中提取异方差的形式？为何不恰当的权重可能无法消除异方差甚至引入新的问题？...教学方法与手段】本节课采用“案例驱动+问题导向+实战演练”的混合式教学模式。课前，通过教学平台发布一组存在典型异方差的截面数据（如2019年中国规模以上工业企业分行业的销售收入与利润数据）及预习任务。课中，教师首先通过简短讲授回顾异方差理论，随即切入EViews26操作界面，遵循“建立工作文件—OLS估计—异方差诊断—WLS修正—修正后诊断”的标准化实证分析流程，进行现场演示。每一环节均设置启发性提问，引导学生思考“为什么要这样做”、“结果说明了什么”、“如果...该怎么办”。同时，穿插学生即时上机操作，确保理论讲授与动手实践无缝衔接。全程使用多媒体教学系统投屏演示，并辅以自主编写的《EViews26实验指导手册》。【教学实施过程】一、导入与复习：重温经典假定，直面“非同方差”的现实（5分钟）课程开始，教师在大屏幕上展示一组经典的消费函数理论散点图：随着收入（X）的增加，消费支出（Y）的离散程度明显增大。教师提问：“在经典线性回归模型中，关于随机扰动项μ_i的方差，我们有一个重要的假定，是什么？”引导学生回答：同方差性，即Var(μ_i|X_i)=σ²，为一个常数。教师追问：“但现实经济世界，尤其是截面数据中，这种离散程度不变的情况常见吗？比如高收入群体的消费习惯是否比低收入群体更多样化？”由此引出本节课的核心议题——异方差性，并点明标题：今天我们就来学习如何利用EViews26这一利器，诊断并修复异方差问题，核心方法是加权最小二乘法。此环节旨在激活学生已有知识储备，建立理论与现实的联系，激发解决问题的内在动机。二、诊断环节：让数据“说话”——异方差性的检验技术（20分钟）教师强调：“修正问题的前提是科学地诊断问题。我们不能仅凭散点图的主观臆断，必须借助严格的统计检验。”【基础】随后，教师演示在EViews26中打开已准备好的“Industry_Profit”工作文件。变量解释：SALES（销售收入）为解释变量（X），PROFIT（销售利润）为被解释变量（Y）。1.初步观察：图形分析。教师引导学生生成残差平方图。操作路径：在OLS估计结果窗口，点击“View”>“Actual,Fitted,Residual”>“ResidualGraph”。教师指着图形解说：“观察残差的波动，是否随着拟合值的增大呈现出某种系统性扩大或缩小的趋势？如果是，这提供了异方差的直观证据。”2.正式检验：White检验（含交叉项）。【重要】【高频考点】教师指出，White检验是检验异方差最常用的方法之一，其优势在于它不依赖于对异方差具体形式的先验假定，它通过一个辅助回归（残差平方对原解释变量、解释变量的平方项及交叉项进行回归）来判断。教师在方程估计结果窗口，点击“View”>“ResidualDiagnostics”>“HeteroskedasticityTests”。在弹窗的“Testtype”列表中，选择“White”（注意勾选“IncludeWhitecrossterms”以包含交叉项，这是默认且通常需要的选项）。点击“OK”。3.结果判读与决策：【基础】屏幕上出现White检验的输出表格。教师引导学生聚焦于两个核心统计量：Fstatistic和ObsRsquared（即LM统计量）。教师讲解：“原假设H0：不存在异方差。我们看这两个统计量对应的Prob.(P值)。”假设本例中显示P值为0.0000，教师总结：“P值远小于给定的显著性水平0.05，因此我们拒绝原假设，认为模型存在显著的异方差性。这就从统计上证实了我们图形观察的结论，也为后续使用加权最小二乘法提供了正当性。”三、探索与求解：加权最小二乘法（WLS）的理论与EViews26实现（40分钟）1.核心思想精讲：如何“惩罚”大方差点？【难点】教师板书关键公式。OLS的目标是使残差平方和∑(Y_iŶ_i)²最小。在异方差存在时，方差大的观测值信息可靠性低，方差小的观测值信息可靠性高。WLS的思想就是给与不同观测值不同的权重w_i，目标是使加权残差平方和∑w_i(Y_iŶ_i)²最小。理论上，最优权重应为w_i=1/Var(μ_i)。但Var(μ_i)未知，怎么办？这是本节课最关键的问题。2.EViews26实战一：基于解释变量的权重（WLS1/X）。【基础】教师讲解：“一个常见的近似是假设随机扰动项的方差与某个解释变量X的幂次成比例，比如Var(μ_i)∝X_i²。那么最优权重就应该是1/X_i。”教师演示操作：在方程估计窗口，选择“Method”为“LSLeastSquares(NLSandARMA)”，在“Options”选项卡中，找到“Weightseries”选项。教师输入权重序列“1/SALES”。点击“确定”，运行回归。教师引导学生观察输出结果，并与之前的OLS结果对比，注意系数估计值、标准误及t统计量的变化。3.EViews26实战二：基于残差的权重（WLS1/|e|与WLS1/e²）。【核心】【热点】教师指出：“用1/X作为权重可能过于粗糙。更精细的方法是从OLS的残差中提取异方差信息。”这是一个层层递进的演示过程。第一步：生成残差序列。在运行完最初的OLS后，点击“Proc”>“GenerateSeries”，输入“e1=resid”，将残差保存为序列e1。教师强调：“必须立即保存残差！否则，后续任何估计都会改变软件内部的残差序列，这是初学者最容易犯的错误之一。”2第二步：尝试第一种权重。假设异方差形式为Var(μ_i)∝|e_i|，则权重为w_i=1/|e_i|。教师演示：生成新序列“w1=1/@abs(e1)”。然后在方程估计窗口的“Weightseries”中输入“w1”，运行WLS。第三步：尝试第二种权重。假设异方差形式为Var(μ_i)∝e_i²，则权重为w_i=1/e_i²。教师演示：生成新序列“w2=1/(e1^2)”。然后运行以“w2”为权重的WLS。4.效果评估：再检验。【重要】教师强调：“权重是否选对了，不能靠感觉，必须再次进行White检验！”教师分别对上述三个WLS估计结果（WLS1/X,WLS1/|e|,WLS1/e²）重复进行White检验。通过对比修正后的ObsRsquared统计量的P值，来判断异方差是否被成功消除。假设最终发现，只有基于“w2=1/e²”的WLS模型，其White检验的P值大于0.05。教师总结：“这说明权重w2=1/e²在本例中最接近真实异方差的倒数形式，它有效地纠正了异方差问题，使得我们的估计量是BLUE（最佳线性无偏估计量）。”2【课堂练习与即时反馈】（15分钟）教师下发另一组相似的截面数据（例如不同地区农业生产投入与产出数据），要求学生两人一组，独立完成以下任务：1.进行OLS估计并做White检验，确认异方差存在。2.尝试至少两种不同的权重设定方法（如基于某个解释变量的倒数，基于残差平方的倒数）进行WLS估计。3.对WLS估计后的模型再次进行异方差检验。4.比较不同权重下，核心解释变量的显著性和系数估计值的变化，并思考哪种权重更合理。教师在教室内巡回指导，针对学生在生成权重序列、选择权重选项、判读检验结果等环节出现的具体问题进行一对一辅导。对共性问题（如忘记保存残差、权重变量输入错误、对检验结果P值理解模糊），进行集中讲解和澄清。【课堂总结与知识点串联】（5分钟）教师带领学生快速回顾本节课的知识链条：问题（异方差导致OLS失效）→诊断（图形观察与White检验）→处方（加权最小二乘法WLS）→配药（权重设定：1/X,1/|e|,1/e²等）→复查（再次进行White检验）。强调加权最小二乘法的本质是“数据变换”，通过赋予不同观测值不同的权重，将原模型变换为满足同方差假定的新模型。提醒学生，EViews26只是工具，背后的计量经济学思想和严谨的诊断流程才是分析的灵魂。同时指出，WLS并非万能，当异方差形式复杂时，可能需要考虑异方差稳健标准误（HeteroskedasticityConsistentStandardErrors,如WhiteHuber标准误）等其他方法，为后续课程埋下伏笔。【教学评价与反思】本节课的设计遵循了“理论—问题—方法—实现—评价”的完整实证研究范式，强调学生的高阶思维参与。通过层层递进的设问和对比实验（OLSvs.WLS,不同权重WLS之间的对比），让学生在动手实践中深刻体会WLS的功效与权重选择的关键性。教学中特别关注了学生在EViews操作中的常见误区（如残差序列的及时保存），通过事先强调和错误预警，有效降低了学生的试错成本。课后拓展任务：要求学生寻找一篇发表于国内核心期刊的应用计量经济学论文，复现其异方差检验与处理部分，并撰写简短的评述报告，以深化对所学知识的综合运用能力。【附：板书与软件操作关键点提炼】一、异方差诊断1.图形：残差对拟合值散点图。2.检验：View/ResidualDiagnostics/HeteroskedasticityTests,选择White。3.判据：ObsRsquared对应的P值<0.05，拒绝同方差原假设。二、WLS核心原理1.目标：最小化∑w_i(Y_iŶ_i)²。2.权重理论值：w_i=1/Var(μ_i)。3.权重经验设定：（1）基于解释变量：假设Var(μ_i)∝X_i²，则权重=1/X_i。（2）基于残差（高频）：假设Var(μ_i)∝|e_i|，则权重=1/|e_i|。（3）基于残差（高频）：假设Var(μ_i)∝e_i²，则权重=1/e_i²。【非常关键】务必在完成OLS后立即生成残差序列并保存为新变量（如e1），再用该序列构造权重。三、EViews26操作流程1.OLS估计：Quick/EstimateEquation，输入“profitcsales”。2.保存残差（关键第一步）：Proc/MakeResidualSeries，命名为“e1”。3.生成权重序列（关键第二步）：Quick/GenerateSeries，输入“w2=1/(e1^2)”。4.WLS估计：Quick/EstimateEquation，在“EquationEstimation”窗口，点击“Options”选项卡，在“Weightseries”框内输入“w2”，点击“确定”。5.效果再检验：对WLS结果重复异方差检验步骤，若P值>0.05，则表明异方差已被成功修正。【课程资源与延伸阅读建议】1.李子奈，潘文卿.计量经济学(第五版)[M].北京:高等教育出版社，2020.（深入理解异方差的理论本质）2.高铁梅.计