eviews的异方差检验.pptVIP

* 异方差的处理 　 　 　 14087.84 2254.52 河 南 4202.63 767.00 新 疆 10724.40 2604.07 山 东 1189.83 111.12 宁 夏 5245.13 621.26 江 西 516.68 49.16 青 海 2191.18 685.30 福 建 3759.00 458.73 甘 肃 8853.90 1054.01 安 徽 4044.74 629.34 陕 西 2462.82 735.92 浙 江 232.92 39.49 西 藏 7407.73 1542.53 江 苏 5801.86 683.80 云 南 390.66 126.74 上 海 4464.53 392.20 贵 州 11898.48 971.94 黑龙江 9278.24 1316.60 四 川 4943.99 641.50 吉 林 3134.66 401.48 重 庆 3703.88 837.50 辽 宁 754.32 224.17 海 南 6761.47 620.42 内蒙古 5594.40 970.55 广 西 3653.15 322.65 山 西 4363.05 1328.70 广 东 8652.70 1639.07 河 北 7390.71 1243.15 湖 南 433.95 117.60 天 津 7030.01 1152.09 湖 北 295.01 115.48 北 京 农作物播种面积（千公顷） 农业总产值（亿元） 地区 农作物播种面积（千公顷） 农业总产值（亿元） 地区 一、检验异方差性 ⒈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 SCAT X Y；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。 ⑵残差分析 首先将数据排序（命令格式为：SORT X；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 genr e2=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/Simple Scatter,如下图（图3） 图 3 ⒉Goldfeld-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12共12个数据（子样本1），20到31共12个数据（子样本2）） ⑵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。 SMPL 1 12 LS Y C X 图4 ⑶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。 SMPL 20 31 LS Y C X 图5 ⑷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。 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) GENR LNX=log（X） ⑶建立新残差序列对解释变量的回归模型：LS LNE2 C LNX，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。 ⒌Gleiser检验（Gleiser检验与Park检验原理相同） ⑴建立回归模型（结果同图6所示）。 ⑵生成新变量序列：genr E=ABS(RESID) ⑶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：LS E C X，