异方差性的检验及处理方法..doc

实验四 异方差性 【实验目的】 掌握异方差性的检验及处理方法 【实验内容】 建立并检验我国制造业利润函数模型 【实验步骤】 【例1】表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型。 表1 我国制造工业1998年销售利润与销售收入情况 行业名称 销售利润 销售收入 行业名称 销售利润 销售收入 食品加工业 187.25 3180.44 医药制造业 238.71 1264.1 食品制造业 111.42 1119.88 化学纤维制品 81.57 779.46 饮料制造业 205.42 1489.89 橡胶制品业 77.84 692.08 烟草加工业 183.87 1328.59 塑料制品业 144.34 1345 纺织业 316.79 3862.9 非金属矿制品 339.26 2866.14 服装制品业 157.7 1779.1 黑色金属冶炼 367.47 3868.28 皮革羽绒制品 81.7 1081.77 有色金属冶炼 144.29 1535.16 木材加工业 35.67 443.74 金属制品业 201.42 1948.12 家具制造业 31.06 226.78 普通机械制造 354.69 2351.68 造纸及纸品业 134.4 1124.94 专用设备制造 238.16 1714.73 印刷业 90.12 499.83 交通运输设备 511.94 4011.53 文教体育用品 54.4 504.44 电子机械制造 409.83 3286.15 石油加工业 194.45 2363.8 电子通讯设备 508.15 4499.19 化学原料纸品 502.61 4195.22 仪器仪表设备 72.46 663.68 检验异方差性 ⒈图形分析检验 ⑴观察销售利润（Y）与销售收入（X）的相关图(图1)：SCAT X Y 图1 我国制造工业销售利润与销售收入相关图 从图中可以看出，随着销售收入的增加，销售利润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。 ⑵残差分析 首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。 图2 我国制造业销售利润回归模型残差分布 图2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。 ⒉Goldfeld-Quant检验 ⑴将样本按解释变量排序（SORT X）并分成两部分（分别有1到10共11个样本合19到28共10个样本） ⑵利用样本1建立回归模型1（回归结果如图3），其残差平方和为2579.587。 SMPL 1 10 LS Y C X 图3 样本1回归结果 ⑶利用样本2建立回归模型2（回归结果如图4），其残差平方和为63769.67。 SMPL 19 28 LS Y C X 图4 样本2回归结果 ⑷计算F统计量：＝63769.67/2579.59=24.72，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 ⒊White检验 ⑴建立回归模型：LS Y C X，回归结果如图5。 图5 我国制造业销售利润回归模型 ⑵在方程窗口上点击View\Residual\Test\White Heteroskedastcity,检验结果如图6。 图6 White检验结果 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。实际应用中可以直接观察相伴概率p值的大小，若p值较小，则认为存在异方差性。反之，则认为不存在异方差性。 ⒋Park检验 ⑴建立回归模型（结果同图5所示）。 ⑵生成新变量序列：GENR LNE2=log(RESID^2) GENR LNX=logx 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7所示。 图7 Park检验回归模型 从图7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5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，回归结果如图8、9、10、11、12、13所示。 图8 图9 图