异方差检验与修正实例.doc

第五章 案例分析 一、问题的提出和模型设定 根据本章引子提出的问题，为了给制定医疗机构的规划提供依据，分析比较医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。假定医疗机构数与人口数之间满足线性约束，则理论模型设定为 （5.31） 其中表示卫生医疗机构数，表示人口数。由2001年《四川统计年鉴》得到如下数据。 表5.1 四川省2000年各地区医疗机构数与人口数 地区人口数（万人） X医疗机构数（个）Y地区人口数（万人） X医疗机构数（个）Y成都1013.36304眉山339.9827自贡315911宜宾508.51530攀枝花103934广安438.61589泸州463.71297达州620.12403德阳379.31085雅安149.8866绵阳518.41616巴中346.71223广元302.61021资阳488.41361遂宁3711375阿坝82.9536内江419.91212甘孜88.9594乐山345.91132凉山402.41471南充 709.2 4064二、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，估计样本回归函数如下 表5.2 估计结果为 (5.32) 括号内为t统计量值。 三、检验模型的异方差 本例用的是四川省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进行检验。 （一）图形法 1、EViews软件操作。 由路径：Quick/Qstimate Equation，进入Equation Specification窗口，键入“y c x”，确认并“ok”，得样本回归估计结果，见表5.2。 （1）生成残差平方序列。在得到表5.2估计结果后，立即用生成命令建立序列，记为e2。生成过程如下，先按路径：Procs/Generate Series，进入Generate Series by Equation对话框，即 图5.4 然后，在Generate Series by Equation对话框中（如图5.4），键入“e2=（resid）^2”，则生成序列。 （2）绘制对的散点图。选择变量名X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），进入数据列表，再按路径view/graph/scatter，可得散点图，见图5.5。 图5.5 2、判断。由图5.5可以看出，残差平方对解释变量X的散点图主要分布在图形中的下三角部分，大致看出残差平方随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、EViews软件操作。 （1）对变量取值排序（按递增或递减）。在Procs菜单里选Sort Series命令，出现排序对话框，如果以递增型排序，选Ascenging，如果以递减型排序，则应选Descending，键入X，点ok。本例选递增型排序，这时变量Y与X将以X按递增型排序。 （2）构造子样本区间，建立回归模型。在本例中，样本容量n=21，删除中间1/4的观测值，即大约5个观测值，余下部分平分得两个样本区间：1—8和14—21，它们的样本个数均是8个，即。 在Sample菜单里，将区间定义为1—8，然后用OLS方法求得如下结果 表5.3 在Sample菜单里,将区间定义为14—21，再用OLS方法求得如下结果 表5.4 （3）求F统计量值。基于表5.3和表5.4中残差平方和的数据，即Sum squared resid的值。由表5.3计算得到的残差平方和为，由表5.4计算得到的残差平方和为，根据Goldfeld-Quanadt检验，F统计量为 （5.33） （4）判断。在下，式（5.33）中分子、分母的自由度均为6，查F分布表得临界值为，因为，所以拒绝原假设，表明模型确实存在异方差。 （三）White检验 由表5.2估计结果，按路径view/residual tests/white het