实验四 异方差问题及其修正
实验四 异方差问题及其修正
案例：中国农村居民人均消费函数 P116 数据：
地区 人均消费支出Y 从事农业经营的收入X1 其他收入X2
北京 5724.50 958.3 7317.2
天津 3341.10 1738.9 4489.0 河北 2495.30 1607.1 2194.7 山西 2253.30 1188.2 1992.7 内蒙古 2772.00 2560.8 781.1 辽宁 3066.90 2026.1 2064.3 吉林 2700.70 2623.2 1017.9 黑龙江 2618.20 2622.9 929.5 上海 8006.00 532.0 8606.7 江苏 4135.20 1497.9 4315.3 浙江 6057.20 1403.1 5931.7 安徽 2420.90 1472.8 1496.3 福建 3591.40 1691.4 3143.4 江西 2676.60 1609.2 1850.3 山东 3143.80 1948.2 2420.1 河南 2229.30 1844.6 1416.4 湖北 2732.50 1934.6 1484.8 湖南 3013.30 1342.6 2047.0 广东 3886.00 1313.9 3765.9 广西 2413.90 1596.9 1173.6 海南 2232.20 2213.2 1042.3 重庆 2205.20 1234.1 1639.7 四川 2395.00 1405.0 1597.4 贵州 1627.10 961.4 1023.2 云南 2195.60 1570.3 680.2 西藏 2002.20 1399.1 1035.9 陕西 2181.00 1070.4 1189.8 甘肃 1855.50 1167.9 966.2 青海 2179.00 1274.3 1084.1 宁夏 2247.00 1535.7 1224.4 新疆
2032.40 2267.4
469.9
建立模型： μβββ+++=22110ln ln ln X X Y
一、模型的OLS 估计 （1）录入数据
打开EViews6，点“File ”→“New ”→“Workfile ”
选择“Unstructured/Undated”，在Observations 后输入31，如下所示：
点“ok”。
在命令行输入：DATA Y X1 X2，回车
将数据复制粘贴到Group中的表格中：
对变量取对数：
在命令行输入命令：
GENR lny=log(y) 回车
GENR lnx1=log(x1) 回车
GENR lnx2=log(x2) 回车
（2）估计回归方程
在命令行输入命令：LS lny C lnx1 lnx2， 回车 或者在主菜单中点“Quick ”→“Estimate Equation ”，在Specification 中输入 lny C lnx1 lnx2，点“确定”。
得到如下估计结果： 写出回归方程：
21
4775.01502.0266.3?LnX LnX Y Ln ++= （3.14） （1.38） （9.25）
2
R =0.7798 7642.02
=R F=49.60 D.W.=1.7810
二、模型的异方差检验 1、 图示检验法
（1） 作散点图：LnX2——LnY
在命令行输入命令：scat lnx2 lny 回车
（2）作散点图：LnX2——2~i
e 首先生成残差的平方序列，在命令行输入命令：
GENR E2=resid^2 回车
作散点图： SCAT lnx2 E2 回车
（3）作散点图：LnY ——2~i
e 在命令行输入命令： SCAT LNY E2 回车
2、模型的G-Q检验
H:同方差
原假设
H:异方差
备择假设
1
（1）首先将样本按LnX2由小到大的顺序排列，在命令行输入命令：SORT LnX2回车
（2）去除掉中间的7个样本（n/4=7.75，为了使剩下的样本能被平均分成两份，去掉7个），将剩余的24样本平均分为两份，每一份12个样本。
（3）取前面的12个样本，在命令行输入命令：SMPL 1 12回车
估计子样本1：LS lnY C lnX1 lnX2 回车
得到子样本1的输出结果：
写出回归结果：
12
? 3.1410.3980.235LnY LnX LnX =++ RSS 1=0.0702
（4）取最后面的12个样本，在命令行输入命令： SMPL 20 31 回车
估计子样本2： LS lnY C lnX1 lnX2 回车
得到子样本2的输出结果：
写出回归结果：
12
? 3.9940.1140.620LnY LnX LnX =-+ RSS 1=0.1912
（5）计算G-Q 检验的F 统计量：
已知子样本1的残差平方和为0.0702，子样本2的残差平方和为0.1912，相应的F 统计量为：
220.1912
0.0702
RSS F RSS =
==2.73 F 统计量的自由度9122
7
311221=---=---=
=k c n v v ，给定α=0.05，查F 统计量的临界值，18.3)9,9(05.0=F ，0.10(9,9) 2.44F =，由于F=2.73<3.18，因此，在5%的显著性水平下不拒绝原假设。F=2.73>2.44，因此在10%的显著性水平下拒绝原假设。
3、 模型的Park 检验
帕克检验常用2
2
()()i v
i i ji ji Var f X X e αμσσ===
或者： 22
i ij i Lne
Ln LnX v σα=++ 因此，本题中用2i Lne
作为被解释变量，对2i LnX 做回归，然后检验方程的显著性。 首先将样本恢复成全部样本： SMPL 1 31 回车；
在命令行输入命令： LS LOG(E2) C LNX2 回车； 得到下面的输出结果：
模型的F 统计量为0.055292，相伴概率P=0.81575>α=0.05，模型整体不显著。在模型中加入LNX2的平方项，重新估计模型。
输入命令：LS LOG(E2) C LNX2 LNX2^2 回车；
得到如下结果：
模型的F 统计量为3.5502，P 值为0.0423，小于显著性水平α（0.05），因此模型整体显著，且变量LNX2和LNX2^2的t 统计量的P 值均小于α（0.05），变量均显著。表明原来的模型中存在异方差，且异方差的形式为：
()exp(2)i Var Lne μ≈
2
22exp(93.19625.976 1.701)LnX LnX =-+
4、 模型的戈里瑟检验
戈里瑟检验通过检验如下方程
2()i ji i e
f X v =+ 或者 ||()i j i i e f X v =+ 是否显著成立来判断模型是否存在异方差。
首先，以2~i
e 为被解释变量，LNX2为解释变量估计模型： 输入命令： LS E2 C LNX2 回车；
得到如下结果：
模型的F 统计量为2.1888，P 值为0.1498，大于显著性水平α（0.05），因此，模型不显著。在模型中加入LNX2的平方项，重新估计模型。 输入命令： LS E2 C LNX2 LNX2^2 回车； 得到如下结果：
模型的F 统计量为10.1629，P 值为0.00048，小于显著性水平α（0.05），因此模型整体显著，且变量LNX2和LNX2^2的t 统计量的P 值均小于α（0.05），变量均显著。表明原来的模型中存在异方差，且异方差的形式为：
()2i Var E μ≈222
2.42860.64670.0432LnX LnX =-+ 5、 模型的White 检验
首先采用OLS 估计模型，在弹出的Equation 窗口，点View →Residual Tests →Heteroskedasticity Tests …
在弹出的窗口选择“White”，点“OK”。
得到如下输出结果：
nR=20.55085，相伴概率P=0.0010，给定α=0.05，从表中可得到怀特检验的统计量：2
P<α，因此拒绝同方差的原假设。
三、模型的修正
1、加权最小二乘法（WLS）
（1）以戈里瑟检验的结果获取权重
首先，生成权重数据：
genr w1=1/sqr(2.428590-0.646690*lnx2+0.043161*lnx2^2)
或者，重新执行估计模型的命令：
LS E2 C LNX2 LNX2^2 回车
然后在Equation窗口，点击“Forecast”，将预测值保存为E2f1，这也是模型对E2的拟合值，然后生成权重：
GENR W1=1/SQR(E2f1)；
采用加权最小二乘法估计模型：
方法1：直接输入命令LS(W=W1) LNY C LNX1 LNX2
方法2：在主菜单中点“Quick”→“Estimate Equation”，在Specification中输入LnY C LNX1 LNX2，然后点击“Options”，在弹出的对话框里选择“Weighted LS/TSLS”，然后在“Weight:”后输入权变量名称：w1，点“确定”。
得到如下输出：
写出修正后的结果：
12
? 2.41180.30740.4288LnY LnX LnX =++
（3.047） （3.577） （8.374）
2
R =0.7274 2
0.7079R = F=37.36 D.W.=1.4786
（2）以帕克检验的结果获取权重 首先，生成权重数据：
genr w2=1/sqr(exp(93.19586-25.97629*lnx2+1.701071*lnx2^2)) 或者，重新执行估计模型的命令：
LS log(E2) C LNX2 LNX2^2 回车
然后在Equation 窗口，点击“Forecast ”，将E2预测值保存为E2f2，这也是模型对E2的拟合值，然后生成权重： GENR W2=1/SQR(E2f2)； 采用加权最小二乘法估计模型：
方法1：直接输入命令 LS(W=W2) LNY C LNX1 LNX2 方法2：在主菜单中点“Quick ”→“Estimate Equation ”，在Specification 中输入 LnY C LNX1 LNX2，然后点击“Options ”，在弹出的对话框里选择“Weighted LS/TSLS ”，然后在“Weight:”后输入权变量名称：w2，点“确定”。得到如下输出：
写出修正后的结果：
12
? 2.33820.31770.4287LnY LnX LnX =++ （3.231） （3.817） （9.607）
2
R =0.7827 2
0.7672R = F=50.43 D.W.=1.7161
（2） 直接用最小二乘估计的残差得到权重 生成权重数据： genr w3=1/sqr(e2)
估计模型： LS(W=W3) LNY C LNX1 LNX2 得到如下输出：
写出修正后的结果：
12
? 3.32660.15090.4679LnY LnX LnX =++ （19.165）（6.082） （47.831）
2
R =0.9896 2
0.9888R = F=1325.76 D.W.=1.5229
2、 异方差稳健标准误法
在主菜单中点“Quick ”→“Estimate Equation ”，在Specification 中输入 LnY C LNX1 LNX2，然后点击“Options ”，在弹出的对话框里选择“Heteroskedasticity consistent coefficient ”，点“确定”。
得到如下输出：
写出估计结果：
12
? 3.32660.15020.4775LnY LnX LnX =++ （2.597）（0.9384） （8.3221）
2
R =0.7799 2
0.7642R = F=49.6012 D.W.=1.1547
2020年(财务知识)计量经济学实验教学案例实验四异方差
（财务知识）计量经济学实验教学案例实验四异方差
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】 建立且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和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年销售利润和销售收入情况
一、检验异方差性 ⒈图形分析检验 ⑴观察销售利润（Y）和销售收入（X）的关联图(图1)：SCATXY 图1我国制造工业销售利润和销售收入关联图 从图中能够见出，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于递增的异方差性。 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。于方程窗口中点击Resids按钮就能够得到模型的残差分布图（或建立方程后于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，即表明存于异方差性。 ⒉Goldfeld-Quant检验 ⑴将样本安解释变量排序（SORTX）且分成俩部分（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。 SMPL110 LSYCX 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。 SMPL1928 LSYCX 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，所以存于异方差性 ⒊White检验 ⑴建立回归模型：LSYCX，回归结果如图5。 图5我国制造业销售利润回归模型 ⑵于方程窗口上点击View\Residual\Test\WhiteHeteroskedastcity,检验结果如图6。 图6White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,所以存于异方差性。实际应用中能够直接观察相伴概率p值的大小，若p值较小，则认为存于异方差性。反之，则认为不存于异方差性。 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：GENRLNE2=log(RESID^2) GENRLNX=log ⑶建立新残差序列对解释变量的回归模型：LSLNE2CLNX，回归结果如图7所示。 图7Park检验回归模型 从图7所示的回归结果中能够见出，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和解释变量存于较强的关联关系，即认为存于异方差性。
异方差性检验
金融122班 23号钟萌 异方差性检验 引入滞后变量X-1、X-2、Y-1 。可建立如下中国居民消费函数： Y=β0+β1X+β2X(-1)+β3X(-2)+β4Y(-1) 用OLS法进行估计，结果如下： 对应的表达式为 Y=429.3512+0.143X-0.104X(-1)+0.063X(-2)+0.838Y(-1) 2.18 2.09 -0.73 0.63 7.66 R2=0.9988 F=4503.94 估计结果显示，在5%的显著性水平下，自由度为25的临界值为2.060，若存在异方差性，则可能是由X、Y（-1）引起的。
做OLS回归得到的残差平方项分别与X、Y(-1)的散点图
从散点图可以看出，两者存在异方差性。下面进行统计检验。 采用White异方差检验： 所以辅助回归结果为： e2=-194156.4-249.491X+0.003X2+265.306X(-1)-0.004X(-1)2+4.187X(-2)- 0.001X(-2)2 +51.377Y(-1)+0.001Y(-1)2 -1.566 -4.604 2.863 2.648 -1.604 0.055 -0.301 0.579 0.410 X与X的平方项的参数的t检验是显著的，且White统计量为
16.999>5%显著性水平下，自由度为8的卡方分布值15.51，(从nR2 统计量的对应值的伴随概率值容易看出）所以在5%的显著性水平下，拒绝同方差性这一原假设，方程确实存在异方差性。 用加权最小二乘法对异方差性进行修正，重新进行回归估计， 得到加权后消除异方差性的估计结果： 回归表达式为： Y=275.0278-0.0192X+0.1617X(-1)-0.0732X(-2)+0.9165Y(-1) 3.5753 -0.3139 1.3190 -1.0469 16.5504
计量经济学异方差的检验与修正
《计量经济学》实训报告 实训项目名称异方差模型的检验与处理 实训时间 2012-01-02 实训地点实验楼308 班级 学号 姓名
实 训 (实 践 ) 报 告 实 训 名 称 异方差模型的检验与处理 一、 实训目的 掌握异方差性的检验及处理方法。 二 、实训要求 1.求销售利润与销售收入的样本回归函数，并对模型进行经济意义检验和统计检验； 2.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差； 3.如果模型存在异方差，选用适当的方法对异方差进行修正，消除或减小异方差对模型的影响。 三、实训内容 建立并检验我国制造业利润函数模型，检验异方差性，并选用适当方法对其进行修正，消除或不同） 四、实训步骤 1.建立一元线性回归方程； 2.建立Workfile 和对象，录入数据； 3.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差； 4.对所估计的模型再进行White 检验，观察异方差的调整情况，从而消除或减小异方差对模型的影响。 五、实训分析、总结 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。假设销售利润与销售收入之间满足线性约束，则理论模型设定为： 12i i i Y X u ββ=++ 其中i Y 表示销售利润，i X 表示销售收入。
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Y 销售收入X 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 1.建立Workfile和对象，录入销售收入X和销售利润Y： 图1 销售收入X和销售利润Y的录入 2.图形法检验 ⑴观察销售利润Y与销售收入X的相关图：在群对象窗口工具栏中点击
试验一异方差的检验与修正-时间序列分析
案例三 ARIMA 模型的建立 一、实验目的 了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。 二、基本概念 所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。 在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。 三、实验内容及要求 1、实验内容： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2）对经过平稳化后的1950年到2007年中国进出口贸易总额数据运用经典B-J 方法论建立合适的ARIMA （,,p d q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测； （3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 打开Eviews 软件，选择“File”菜单中的“New --Workfile”选项，在“Workfile structure type ”栏选择“Dated –regular frequency ”，在“Date specification ”栏中分别选择“Annual ”(年数据) ，分别在起始年输入1950，终止年输入2007，点击ok ，见图3-1，这样就建立了一个工作文件。点击File/Import ，找到相应的Excel 数据集，导入即可。
异方差实验报告
附件二：实验报告格式（首页） 山东轻工业学院实验报告成绩 课程名称计量经济学指导教师实验日期 2013.5.18 院（系）商学院会计系专业班级会计实验地点实验楼二机房 学生姓名学号同组人无 实验项目名称异方差的检验 一、实验目的和要求 1、理解异方差的含义后果、 2、学会异方差的检验与加权最小二乘法要求熟悉基本操作步骤，读懂各项上机榆出结果 的含义并进行分析 3、掌握异方差性问题出现的来源、后果、检验及修正的原理，以及相关的Eviews操 作方法 4、练习检查和克服模型的异方差的操作方法。 5、掌握异方差性的检验及处理方法 6、用图示法、斯皮尔曼法、戈德菲尔德、white验证法，验证该模型是否存在异方差 二、实验原理 1、异方差的检验出消除方法 2、运用EVIEWS软件及普通最小二乘法进行模型估计 3、检验模型的异方差性并对其进行调整 三、主要仪器设备、试剂或材料 Eviews软件、课本教材、电脑 四、实验方法与步骤 一、准备工作。建立工作文件，并输入数据，用普通最小二乘法估计方程（操作步骤 与方法同前），得到残差序列。 1、CREATE U 1 31 回车 2、DATA Y X 回车 输入数据
obs Y X 1 264 8777 2 105 9210 3 90 9954 4 131 10508 5 122 10979 6 10 7 11912 7 406 12747 8 503 13499 9 431 14269 10 588 15522 11 898 16730 12 950 17663 13 779 18575 14 819 19635 15 1222 21163 16 1702 22880 17 1578 24127 18 1654 25604 19 1400 26500 20 1829 26760 21 2200 28300 22 2017 27430 23 2105 29560 24 1600 28150 25 2250 32100 26 2420 32500 27 2570 35250 28 1720 33500 29 1900 36000 30 2100 36200 31 2800 38200 3、LS Y C X 回车 用最小二乘法进行估计出现 Dependent Variable: Y Method: Least Squares Date: 05/18/13 Time: 11:19 Sample: 1 31 Included observations: 31 Variable Coefficien t Std. Error t-Statistic Prob.
异方差检验
七、 异方差与自相关 一、背景 我们讨论如果古典假定中的同方差和无自相关假定不能得到满足，会引起什 么样的估计问题呢？另一方面，如何发现问题，也就是发现和检验异方差以及自 相关的存在性也是一个重要的方面，这个部分就是就这个问题进行讨论。 二、知识要点 1、引起异方差的原因及其对参数估计的影响 2、异方差的检验（发现异方差） 3、异方差问题的解决办法 4、引起自相关的原因及其对参数估计的影响 5、自相关的检验（发现自相关） 6、自相关问题的解决办法 （时间序列部分讲解） 三、要点细纲 1、引起异方差的原因及其对参数估计的影响 原因：引起异方差的众多原因中，我们讨论两个主要的原因，一是模型的设定偏 误，主要指的是遗漏变量的影响。这样，遗漏的变量就进入了模型的残差项中。 当省略的变量与回归方程中的变量有相关关系的时候，不仅会引起内生性问题， 还会引起异方差。二是截面数据中总体各单位的差异。 后果：异方差对参数估计的影响主要是对参数估计有效性的影响。在存在异方差 的情况下，OLS 方法得到的参数估计仍然是无偏的，但是已经不具备最小方差 性质。一般而言，异方差会引起真实方差的低估，从而夸大参数估计的显著性， 即是参数估计的t 统计量偏大，使得本应该被接受的原假设被错误的拒绝。 2、异方差的检验 （1）图示检验法 由于异方差通常被认为是由于残差的大小随自变量的大小而变化，因此，可 以通过散点图的方式来简单的判断是否存在异方差。具体的做法是，以回归的残 差的平方2i e 为纵坐标，回归式中的某个解释变量i x 为横坐标，画散点图。如果散 点图表现出一定的趋势，则可以判断存在异方差。
spss实验报告---方差分析
实验报告 ——（方差分析） 一、实验目的 熟练使用SPSS软件进行方差分析。学会通过方差分析分析不同水平的控制变量是否对结果产生显著影响。 二、实验内容 1、某职业病防治院对31名石棉矿工中的石棉肺患者、可疑患者及非患者进行了用力肺活量（L）测定，问三组石棉矿工的用力肺活量有无差别?（自建数据集） 石棉肺患者可疑患者非患者 1.8 2.3 2.9 1.4 2.1 3.2 1.5 2.1 2.7 2.1 2.1 2.8 1.9 2.6 2.7 1.7 2.5 3.0 1.8 2.3 3.4 1.9 2.4 3.0 1.8 2.4 3.4 1.8 3.3 2.0 3.5 SPSS计算结果： 在建立数据集时定义group1为石棉肺患者，group2为可疑患者，group3为非患者。 零假设：各水平下总体方差没有显著差异。 相伴概率为0.075，大于0.05，可以认为各个组的方差是相等的，可以进行方差检验。
从上表可以看出3个组之间的相伴概率都小于显著性水平0.05，拒绝零假设，说明3个组之间都存在显著差别。 2、某汽车经销商在不同城市进行调查汽车的销售量数据分析工作，每个城市分别处于不同的区域：东部、西部和中部，而且汽车经销商在不同城市投放不同类型的广告，调查数据放置于附件中数据文件“汽车销量调查.sav”。 （1）试分析不同区域与不同广告类型是否对汽车的销量产生显著性的影响？（2）如果考虑到不同城市人均收入具有差异度时，再思考不同区域和不同广告类型对汽车销量产生的影响差异是否改变，这说明什么问题？ SPSS计算结果： （1）此为多因素方差分析 相伴概率为0.054大于0.05，可以认为各个组总体方差相等可以进行方差检验。
线性回归异方差地诊断检验和修补—SPSS操作
线性回归（异方差的诊断、检验和修补）—SPSS操作 首先拟合一般的线性回归模型，绘制残差散点图。步骤和结果如下：为方便，只做简单的双变量回归模型，以当前工资作为因变量，初始工资作为自变量。（你们自己做的时候可以考虑加入其他的自变量，比如受教育程度等等）Analyze——regression——linear 将当前工资变量拉入dependent框，初始工资进入independent 点击上图中的PLOTS，出现以下对话框：
以标准化残差作为Y轴，标准化预测值作为X轴，点击continue，再点击OK 第一个表格输出的是模型拟合优度2R，为0.775。调整后的拟合优
度为0.774. 第二个是方差分析，可以说是模型整体的显著性检验。F统计量为1622.1，P值远小于0.05，故拒绝原假设，认为模型是显著的。第三个是模型的系数，constant代表常数项，初始工资前的系数为1.909，t检验的统计量为40.276，通过P值，发现拒绝原假设，认为系数显著异于0。 以上是输出的残差对预测值的散点图，发现存在喇叭口形状，暗示着异方差的存在， 故接下来进行诊断，一般需要诊断异方差是由哪个自变量引起的，
由于这里我们只选用一个变量作为自变量，故认为异方差由唯一的自变量“初始工资”引起。接下来做加权的最小二乘法，首先计算权数。 Analyze——regression——weight estimation
再点击options， 点击continue，再点击OK，输出如下结果： 由于结果比较长，只贴出一部分，第二栏的值越大越好。所以挑出来的权重变量的次数为2.7。得出最佳的权重侯，即可进行回归。Analyze——regression——linear
实验四异方差性的检验与处理
实验四异方差性的检验 与处理 集团标准化工作小组 [Q8QX9QT-X8QQB8Q8-NQ8QJ8-M8QMN]
实验四 异方差性的检验及处理（2学时） 一、实验目的 （1）、掌握异方差检验的基本方法； （2）、掌握异方差的处理方法。 二、实验学时：2学时 三、实验要求 （1）掌握用MATLAB 软件实现异方差的检验和处理； （2）掌握异方差的检验和处理的基本步骤。 四、实验原理 1、异方差检验的常用方法 (1) 用X-Y 的散点图进行判断 (2). 22 ?(,)(,)e x e y 或的图形 ,),x )i i y i i （(e 或(e 的图形） (3) 等级相关系数法（又称Spearman 检验） 是一种应用较广的方法，既可以用于大样本，也可与小样本。 检验的三个步骤 ① ?t t y y =-i e ② |i x i i 将e 取绝对值，并把|e 和按递增或递减次序排序， 计算Spearman 系数rs ,其中：2 1n i i d =∑s 2 6r =1-n(n -1) ③ 做等级相关系数的显着性检验。n>8时， /2(2),t t n α>-反之，若||i i e x 说明与之间存在系统关系， 异方差问题存在。 (4) 帕克(Park)检验 帕克检验常用的函数形式： 若在统计上是显着的，表明存在异方差性。 2、异方差性的处理方法: 加权最小二乘法 如果在检验过程中已经知道：222 ()()()i i i ji u Var u E u f x σσ=== 则将原模型变形为：
121( i i p pi i y x x u f x βββ =+?++?+ 在该模型中： 即满足同方差性。于是可以用OLS估计其参数，得到关于参数12 ,,, p βββ 的无偏、有效估计量。 五、实验举例 例1 01 i i i y x u =++ 若用线性模型，研究不同收入家庭的消费情况，试问原数据有无异方差性如果存在异方差性，应如何处理 解：（一）编写程序如下： （1）等级相关系数法（详见文件） %%%%%%%%%%%%%%% 用等级相关系数法来检验异方差性 %%%%%%%% [data,head]=xlsread(''); x=data(:,1); %提取第一列数据，即可支配收入x y=data(:,2); %提取第二列数据，即居民消费支出y plot(x,y,'k.'); % 画x和y的散点图 xlabel('可支配收入x（千元）') % 对x轴加标签 ylabel('居民消费支出y(千元)') % 对y轴加标签 %%%%%%%% 调用regres函数进行一元线性回归 %%%%%%%%%%%% xdata=[ones(size(x,1),1),x]; %在x矩阵最左边加一列1，为线性回归做准备 [b,bint,r,rint,s]=regress(y,xdata); yhat=xdata*b; %计算估计值y % 定义元胞数组，以元胞数组形式显示系数的估计值和估计值的95%置信区间 head1={'系数的估计值','估计值的95%置信下限','估计值的95%置信上限'};
异方差性的检验及处理方法
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。 一、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：12/RSS RSS F =＝63769.67/2579.59=24.72，21RSS RSS 和分别是模型1和模型2的残差平方和。 取 05 .0=α时，查F 分布表得 44.3)1110,1110(05.0=----F ，而 44.372.2405.0=>=F F ，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
方差分析实验报告
非参数检验 实验报告 方差分析 学院: 参赛队员: 参赛队员: 参赛队员: 指导老师:
目录 一、实验目的 (1) 1.了解方差分析的基本内容； (1) 2.了解单因素方差分析； (1) 3.了解多因素方差分析； (1) 4.学会运用spss软件求解问题； (1) 5.加深理论与实践相结合的能力。 (1) 二、实验环境 (1) 三、实验方法 (1) 1. 单因素方差分析； (1) 2. 多因素方差分析。 (1) 四、实验过程 (1) 问题一： (1) 1.1实验过程 (1) 1.1.1输入数据，数据处理； (1) 1.1.2单因素方差分析 (1) 1.2输出结果 (3) 1.3结果分析 (3) 1.3.1描述 (3) 1.3.2方差性检验 (4) 1.3.3单因素方差分析 (4) 问题二： (4) 2.1实验步骤 (5) 2.1.1命名变量 (5) 2.1.2导入数据 (5) 2.1.3单因素方差分析 (5) 2.1.4输出结果 (7) 2.2结果分析 (7) 2.2.1描述 (7) 2.2.2方差性检验 (8)
2.2.3单因素方差分析 (8) 问题三： (8) 3.1提出假设 (8) 3.2实验步骤 (8) 3.2.1数据分组编号 (8) 3.2.2多因素方差分析 (9) 3.2.3输出结果 (13) 3.3结果分析 (14) 五、实验总结 (14)
方差分析 一、实验目的 1.了解方差分析的基本内容； 2.了解单因素方差分析； 3.了解多因素方差分析； 4.学会运用spss软件求解问题； 5.加深理论与实践相结合的能力。 二、实验环境 Spss、office 三、实验方法 1.单因素方差分析； 2.多因素方差分析。 四、实验过程 问题一： 1.1.1输入数据，数据处理； 1.1.2单因素方差分析 选择：分析→比较均值→单因素AVONA；
EViews计量经济学实验报告异方差的诊断及修正
时间 地点 实验题目 异方差的诊断与修正 一、实验目的与要求： 要求目的：1、用图示法初步判断是否存在异方差，再用White 检验异方差； 2、用加权最小二乘法修正异方差。 二、实验内容 根据1998年我国重要制造业的销售利润与销售收入数据，运用EV 软件，做回归分析，用图示法，White 检验模型是否存在异方差，如果存在异方差，运用加权最小二乘法修正异方差。 三、实验过程：（实践过程、实践所有参数与指标、理论依据说明等） （一） 模型设定 为了研究我国重要制造业的销售利润与销售收入是否有关，假定销售利润与销售收入之间满足线性约束，则理论模型设定为： i Y =1β+2βi X +i μ 其中，i Y 表示销售利润，i X 表示销售收入。由1998年我国重要制造业的销售收入与销售利润的数据，如图1： 1988年我国重要制造业销售收入与销售利润的数据 （单位：亿元）
（二） 参数估计 1、双击“Eviews ”，进入主页。输入数据：点击主菜单中的File/Open /EV Workfile —Excel —异方差数据2.xls ； 2、在EV 主页界面的窗口，输入“ls y c x ”，按“Enter ”。出现OLS 回归结果,如图2： 估计样本回归函数 Dependent Variable: Y Method: Least Squares Date: 10/19/05 Time: 15:27 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob. C 12.03564 19.51779 0.616650 0.5428 X 0.104393 0.008441 12.36670 0.0000 R-squared 0.854696 Mean dependent var 213.4650 Adjusted R-squared 0.849107 S.D. dependent var 146.4895 S.E. of regression 56.90368 Akaike info criterion 10.98935 Sum squared resid 84188.74 Schwarz criterion 11.08450 Log likelihood -151.8508 F-statistic 152.9353 Durbin-Watson stat 1.212795 Prob(F-statistic) 0.000000 估计结果为： i Y ? = 12.03564 + 0.104393i X （19.51779） (0.008441) t=（0.616650） （12.36670） 2R =0.854696 2R =0.849107 S.E.=56.89947 DW=1.212859 F=152.9353 这说明在其他因素不变的情况下，销售收入每增长1元，销售利润平均增长0.104393元。 2R =0.854696 , 拟合程度较好。在给定 =0.0时，t=12.36670 > )26(025.0t =2.056 ，拒
异方差性的检验和补救
异方差性的检验和补救 一、研究目的和要求 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，检验其是否存在异方差，并加以补救。 表1 我国制造工业1998年销售利润与销售收入情况 二、参数估计 EVIEWS 软件估计参数结果如下
Dependent Variable: Y Method: Least Squares Date: 06/01/16 Time: 20:16 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob. C 12.03349 19.51809 0.616530 0.5429 X 0.104394 0.008442 12.36658 0.0000 R-squared 0.854694 Mean dependent var 213.4639 Adjusted R-squared 0.849105 S.D. dependent var 146.4905 S.E. of regression 56.90455 Akaike info criterion 10.98938 Sum squared resid 84191.34 Schwarz criterion 11.08453 Log likelihood -151.8513 Hannan-Quinn criter. 11.01847 F-statistic 152.9322 Durbin-Watson stat 1.212781 Prob(F-statistic) 0.000000 用规范的形式将参数估计和检验结果写下 2?12.033490.104394(19.51809)(0.008442) =(0.616530) (12.36658)0.854694152.9322 i Y X t R F =+ = = 三、 检验模型的异方差 （一） 图形法 1. 相关关系图 X Y X Y 相关关系图
异方差的检验与修正
财经学院 本科实验报告 学院（部）统计学院 实验室313 课程名称计量经济学 学生姓名 学号1204100213 专业统计学 教务处制 2014年12 月15 日
《异方差》实验报告
五、实验过程原始记录(数据、图表、计算等) 一．选择数据 1.建立工作文件并录入数据File\New\workfile, 弹出Workfile create 对话框中选择数据类型。Object\new object\group,按向上的方向键，出现两个obs 后输入数据. 中国地2006年各地区农村居民家庭人均纯收入与消费支出 单位：元 城市 y x1 x2 城市 y x1 x2 5724.5 958.3 7317.2 2732.5 1934.6 1484.8 3341.1 1738.9 4489 3013.3 1342.6 2047 2495.3 1607.1 2194.7 3886 1313.9 3765.9 2253.3 1188.2 1992.7 广西 2413.9 1596.9 1173.6 2772 2560.8 781.1 2232.2 2213.2 1042.3 3066.9 2026.1 2064.3 2205.2 1234.1 1639.7 2700.7 2623.2 1017.9 2395 1405 1597.4 2618.2 2622.9 929.5 1627.1 961.4 1023.2 8006 532 8606.7 2195.6 1570.3 680.2 4135.2 1497.9 4315.3 2002.2 1399.1 1035.9 6057.2 1403.1 5931.7 2181 1070.4 1189.8 2420.9 1472.8 1496.3 1855.5 1167.9 966.2 3591.4 1691.4 3143.4 2179 1274.3 1084.1 2676.6 1609.2 1850.3 2247 1535.7 1224.4 3143.8 1948.2 2420.1 2032.4 2267.4 469.9 2229.3 1844.6 1416.4 二．对数据进行参数估计，得出多元线性回归模型 1.模型设定为εβββ+++=23121i i i X X Y Yi ----人均消费支出 X1--从事农业经营的纯收入 X2--其他来源的纯收入 2.点Quick\estimate equation,在弹出的对话框中输入”Y C X ”，结果如下：
实验四 异方差
实验四异方差 4.1 实验目的 掌握异方差问题出现的来源、后果、检验及修正的原理，以及相关的EViews 操作方法。 思考： （1）异方差的问题属于计量经济学分析步骤中的哪一步需要考虑的？【模型检验——>计量经济意义检验】 （2）异方差检验的方法有哪些？【图检法、怀特检验、戈里瑟检验、等级相关系数检验、戈德菲尔德-夸特检验】每种方法的检验步骤是什么？【略】 （3）异方差出现时，如何补救？也即其修正方法是什么？【加权最小二乘法】 4.2 实验内容 已知某地区的个人储蓄Y，可支配收入X的截面样本数据，建立它们之间的线性计量经济模型，练习检查和克服模型的异方差的操作方法。【具体数据见教材p125】 4.3 实验步骤 4.3.1 检查模型是否存在异方差性 （1）图示法：利用残差图判断。建立残差关于x的散点图，如图4.1，可以发现随着x增加，残差呈现不断增大的趋势，即存在递增性的异方差。
图4.1 （2）用White方法检验是否存在异方差。 在一元线性回归的基础上，做White检验。在回归式窗口中点击View键选Residual Tests/White Heteroskedasticity功能，如图4.2。 图4.2 检验式存在有无交叉项两种选择，一般选择无交叉项，得到图4.3的结果：通过white检验中的p-值可以判断模型存在异方差。
图4.3 （3）用戈德菲尔德——夸特检验是否存在异方差 按X排序（数据资料已经完成升序排列） Data T Sort x Smpl 1 11 ls y c x Smpl 21 31 ls y c x 去掉中心9组数据，得到第一、二个子样本。其样本容量相等，同为11。 对两个子样本回归，见图4.4和图4.5。得到两组残差平方和。
实验异方差地检验与修正
实验异方差的检验与修正 实验目的 1、理解异方差的含义后果、 2、学会异方差的检验与加权最小二乘法 实验容 一、准备工作。建立工作文件，并输入数据，用普通最小二乘法估计方程（操作 步骤与方法同前），得到残差序列。 表2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2 我国制造工业1998年销售利润与销售收入情况 二、异方差的检验 1、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3-1)：SCAT X Y
图3-1 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3-2 我国制造业销售利润回归模型残差分布 图3-2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。 2、Goldfeld-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3-3），其残差平方和为2579.587。 SMPL 1 10 LS Y C X
图3-3 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3-4），其残差平方和为63769.67。 SMPL 19 28 LS Y C X 图3-4 样本2回归结果 ⑷计算F 统计量：12/RSS RSS F =＝63769.67/2579.59=24.72，21RSS RSS 和分别是模型1和模型2的残差平方和。 取05.0=α时，查F 分布表得44.3)1110,1110(05.0=----F ，而 44.372.2405.0=>=F F ，所以存在异方差性 3、White 检验 ⑴建立回归模型：LS Y C X ，回归结果如图3-5。
线性回归 异方差的诊断 检验和修补 SPSS操作
线性回归（异方差的诊断、检验和修补）—S P S S操作首先拟合一般的线性回归模型，绘制残差散点图。步骤和结果如下： 为方便，只做简单的双变量回归模型，以当前工资作为因变量，初始工资作为自变量。（你们自己做的时候可以考虑加入其他的自变量，比如受教育程度等等） Analyze——regression——linear 将当前工资变量拉入dependent框，初始工资进入independent 点击上图中的PLOTS，出现以下对话框： 以标准化残差作为Y轴，标准化预测值作为X轴，点击continue，再点击OK 第一个表格输出的是模型拟合优度2R，为0.775。调整后的拟合优度为0.774. 第二个是方差分析，可以说是模型整体的显着性检验。F统计量为1622.1，P值远小于0.05，故拒绝原假设，认为模型是显着的。 第三个是模型的系数，constant代表常数项，初始工资前的系数为1.909，t检验的统计量为40.276，通过P值，发现拒绝原假设，认为系数显着异于0。 以上是输出的残差对预测值的散点图，发现存在喇叭口形状，暗示着异方差的存在， 故接下来进行诊断，一般需要诊断异方差是由哪个自变量引起的，由于这里我们只选用一个变量作为自变量，故认为异方差由唯一的自变量“初始工资”引起。接下来做加权的最小二乘法，首先计算权数。
Analyze——regression——weight estimation 再点击options， 点击continue，再点击OK，输出如下结果： 由于结果比较长，只贴出一部分，第二栏的值越大越好。所以挑出来的权重变量的次数为2.7。得出最佳的权重侯，即可进行回归。Analyze——regression——linear 继续点击save， 在上面两处打勾，点击continue，点击ok 这是输出结果，和之前同样的分析方法。 接下需要绘制残差对预测值的散点图，首先通过transform里的compute 计算考虑权重后的预测值和残差。 以上两个步骤后即可输出考虑权重后的预测值和残差值 然后点击graph，绘制出的散点图如下：
EViews计量经济学实验报告异方差的诊断及修正
姓名学号实验题目异方差的诊断与修正 一、实验目的与要求： 要求目的：1、用图示法初步判断是否存在异方差，再用White检验异方差； 2、用加权最小二乘法修正异方差。
估计结果为： i Y ? = 12.03564 + 0.104393i X （19.51779） (0.008441) t=（0.616650） （12.36670） 2R =0.854696 R =0.849107 S.E.=56.89947 DW=1.212859 F=152.9353 这说明在其他因素不变的情况下，销售收入每增长1元，销售利润平均增长0.104393元。 2R =0.854696 , 拟合程度较好。在给定 =0.0时，t=12.36670 > )26(025.0t =2.056 ，拒 绝原假设，说明销售收入对销售利润有显著性影响。F=152.9353 > )6,21(F 05.0= 4.23 ,
表明方程整体显著。 （三） 检验模型的异方差 ※（一）图形法 6、判断 由图3可以看出，被解释变量Y 随着解释变量X 的增大而逐渐分散，离散程度越来越大； 同样，由图4可以看出，残差平方2 i e 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2 i e 随i X 的变动呈增大趋势。因此，模型很可能存在异方差。但是否确实存在异方差还应该通过更近一步的检验。
※ （二）White 检验 White 检验结果 White Heteroskedasticity Test: F-statistic 3.607218 Probability 0.042036 Obs*R-squared 6.270612 Probability 0.043486 Test Equation: t 界值5.002 χ （2） =5.99147。比较计算的2χ统计量与临界值，因为n 2R = 6.270612 > 5 .002 χ（2）=5.99147 ，所以拒绝原假设，不拒绝备择假设，这表明模型存在异方差。 （四） 异方差的修正 在运用加权最小二乘法估计过程中，分别选用了权数t 1ω=1/t X ，t 2ω=1/2 t X ，t 3ω=1/t X 。 用权数t 1ω的结果
计量经济学截面数据异方差检验(借鉴资料)
某家庭对某种消费品的消费需要研究 一、经济理论陈述，变量确定 某家庭对某消费品的消费需要可以由该家庭的消费支出来表示，消费支出受商品价格、家庭月收入两个因素影响。用EVIEWS软件对相关数据进行了多元回归分析，得出了相关结论。 其中，被解释变量为：对某商品的消费支出（Y） 解释变量为：商品单价（X1）、家庭月收入（X2）二、模型形式的确定：散点图 通过OLS可得模型的散点图如下：
从散点图可以看出该家庭对某商品的消费支出(Y)和商品单价（X1）、家庭月收入（X2）大体呈现为线性关系， 三、建立模型 利用书P105页第11题数据，建立截面数据的计量经济模型，并进行回归分析。假设建立如下线性二元回归模型： Y=C+β1X1+β2X2+μ 其中，Y表示对某商品的消费支出，X1表示商品单价，X2表示家庭月收入，μ表示随机误差项。 1、参数估计： 假定所建模型及随机扰动项μ满足古典假定，可以用OLS 法估计其参数，运用计算机软件EViews作计量经济分析。通过OLS可得：
参数和估计结果为： =∧Y 626.5093-9.79057X1+0.028618X2 2、经济意义检验 所估计的参数β1=—9.79057，说明商品单价每提高1元，可导致对某商品的消费支出减少9.79057元。β2=0.028618，说明家庭月收入每提高1元，可导致对某商品的消费支出增加0.028618元，这与经济学中边际消费倾向的意义相符。 3、统计学检验 （1）拟合优度检验： 从回归估计的结果看，模型拟合较好：可决系数R 2=0.902218说明所建模型整体上对样本数据拟合较好，即解释变量“商