异方差性的检验及处理方法

1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187.253180.44医药制造业238.711264.1食品制造业111.421119.88化学纤维制品81.57779.46饮料制造业205.421489.89橡胶制品业77.84692.08烟草加工业183.871328.59塑料制品业144.341345纺织业316.793862.9非金属矿制品339.262866.14服装制品业157.71779.1黑色金属冶炼367.473868.28皮革羽绒制品81.71081.77有色金属冶炼144.291535.16木材加工业35.67443.74金属制品业201.421948.12家具制造业31.06226.78普通机械制造354.692351.68造纸及纸品业134.41124.94专用设备制造238.161714.73印刷业90.12499.83交通运输设备511.944011.53文教体育用品54.4504.44电子机械制造409.833286.15石油加工业194.452363.8电子通讯设备508.154499.19化学原料纸品502.614195.22仪器仪表设备72.46663.68一、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)：SCATXY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。2⑵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（SORTX）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。SMPL110LSYCX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。SMPL1928LSYCX3图4样本2回归结果⑷计算F统计量：12/RSSRSSF＝63769.67/2579.59=24.72，21RSSRSS和分别是模型1和模型2的残差平方和。取05.0时，查F分布表得44.3)1110,1110(05.0F，而44.372.2405.0FF，所以存在异方差性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在方程窗口上点击View\Residual\Test\WhiteHeteroskedastcity,检验结果如图6。图6White检验结果4其中F值为辅助回归模型的F统计量值。取显著水平05.0，由于2704.699.5)2(2205.0nR,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：GENRLNE2=log(RESID^2)GENRLNX=logx⑶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：GENRE=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：LSECX，回归结果如图8、9、10、11、12、13所示。图85图9图10图11图126图13由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。所以认为存在异方差性。⑷由F值或2R确定异方差类型Gleiser检验中可以通过F值或2R值确定异方差的具体形式。本例中，图10所示的回归方程F值（2R）最大，可以据次来确定异方差的形式。二、调整异方差性⒈确定权数变量根据Park检验生成权数变量：GENRW1=1/X^1.6743根据Gleiser检验生成权数变量：GENRW2=1/X^0.5另外生成：GENRW3=1/ABS(RESID）GENRW4=1/RESID^2⒉利用加权最小二乘法估计模型在Eviews命令窗口中依次键入命令：LS(W=iW)YCX或在方程窗口中点击Estimate\Option按钮，并在权数变量栏里依次输入W1、W2、W3、W4，回归结果图14、15、16、17所示。图147图15图16图17⒊对所估计的模型再进行White检验，观察异方差的调整情况对所估计的模型再进行White检验，其结果分别对应图14、15、16、17的回归模型（如图18、19、20、21所示）。图18、19、21所对应的White检验显示，P值较大，所以接收不存在异方差的原假设，即认为已经消除了回归模型的异方差性。图20对应的White检验没有显示F值和2nR的值，这表示异方差性已经得到很好的解决。8图18图19图20图21