eviews的异方差检验

异方差的处理地区农业总产值（亿元）农作物播种面积（千公顷）地区农业总产值（亿元）农作物播种面积（千公顷）北京115.48295.01湖北1152.097030.01天津117.60433.95湖南1243.157390.71河北1639.078652.70广东1328.704363.05山西322.653653.15广西970.555594.40内蒙古620.426761.47海南224.17754.32辽宁837.503703.88重庆401.483134.66吉林641.504943.99四川1316.609278.24黑龙江971.9411898.48贵州392.204464.53上海126.74390.66云南683.805801.86江苏1542.537407.73西藏39.49232.92浙江735.922462.82陕西629.344044.74安徽1054.018853.90甘肃458.733759.00福建685.302191.18青海49.16516.68江西621.265245.13宁夏111.121189.83山东2604.0710724.40新疆767.004202.63河南2254.5214087.84一、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SCATXY；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：SORTX；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genre2=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/SimpleScatter,如下图（图3）图3⒉Goldfeld-Quant检验⑴将样本安解释变量排序（SORTX）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。SMPL112LSYCX图4⑶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。SMPL2031LSYCX图545.69.351515/2265858/12RSSRSSF98.2)1112,1112(05.0F98.245.605.0FF⑷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：LSYCX，回归结果如图6。图6⑵在方程窗口上点击View\ResidualTest\WhiteHeteroskedastcity(nocrossterms),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：GENRLNE2=log(RESID^2)GENRLNX=log（X）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：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9、10、11、12、13、14所示。图9图10图11图12图13图14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值或确定异方差类型Gleiser检验中可以通过F值或值确定异方差的具体形式。本例中，图11所示的回归方程F值（）最大，可以据此来确定异方差的形式。2R2R二、运用加权最小二乘法消除异方差权数采用，如果仍然存在异方差，可以尝试其他权数在命令窗口输入genrw1=1/abs(resid)回车然后输入LS（W=W1）YCX得到以下方程e1在方程窗口点View\ResidualTest\WhiteHeteroskedastcity(nocrossterms),进行White检验，发现异方差已经消除。如下图三、在回归之前，对原序列均取对数，然后对对数序列进行回归，有时能消除异方差