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：iY=1+2iX+i其中，iY表示销售利润，iX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）行业名称销售利润Y销售收入X食品加工业187.253180.44食品制造业111.421119.88饮料制造业205.421489.89烟草加工业183.871328.59纺织业316.793862.9服装制造业157.71779.1皮革羽绒制品81.731081.77木材加工业35.67443.74家具制造业31.06226.78造纸及纸制品134.41124.94印刷业90.12499.83文教体育用品54.4504.44石油加工业194.452363.8化学原料制品502.614195.22医药制造业238.711264.1化学纤维制造81.57779.46橡胶制品业77.84692.08塑料制品业144.341345非金属矿制业339.262866.14黑色金属冶炼367.473868.28有色金属冶炼144.291535.16金属制品业201.421948.12普通机械制造354.692351.68专用设备制造238.161714.73交通运输设备511.944011.53电子机械制造409.833286.15电子通信设备508.154499.19仪器仪表设备72.46663.68（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/EVWorkfile—Excel—异方差数据2.xls；2、在EV主页界面的窗口，输入“lsycx”，按“Enter”。出现OLS回归结果,如图2：估计样本回归函数DependentVariable:YMethod:LeastSquaresDate:10/19/05Time:15:27Sample:128Includedobservations:28VariableCoefficientStd.Errort-StatisticProb.C12.0356419.517790.6166500.5428X0.1043930.00844112.366700.0000R-squared0.854696Meandependentvar213.4650AdjustedR-squared0.849107S.D.dependentvar146.4895S.E.ofregression56.90368Akaikeinfocriterion10.98935Sumsquaredresid84188.74Schwarzcriterion11.08450Loglikelihood-151.8508F-statistic152.9353Durbin-Watsonstat1.212795Prob(F-statistic)0.000000估计结果为：iYˆ=12.03564+0.104393iX（19.51779）(0.008441)t=（0.616650）（12.36670）2R=0.8546962R=0.849107S.E.=56.89947DW=1.212859F=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(F05.0=4.23,表明方程整体显著。（三）检验模型的异方差※（一）图形法1、在“Workfile”页面：选中x,y序列，点击鼠标右键，点击Open—asGroup—Yes2、在“Group”页面：点击View－Graph—Scatter—SimpleScatter,得到X,Y的散点图（图3所示）：0100200300400500600010002000300040005000XY3、在“Workfile”页面：点击Generate，输入“e2=resid^2”—OK4、选中x,e2序列，点击鼠标右键，Open—asGroup—Yes5、在“Group”页面：点击View－Graph—Scatter—SimpleScatter,得到X,e2的散点图（图4所示）：0500010000150002000025000010002000300040005000XE26、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2ie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2ie随iX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1、在“Equation”页面：点击View－ResidualTests—White检验（nocross）,（本例为一元函数，没有交叉乘积项）得到检验结果，如图5：White检验结果WhiteHeteroskedasticityTest:F-statistic3.607218Probability0.042036Obs*R-squared6.270612Probability0.043486TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:10/19/05Time:15:29Sample:128Includedobservations:28VariableCoefficientStd.Errort-StatisticProb.C-3279.7792857.117-1.1479330.2619X5.6706343.1093631.8237280.0802X^2-0.0008710.000653-1.3340000.1942R-squared0.223950Meandependentvar3006.741AdjustedR-squared0.161866S.D.dependentvar5144.470S.E.ofregression4709.744Akaikeinfocriterion19.85361Sumsquaredresid5.55E+08Schwarzcriterion19.99635Loglikelihood-274.9506F-statistic3.607218Durbin-Watsonstat1.479908Prob(F-statistic)0.0420362、因为本例为一元函数，没有交叉乘积项，则辅助函数为2t=0+1tx+22tx+t从上表可以看出，n2R=6.270612，有White检验知，在=0,05下，查2分布表，得临界值5.002（2）=5.99147。比较计算的2统计量与临界值，因为n2R=6.2706125.002（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t1=1/tX，t2=1/2tX，t3=1/tX。1、在“Workfile”页面：点击“Generate”，输入“w1=1/x”—OK；同样的输入“w2=1/x^2”“w3=1/sqr(x)”；2、在“Equation”页面：点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w1”,出现如图6：用权数t1的结果DependentVariable:YMethod:LeastSquaresDate:10/22/10Time:00:13Sample:128Includedobservations:28Weightingseries:W1VariableCoefficientStd.Errort-StatisticProb.C5.9883516.4033920.9351840.3583X0.1086060.00815513.317340.0000WeightedStatisticsR-squared0.032543Meandependentvar123.4060AdjustedR-squared-0.004667S.D.dependentvar31.99659S.E.ofregression32.07117Akaikeinfocriterion9.842541Sumsquaredresid26742.56Schwarzcriterion9.937699Loglikelihood-135.7956F-statistic177.3515Durbin-Watsonstat1.465148Prob(F-statistic)0.000000UnweightedStatisticsR-squared0.853095Meandependentvar213.4650AdjustedR-squared0.847445S.D.dependentvar146.4895S.E.ofregression57.21632Sumsquaredresid85116.40Durbin-Watsonstat1.2614693、在“Equation”页面：点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w2”,出现如图7：用权数t2的结果DependentVariable:YMethod:LeastSquaresDate:10/22/10Time:00:16Sample:128Includedobservations:28Weightingseries:W2VariableCoefficientStd.Errort-StatisticProb.C6.4967033.4865261.8633740.0737X0.1068920.0109919.7252600.0000WeightedStatisticsR-squared0.922715Meandependentvar67.92129AdjustedR-squared0.919743S.D.dependentvar75.51929S.E.ofregression21.39439Akaikeinfocriterion9.032884Sumsquaredresid11900.72Schwarzcriterion9.128041Loglikelihood-124.4604F-statistic94.58068Durbin-Watsonstat1.905670Prob(F-statistic)0.000000UnweightedStatisticsR-squared0.854182Meandependentvar213.4650AdjustedR-squared0.848573S.D.dependentvar146.4895S.E.ofregression57.00434Sumsquaredresid84486.88Durbin-Watsonstat1.2422124、在“Equation”页面：点击“EstimateEquation”,输入“ycx”,点击“weighted”,输入“w3”,出现如图8：用权数t3的结果DependentVariable:YMethod:Least