第五章：异方差性(作 业)
5.3 为了研究中国出口商品总额EXPORT对国内生产总值GDP的影响，搜集了1990～2015年相关的指标数据，如表5.3所示。 表3 中国出口商品总额与国内生产总值（单位：亿元） 资料来源：《国家统计局网站》 (1) 根据以上数据，建立适当线性回归模型。 (2) 试分别用White检验法与ARCH检验法检验模型是否存在异方差？ (3) 如果存在异方差，用适当方法加以修正。 解：（1） 仅供学习与交流，如有侵权请联系网站删除谢谢2
仅供学习与交流，如有侵权请联系网站删除 谢谢3 100,000 200,000300,000400,000500,000600,000700,000 X Y Dependent Variable: Y Method: Least Squares Date: 04/18/20 Time: 15:38 Sample: 1991 2015 Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C -673.0863 15354.24 -0.043837 0.9654 X 4.061131 0.201677 20.13684 0.0000 R-squared 0.946323 Mean dependent var 234690.8 Adjusted R-squared 0.943990 S.D. dependent var 210356.7 S.E. of regression 49784.06 Akaike info criterion 24.54540 Sum squared resid 5.70E+10 Schwarz criterion 24.64291 Log likelihood -304.8174 Hannan-Quinn criter. 24.57244 F-statistic 405.4924 Durbin-Watson stat 0.366228 Prob(F-statistic) 0.000000 模型回归的结果： ^ 673.0863 4.0611i X i Y =-+ ()(0.043820.1368)t =- 20.9463,25R n == （2）white: 该模型存在异方差 Heteroskedasticity Test: White F-statistic 4.493068 Prob. F(2,22) 0.0231
第三节 广义最小二乘法 Y X βε=+，1(,,)'n εεε="，()0E ε= ε的方差协方差矩阵为： 211212212()()()(')()()()n n n n E E E E E E E εεεεεεεσεεεεε???? ==??????"##%#"Ω 其中Ω为n 的实对称矩阵。 n ×若n I Ω=，则满足古典假定。 2(')n E εεσ=I 若n I Ω≠，则不满足古典假定，我们称为非球型扰动。特别的： 1）2112222220 0 0 0000 0 0 0 0 0 n n σωωσσσωσ???? ????? ???Ω==??????????????""""####%##%""为异方差的情形。 2）为一阶自回归形式的自相关情形。 12212 11T T T ρ ρσσρρ????? ? ? Ω=????? "# # %#"? 一、广义最小二乘法 思想：对原模型进行适当的变换（从Ω出发）将扰动项的方差协方差矩阵化成2n I σ以满足古典假定。 做法：由于Ω对称且正定，则存在一个非奇异的n n ×矩阵，使得 ，于是P 1'P P ?Ω=1(')P P ?Ω= 对模型进行变换： Y X βε=+，用左乘方程两边得：P PY PX P βε=+ 令，*Y PY =*X PX =，*P εε=则模型变为：**Y X *βε=+； **22 1 2 (')[()'](')'(' (')'n E E P P PE P P P P P P I εεεεεεσσσ?=====)P Ω 所以变换后模型的扰动项满足古典线性回归模型的假定。用OLS 估计新方程得：
**1**11111?(')'[()'()]()'()['(')]'(') [']'GLS X X X Y PX PX PX PY X P P X X P P Y X X X Y β??????====ΩΩ?GLS β为广义最小二乘估计量。 2**121?()(')(')GLS Var X X X X βσσ??==Ω1? 二、异方差、自相关时模型的GLS 估计 1)I Ω=时，1??(')'GLS OLS X X X Y ββ?== 2）12 0 000 0 0 n ωωω????? ?Ω=??????""###%"时，1222 0 000 (') 0 0 n E ωωεεσσω?? ?? ??=Ω=???? ?? ""###%" 1 211 1 1 0 000 0 0 n ωω???????Ω=? ???????""###%" ，变换矩阵为： 000 0 0 P ? ???=?????""###%" 111'1?[']'[][]GLS i i i i i i i i X X X Y w X X w X Y β????=ΩΩ=∑∑， 其中1 i i w ω= ，即为WLS 估计。 若Ω已知，可以直接进行GLS （即为WLS ）估计。 若Ω未知，需要先估计权重1 i i w ω=，有了Ω的估计?Ω 后，可以做GLS 估计。 3）时，模型存在一阶自相关，此时 1212 1 1T T T ρ ρσρρ????? ? ? Ω=???? ? "# # %#"?2122 1 00 01001 010010000 1ρρρρρρρρ???? ?? ?+?????Ω=?+?? ? ??????? """" ""#""""000 变换矩阵为：
实验二异方差模型的white检验与处理 【实验目的】 掌握异方差性的white检验及处理方法 【实验原理】 1. 定性分析异方差 (1) 经济变量规模差别很大时容易出现异方差。如个人收入与支出关系，投入与产出 关系。 (2) 利用散点图做初步判断。 (3) 利用残差图做初步判断。 2、异方差表现与来源异方差通常有三种表现形式 （1）递增型 （2）递减型 （3）条件自回归型。 3、White检验 （1）不需要对观测值排序，也不依赖于随机误差项服从正态分布，它是通过一个辅助回归式构造 2 统计量进行异方差检验。White检验的零假设和备择假设是 H0: (4－1)式中的ut不存在异方差， H1: (4－2)式中的ut存在异方差。 (2)在不存在异方差假设条件下，统计量 T R 2 2(5) 其中T表示样本容量，R2是辅助回归式(4－3)的OLS估计式的可决系数。自由度5表示辅助回归式(4－3)中解释变量项数（注意，不计算常数项）。T R 2属于LM统计量。 （3）判别规则是 若T R 2 2 (5), 接受H0（ut 具有同方差） 若T R 2 > 2 (5), 拒绝H0（ut 具有异方差） 【实验软件】 Eview6 【实验要求】 熟练掌握异方差white检验方法 【实验内容】 建立并检验我国部分城市国民收入y和对外直接投资FDI异方差模型 【实验方案设计】 下表列出了我国各地区农村居民家庭人均纯收入与家庭人均生活消费支出的数据，并利用统计软件Eviews建立异方差模型
表1 各地区农村居民家庭人均纯收入与家庭人均生活消费支出的数据（单位：元） 【实验过程】 1、启动Eviews6软件，建立新的workfile. 在主菜单中选择【File 】--【New 】--【Workfile 】,弹出 Workfile Create 对话框,在Workfile structure typ 中选择unstructured/undted.然后在observations 中输入31.在WF 中输入Work1，点击OK 按钮。如图： 2、数据导入且将要分析的数据复制黏贴. 在主菜单的空白处输入data x y 按下enter 。将家庭人均纯收入X 和家庭生活消 地区 家庭人均 纯收入 家庭生活消费支出 地区 家庭人均 纯收入 家庭生活消费支出 北京 湖北 3090 天津 湖南 河北 广东 山西 广西 内蒙古 海南 辽宁 重庆 吉林 四川 黑龙江 贵州 上海 云南 江苏 西藏 浙江 陕西 安徽 甘肃 福建 青海 江西 宁夏 山东 新疆 河南
第五章 异方差性课后题参考答案 5.1 （1）因为22()i i f X X =，所以取221i i W X =，用2i W 乘给定模型两端，得 31232222 1i i i i i i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即 2 2221 ()()i i i i u Var Var u X X σ== （2）根据加权最小二乘法，可得修正异方差后的参数估计式为 ***12233???Y X X βββ=-- ()()( )()()( )( )** *2 ** * *222323 22 32 2 *2*2** 2223223?i i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-= -∑∑ ∑ ∑∑∑∑ ()()()()()()( )** *2 ** ** 232222223 3 2 *2 *2** 2223223?i i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-= -∑∑ ∑ ∑ ∑∑∑ 其中 2223 2***23222, , i i i i i i i i i W X W X W Y X X Y W W W = = = ∑∑∑∑∑∑ ***** *222333 i i i i i x X X x X X y Y Y =-=-=- 5.2 （1） 22222 11111 ln()ln()ln(1)1 u ln()1 Y X Y X Y u u X X X u ββββββββββ--==+≈=-∴=+ [ln()]0 ()[ln()1][ln()]11 E u E E u E u μ=∴=+=+=又 （2） [ln()]ln ln 0 1 ()11 i i i i P P i i i i P P i i E P E μμμμμμμ===?====∑∏∏∑∏∏不能推导出 所以E 1μ（）=时，不一定有E 0μ（ln ）= (3)对方程进行差分得： 1)i i βμμ--i i-12i i-1lnY -lnY =(lnX -X )+(ln ln
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
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
第五章课后答案 5.1 （1）因为22()i i f X X =，所以取221i i W X =，用2i W 乘给定模型两端，得 31232222 1i i i i i i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即 2 2221 ()()i i i i u Var Var u X X σ== （2）根据加权最小二乘法，可得修正异方差后的参数估计式为 ***12233???Y X X βββ=-- ()()()() ()()() ***2*** *22232322 322*2*2** 2223223?i i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-= -∑∑∑∑∑∑∑ ()()( )()()( )( )** *2 ** ** 232222223 3 2 *2 *2** 2223223?i i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-= -∑∑ ∑ ∑ ∑∑∑ 其中 2223 2***23222, , i i i i i i i i i W X W X W Y X X Y W W W = = = ∑∑∑∑∑∑ ***** *222333 i i i i i x X X x X X y Y Y =-=-=- 5.2 （1） 22222 11111 ln()ln()ln(1)1 u ln()1 Y X Y X Y u u X X X u ββββββββββ--==+≈=-∴=+ [ln()]0 ()[ln()1][ln()]11 E u E E u E u μ=∴=+=+=又 （2） [ln()]ln ln 0 1 ()11 i i i i P P i i i i P P i i E P E μμμμμμμ===?====∑∏∏∑∏∏不能推导出 所以E 1μ（）=时，不一定有E 0μ（ln ）= (3) 对方程进行差分得： 1)i i βμμ--i i-12i i-1lnY -lnY =(lnX -X )+(ln ln 则有：1)]0i i μμ--=E[(ln ln
第六章多重共线性 前面两章所讲的异方差性和自相关性都是表现在随机误差项中的，我们下面所讲的多重共线性讨论的是模型中的解释变量违背基本假设的问题。 回忆以下我们在讲多元线性回归模型时，基本假定与简单线性回归模型不同的是哪一点？——就是无多重共线性假定：即假定各解释变量之间不存在线性关系，或者说各解释变量的观测值之间线性无关。 这一章我们讨论的多重共线性就是当解释变量违背了这一条基本假定的情形。 第一节多重共线性概念 先看一个实例：我们研究某个地区家庭消费及其影响因素。我们除了引入收入X1以外，还引入了消费者的家庭财产X2作为第2个解释变量。根据抽样数据回归得到以下结果： Y^=24.7747+0.9415X1-0.0424X2 t=(3.6690) (1.1442) (-0.5261) R2=0.9635 R2——=0.9531 F=92.4020 这一回归结果说明什么? 1、可决系数和修正可决系数都很理想 2、F统计量高度显著，说明X1、X2联合对Y的影响显著 3、各变量参数的t检验都不显著，不能否定等于零的假设 4、财产变量的系数竟然与预期的符号相反。 为什么会出现这样的结果呢？ 再看一个例子：分析某地区汽车保养费用支出与汽车的行程数以及汽车拥有的时间建立模型，通过样本数据估计得：Y^=7.29+27.58X1-151.15X2 t= (0.06) (0.958) (-7.06) R2——=0.946 F=52.53 这个结果修正可决系数理想,F检验也显著,但X的T检验不显著,X2的T检验虽然显著,但系数符号与经济意义不符。为什么也出现这种结果？ 一、多重共线性的概念： 如果某两个或多个解释变量之间出现了相关性，则称为多重共线性。 完全共线性与不完全共线性表示的是一种线性相关程度。比如我们在第一个例子中，发现可支配收入与家庭财富之间有明显的共线性关系，他们的相关系数高达0.9989,第二个例子中汽车的行程数与拥有汽车的时间的相关系数也为0.9960,表明两个变量之间存在一种不完全的线性相关关系,我们可以认为他们之间有程度很高的多重共线性. 不存在多重共线性只说明解释变量之间没有线性关系,而不排除他们之间存在某种非线性关系。 二、产生多重共线性的原因 1、许多经济变量在随时间的变化过程中往往存在共同的变动趋势。这就使得它们之间 容易产生多重共线性。例如在经济繁荣时期，收入、消费、储蓄、投资、就业都趋 向于增长；在经济衰退时期，都趋向于下降。如果将这些变量作为解释变量同时引 入模型，则它们之间极有可能存在很强的相关性。时间序列中的这种增长因素和趋 向因素是造成多重共线性的主要根源 2、用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义 上存在着密切的关联度。比如P69以某一行业的企业为样本建立企业生产函数模型，以产出量为解释变量，选择资本、劳动、技术等投入要素为解释变量。而这些投入 要素的数量往往与产出量呈正比，产出量高的企业，投入的各种要素都比较多，这 就使得投入要素之间出现线性相关性。 3、在模型中大量采用滞后变量也容易产生多重共线性。因为滞后变量从经济性质来看 与原来的变量无区别，只是时间上有所不同，从经济意义上这些变量之间的关联度 比较紧密。P69 一般来讲，解释变量之间存在多重共线性是难以避免的，所以在多元线性回归模型中，我们关心的并不是多重共线性的有无，而是多重共线性的程度。当多重共线性程度过高时，给最小二乘估计量带来严重的后果。因此，我们追求的也是使多重共线性的程度尽可能地减弱。
5.3 为了研究中国出口商品总额EXPORT 对国内生产总值GDP 的影响，搜集了1990～2015年相关的指标数据，如表5.3所示。 资料来源：《国家统计局网站》 (1) 根据以上数据，建立适当线性回归模型。 (2) 试分别用White 检验法与ARCH 检验法检验模型是否存在异方差？ (3) 如果存在异方差，用适当方法加以修正。 解：（1） 100,000 200,000300,000400,000500,000600,000700,000X Y Dependent Variable: Y Method: Least Squares Date: 04/18/20 Time: 15:38
Sample: 1991 2015 Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C -673.0863 15354.24 -0.043837 0.9654 X 4.061131 0.201677 20.13684 0.0000 R-squared 0.946323 Mean dependent var 234690.8 Adjusted R-squared 0.943990 S.D. dependent var 210356.7 S.E. of regression 49784.06 Akaike info criterion 24.54540 Sum squared resid 5.70E+10 Schwarz criterion 24.64291 Log likelihood -304.8174 Hannan-Quinn criter. 24.57244 F-statistic 405.4924 Durbin-Watson stat 0.366228 Prob(F-statistic) 0.000000 模型回归的结果： ^ 673.0863 4.0611i X i Y =-+ ()(0.043820.1368)t =- 20.9463,25R n == （2）white: 该模型存在异方差 Heteroskedasticity Test: White F-statistic 4.493068 Prob. F(2,22) 0.0231 Obs*R-squared 7.250127 Prob. Chi-Square(2) 0.0266 Scaled explained SS 8.361541 Prob. Chi-Square(2) 0.0153 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 04/18/20 Time: 17:45 Sample: 1991 2015 Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C -1.00E+09 1.43E+09 -0.700378 0.4910 X^2 -0.455420 0.420966 -1.081847 0.2910 X 102226.2 60664.19 1.685117 0.1061 R-squared 0.290005 Mean dependent var 2.28E+09
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。 （2）Goldfeld-Quandt 检验
为了研究中国出口商品总额EXPORT 对国内生产总值GDP 的影响，搜集了1990～2015年相关的指标数据，如表所示。 资料来源：《国家统计局网站》 (1) 根据以上数据，建立适当线性回归模型。 (2) 试分别用White 检验法与ARCH 检验法检验模型是否存在异方差 (3) 如果存在异方差，用适当方法加以修正。 解：（1） 100,000 200,000300,000400,000500,000600,000700,000X Y Dependent Variable: Y Method: Least Squares Date: 04/18/20 Time: 15:38
Sample: 1991 2015 Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C X R-squared Mean dependent var Adjusted R-squared . dependent var . of regression Akaike info criterion Sum squared resid +10 Schwarz criterion Log likelihood Hannan-Quinn criter. F-statistic Durbin-Watson stat Prob(F-statistic) 模型回归的结果： ^ 673.0863 4.0611i X i Y =-+ ()(0.043820.1368)t =- 20.9463,25R n == （2）white: 该模型存在异方差 Heteroskedasticity Test: White F-statistic Prob. F(2,22) Obs*R-squared Prob. Chi-Square(2) Scaled explained SS Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 04/18/20 Time: 17:45 Sample: 1991 2015 Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C +09 +09 X^2
异方差性检验及存在异方差模型估计 检验使用方法：（1）G-Q检验（2）White 检验 模型估计方法：加权最小二乘法（WLS） 下表为2000年中国部分省市城镇居民每个家庭平均年可支配收入(X)与消费性支出（Y）的统计数据： 1
一、利用Eviews求出线性模型 可得模型: ?272.2250.755 i i Y X =+ 2
(1.705) (32.394) R2=0.9832 二、异方差检验 （1）G-Q检验：首先将可支配收入X升序进行排列，然后去掉中间4个样本，将余下的样本分为容量各为8的两个子样本，并分别进行回归。 大样本小样本 3
样本取值较小的Eviews输出结果如下 残差平方和：RSS1=126528.3 4
样本取值较大的Eviews输出结果如下： 残差平方和：RSS2=615073.7 因此统计量为：2 14.8611 RSS F RSS == 在5%的显著性水平下，0.05(6,6) 4.28 F=,4.86>4.28,因此拒绝原假设，存在异方差性。 5
（2）White检验:在原模型的最小二乘估计窗口上选择“View\Residual Tests\Heteroskedasticity Tests\White”得到如下结果： x ，因此12.6478>5.99，因而拒绝原假设，检验统计量值为12.64768，查询20.05(2) 5.99 模型存在异方差。 三、估计存在异方差的经济模型 利用加权最小二乘法（WLS）进行估计：首先在对原模型进行估计后，保存残差，步骤如下：①Quick\Generate Series 再输入“e1=resid”，得到e1 ②Quick\Estimte Equation 再输入“Y C X” ③选择Options,在“Weighted LS/TLS”输入“1/abs(e1)”(备注：abs表示绝对值) 得到如下结果; 6
第五章异方差性 本章教学要求：根据类型，异方差性是违背古典假定情况下线性回归模型建立的另一问题。通过本章的学习应达到，掌握异方差的基本概念包括经济学解释，异方差的出现对模型的不良影响，诊断异方差的方法和修正异方差的方法。经过学习能够处理模型中出现的异方差问题。 第一节异方差性的概念 一、例子 例1，研究我国制造业利润函数，选取销售收入作为解释变量，数据为1998年的食品年制造业、饮料制造业等28个截面数据（即n=28）。数据如下表,其中y表示制造业利润函数，x表示销售收入（单位为亿元）。
Y对X的散点图为 从散点图可以看出，在线性的基础上，有的点分散幅度较小，有的点分散幅度较大。因此，这种分散幅度的大小不一致，可以认为是由于销售收入的影响，使得制造业利润偏离均值的程度发生了变化，而这种偏离均值的程度大小不同是一种什么现象？如何定义？如果非线性，则属于哪类非线性，从图形所反映的特征看并不明显。 下面给出制造业利润对销售收入的回归估计。
模型的书写格式为 2 ?12.03350.1044(0.6165)(12.3666) 0.8547,..84191.34,152.9322213.4639, 146.4905 Y Y X R S E F Y s =+===== 通过变量的散点图、参数估计、残差图，可以看到模型中（随机误差）很有可能存在一种系统性的表现。 例2，改革开放以来，各地区的医疗机构都有了较快发展，不仅政府建立了一批医疗机构，还建立了不少民营医疗机构。各地医疗机构的发展状况，除了其他因素外主要决定于对医疗服务的需求量，而医疗服务需求与人口数量有关。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。根据四川省2000年21个地市州医疗机构数与人口数资料对模型估计的结果如下： i i X Y 3735.50548.563?+-= （291.5778） (0.644284) t =(-1.931062) (8.340265) 785456.02=R 774146.02 =R 56003.69=F 式中Y 表示卫生医疗机构数（个），X 表示人口数量（万人）。从回归模型估计的
第六章自相关 二、问答题 1、那些原因可以造成自相关； 2、存在自相关时，参数的OLS估计具有哪些性质； 3、如何检验是否存在自相关； 4、当存在自相关时，如何利用广义差分法进行参数估计； 5、当存在自相关时，如何利用广义最小平方估计法进行参数估计； 6、异方差与自相关有什么异同； 三、计算题 1、证明：当样本个数较大时，) d。 ≈ - 1(2ρ α 2、通过D-W检验，判断下列模型中是否存在自相关，显著性水平% 5 =（1）样本大小：20；解释变量个数（包括常数项）：2；d=0.73； （2）样本大小：35；解释变量个数（包括常数项）：3；d=3.56； （3）样本大小：50；解释变量个数（包括常数项）：3；d=1.87； （4）样本大小：80；解释变量个数（包括常数项）：6；d=1.62； （5）样本大小：100；解释变量个数（包括常数项）：5；d=2.41； 3、假定存在下表所示的时间序列数据： 请回答下列问题：
（1）利用表中数据估计模型：t t t x y εββ++=10； （2）利用D-W 检验是否存在自相关？如果存在请用d 值计算估计自相关系数ρ； （3）利用广义差分法重新估计模型： ''' 1011(1)()t t t t t y y x x ρβρβρε---=-+-+。 第三部分 参考答案 二、问答题 1、那些原因可以造成自相关？ 答：造成自相关的原因大致包括以下六个方面：（1）经济变量的变化具有一定的倾向性。在实际的经济现象中，许多经济变量的现值依赖于他的前期值。也就是说，许多经济时间序列都有一个明显的相依性特点，这种现象称作经济变量所具有的惯性。（2）缺乏应有变量的设定偏差。（3）不正确的函数形式的设定错误。（4）蛛网现象和滞后效应。（5）随机误差项的特征。（6）数据拟合方法造成的影响。 2、存在自相关时，参数的OLS 估计具有哪些性质？ 答：当存在自相关，即I D ≠ΩΩ=,)(2σε时，OLS 估计的性质有：（1）β?是观察值Y 和X 的线性函数；（2）β?是β的无偏估计；（3）β?的协方差矩阵为112)()()?(--'Ω''=X X X X X X D σβ；（4）β?不是β的最小方差线性无偏估计；（5）如果n X X n Ω'∞ →lim 存在，那么β?是β的一致估计；（6）2σ 不是2σ的无偏估计；（7） 2σ 不是2σ的一致估计。 3、如何检验是否存在自相关？ 答：检验自相关的方法主要有以下四种。 （1）D-W 检验（德宾-沃森检验） 这种检验适用于小样本情况下的自相关检验，所用到的d 统计量的公式为： ∑∑==--= n t t n t t t e e e d 1 2 2 2 1)(
第五章-异方差性-答 案
第五章 异方差性 一、判断题 1. 在异方差的情况下，通常预测失效。（ T ） 2. 当模型存在异方差时，普通最小二乘法是有偏的。（ F ） 3. 存在异方差时，可以用广义差分法进行补救。（F ） 4. 存在异方差时，普通最小二乘法会低估参数估计量的方差。（F ） 5. 如果回归模型遗漏一个重要变量，则OLS 残差必定表现出明显的趋势。 （ T ） 二、单项选择题 1.Goldfeld-Quandt 方法用于检验（ A ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 2.在异方差性情况下，常用的估计方法是（ D ） A.一阶差分法 B.广义差分法 C.工具变量法 D.加权最小二乘法 3.White 检验方法主要用于检验（ A ） A.异方差性 B.自相关性 C.随机解释变量 D.多重共线性 4.下列哪种方法不是检验异方差的方法（ D ） A.戈德菲尔特——匡特检验 B.怀特检验 C.戈里瑟检验 D.方差膨胀因子检验 5.加权最小二乘法克服异方差的主要原理是通过赋予不同观测点以不同的权数，从而提高估计精度，即（ B ） A.重视大误差的作用，轻视小误差的作用 B.重视小误差的作用，轻视大误差的作用 C.重视小误差和大误差的作用 D.轻视小误差和大误差的作用 6.如果戈里瑟检验表明，普通最小二乘估计结果的残差与有显著的形式的相关关系（满足线性模型的全部经典假设），则用加权最小二乘法估计模型参数时，权数应为（ B ） A. B. C. D. 7.设回归模型为，其中()2i 2i x u Var σ=，则b 的最有效估计量为 （ D ） i e i x i i i v x e +=28715.0i v i x 21i x i x 1i x 1i i i u bx y +=
异方差性及其检验 I 概念 对于多元线性回归模型 同方差性假设为 如果出现 即对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，不具有等同的分散程度，则认为出现了异方差（Heteroskedasticity ） II 类型 同方差性假定是指，回归模型中不可观察的随机误差项i u 以解释变量X 为条件的方差是一个常数，因此每个i u 的条件方差不随X 的变化而变化，即有 2()i i f X σ=≠常数 在异方差的情况下，总体中的随机误差项i u 的方差 2 i σ不再是常数， 通常它随解释变量值的变化而变化，即 异方差一般可归结为三种类型： 01122 1,2, ,i i i k ki i Y X X X i n ββββμ=+++ ++=2(), 1,2,...,i Var i n μσ==2(), 1,2,...,i i Var i n μσ==2() i i f X σ=
异方差类型图： III来源 （1）截面数据（不同样本点除解释变量外其他影响差异大） （2）时间序列（规模差异） （3）分组数据、异常值等 （4）模型函数形式设置不正确和数据变形不正确 （5）边错边改学习模型 IV影响 计量经济学模型一旦出现异方差，如果仍然用普通最小二乘法估计模型参数，会产生一系列不良后果。 （1）参数估计量非有效 （2）OLS估计的随机干扰项的方差不再是无偏的
（3）基于OLS估计的各种统计检验非有效 （4）模型的预测失效 V检验 异方差性，即相对于不同的样本点，也就是相对于不同的解释变量观测值，随机干扰项具有不同的方差，那么检验异方差性，也就是检验随机干扰项的方差与解释变量观测值之间的相关性。 一般检验方法如下： （1）图示检验法 （2）帕克(Park)检验与戈里瑟(Gleiser)检验 （3）G-Q（Goldfeld-Quandt）检验 （4）F检验 （5）拉格朗日乘子检验 （6）怀特检验 （具体步骤随后介绍） VI修正方法 加权最小二乘法 定义：加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用OLS法估计其参数。 基本思想：在采用OLS方法时，对较小的残差平方2? e赋予较大的权 i 重，对较大的2? e赋予较小的权重，以对残差提供的信息的重要程度 i 作一番修正，提高参数估计的精确程度。 不同形式的异方差要求用不同的加权方法来处理：
第五章 异方差性习题与答案 1、产生异方差的后果是什么？ 2、下列哪种情况是异方差性造成的结果？ （1）OLS 估计量是有偏的 （2）通常的t 检验不再服从t 分布。 （3）OLS 估计量不再具有最佳线性无偏性。 3、已知模型：i i i i u X X Y +++=22110βββ 式中，i Y 为某公司在第i 个地区的销售额；i X 1为该地区的总收入；i X 2为该公司在该地区投入的广告费用（i=0,1,2……,50）。 （1）由于不同地区人口规模i P 可能影响着该公司在该地区的销售，因此有理由怀疑随机误差项u i 是异方差的。假设i σ依赖于总体i P 的容量，逐步描述你如何对此进行检验。需说明：A 、零假设和备择假设；B 、要进行的回归；C 、要计算的检验统计值及它的分布（包括自由度）；D 、接受或拒绝零假设的标准。 （2）假设i i P σσ=。逐步描述如何求得BLUE 并给出理论依据。 4、下表数据给出按学位和年龄划分的经济学家的中位数工薪： 表1 经济学家的工资表 年 龄 中位数工薪（以千美元计算） 硕士 博士 25－29 8.0 8.8 30－34 9.2 9.6 35－39 11.0 11.0 40－44 12.8 12.5 45－49 14.2 13.6 50－54 14.7 14.3 55－59 14.5 15.0 60－64 13.5 15.0 65－69 12.0 15.0 (1)有硕士学位和有博士学位经济学家的中位数工薪的方差相等么？ (2)如果相等，你会怎样检验两组平均中位数工薪相等的假设？ (3)在年龄35至5岁之间的经济学家，有硕士学位的比有博士学位的赚更多的钱，那么你会怎样解释这一发现？ 5、为了解美国工作妇女是否受到歧视，可以用美国统计局的“当前人口调查”中的截面数据，研究男女工资有没有差别。这项多元回归分析研究所用到的变量有： W —雇员的工资率（美元/小时） 1表示雇员为女性， 0表示女性意外的雇员。ED ：受教育的年数。AGE ：年龄
异方差问题的检验与修正 【实验目的】 1、深刻理解异方差性的实质、异方差出现的原因、异方差的出现对模型的不良影响（即异方差的后果），掌握估计和检验异方差性的基本思想和修正异方差的若干方法。 2、能够运用所学的知识处理模型中的出现的异方差问题，并要求初步掌握用Eviews处理异方差的基本操作方法。 【实验原理】 1、最小二乘估计。 2、异方差。 3、最小二乘残差图解释异方差。 4、Breusch-Pagan检验（B-P检验）和White检验（怀特检验）检验特定方差函数的异方差性。 5、稳健标准差和加权最小二乘法对特定方差函数的异方差性的修正。 【实验软件】 Eviews6.0 【实验步骤】 一、设定模型 首先将实验数据导入软件之中。（注：本实验报告正文部分只显示软件统计结果，导入数据这一步骤参见附A） 本次实验的数据主要是Big Andy店的食品销售收入数据与食品价格数据，共采用了75组。 实验数据来源于课本中的例题，由老师提供。如下表： 表Big Andy店月销售收入和价格的观测值
sales price sales price sales price sales price 73.2 5.6975.7 5.5978.1 5.773.7671.8 6.4974.4 6.2288 5.2271.2 6.3762.4 5.6368.7 6.4180.4 5.0584.7 5.3367.4 6.2283.9 4.9679.7 5.7673.6 5.2389.3 5.0286.1 4.8373.2 6.2573.7 5.8870.3 6.4173.7 6.3585.9 5.3478.1 6.2473.2 5.8575.7 6.4783.3 4.9869.7 6.4786.1 5.4178.8 5.6973.6 6.3967.6 5.4681 6.2473.7 5.5679.2 6.2286.5 5.1176.4 6.280.2 6.4188.1 5.187.6 5.0476.6 5.4869.9 5.5464.5 6.4984.2 5.0882.2 6.1469.1 6.4784.1 4.8675.2 5.8682.1 5.3783.8 4.9491.2 5.184.7 4.8968.6 6.4584.3 6.1671.8 5.9873.7 5.6876.5 5.3566 5.9380.6 5.0282.2 5.7380.3 5.2284.3 5.273.1 5.0874.2 5.1170.7 5.8979.5 5.6281 5.2375.4 5.7175 5.2180.2 5.2873.7 6.0281.3 5.45 75 6.05 81.2 5.83 69 6.33 其中，sales 表示在某城市的月销售收入，以千美元为单位；price 表示在该城市的价格，以美元为单位。 假设表1中的月销售收入数据满足假设SR1—SR5。即，假设Big Andy 店的月销售收入的期望值是产品价格水平的线性函数，误差项额的均值为零，销售收入的方差和误差项e 的方差相同，随机误差项e 在统计上不相关，且选取的价格的值是非随机的。 这样，在上面的基础之上，建立Big Andy 的食品销售收入（sales ）与食品价格（price ）之间的线性模型方程： e price sales ++=10ββ根据最小二乘估计的思想估计模型参数，（此过程参见附B ）结果如下图： Coefficient Std.Error t-Statistic Prob.C 121.9002 6.52629118.678320.0000PRICE -7.829074 1.142865 -6.850394 0.0000R-squared 0.391301Mean dependent var 77.37467Adjusted R-squared 0.382963 S.D.dependent var 6.488537