下载文档原格式
eviews-异⽅差性3.8（1）根据Y 、X 的相关图分析异⽅差性由上图可知y 与x 的线性相关性差异不是很⼤，基本处在⼀条线性⽅程上（2）利⽤WHITE 检验、帕克检验，和Gleiser 检验进⾏异⽅差检验Ⅰ、White 检验取显著性⽔平05.0=α，由于413667.8n 2=R ＞841.3)1(205.0=χ，所以理利润函数存在异⽅差性。
Ⅱ、Park 检验根据Park 检验，得到：i i x e ln 8393.16927.7ln 2+-=S 2.2720 0.5713 T -3.3858 3.21953654.02=R 3301.02=R 365.10=F 0047.0=P Ⅲ、Gleiser 检验：利⽤genr 命令⼀次⽣成XX 1,等序列，再建⽴i e 与这些序列的回归⽅程①X e i 0049.05579.1-=White Heteroskedasticity Test: F-statistic 6.1724 Probability 0.0096 Obs*R-squared8.4136Probability0.0148=2R 0.0613 =F 1.1759 =P 0.2924②X e i 0848.08897.1-==2R 0.0639 =F 1.2307 =P 0.2818③Xe i 1970.158811.0+= =2R 0.0683 =F 1.3197 =P 0.2656根据统计检验，得到统计检验最为显著的是：Xe i 1970.158811.0+= =2R 0.0683 =F 1.3197 =P 0.2656;上述四个⽅程表明，利润函数存在着异⽅差（只要取显著性⽔平012.0＞α）（3）取权数 e 1w 3= 24e1w =利⽤加权最⼩⼆乘法估计模型：依次键⼊命令：4,3,2,1i )(i ==X C Y W W LS或在⽅程窗⼝中点击Estimate\Options 按钮，并在权数变量栏依次输⼊4321W W W W 、、、，可以得到⼀下估计结果：③ X Y 0387.07076.0?+= e 1w 3=S 0.2082 0.0053 T 3.3978 7.2001=2R 0.7422 =2n R 5.0534 =P 0.000001 ④ X Y0429.05918.0?+= 24e 1w = S 0.1283 0.004 T 4.61144 10.49056=2R 0.8594 =2n R 18.0642 =P 0模型④最优，所以利⽤WLS ⽅法估计的利润函数为 X Y 0429.05918.0?+= 2e 1w = S 0.1283 0.004 T 4.6114 10.49=2R 0.8594 =2n R 18.064 =P 03.9设根据某年全国各地区的统计资料建⽴城乡居民储蓄函数i i i bX a S ε++=时（其中，S 为城乡居民储蓄存款余额、X 为⼈均收⼊），如果经检验得知：228.1i i X e =：（1）说明该检验结果的经济含义;（2）写出利⽤加权最⼩⼆乘法估计储蓄函数的具体步骤；（3）写出使⽤Ewiews 软件估计模型时的有关命令。
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。
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Dependent Variable: Y Method: Least Squares Date: 10/19/05 Time: 15:27 Sample: 1 28Included observations: 28Variable Coefficient Std. Error t-Statistic Prob. C 12.03564 19.51779 0.616650 0.5428 X0.1043930.008441 12.366700.0000R-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 stat1.212795 Prob(F-statistic)0.000000估计结果为： iY ˆ = 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。
条件异方差模型
条件异方差模型(ConditionalHeteroskedasticityModels，CHM)是一种用来检验和处理数据中异方差（heteroskedasticity）问题的模型，旨在估计和检验观测数据中异方差的存在，以及其影响程度，来获得更准确的分析结果。
条件异方差模型可分为简单异方差模型和动态异方差模型。
简单异方差模型假设观测值有固定的异方差，而动态异方差模型则假设异方差可以动态变化。
异方差模型通常包括四个步骤：
（1）数据准备：首先，将数据转换为异方差模型可识别的数据格式，其中可能包括数据集的统计量，如平均值，方差，偏度，峰度等；
（2）模型拟合：使用统计模型拟合数据，用于预测观测值的异方差；
（3）异方差识别：利用拟合的模型，采用检验的方法来识别异方差的存在；
（4）异方差处理：对于经识别的异方差，采用最优化的处理办法，以获得更准确和实用的异方差分析结果。
由于条件异方差模型提供了一种有效的方法来理解和处理异方差，因此，它在许多学科中，如财务分析，统计分析，市场营销，投资管理，经济分析等领域中被广泛应用。
- 1 -。
条件异方差模型分析解析第三节自回归条件异方差(ARCH)模型金融时间序列数据通常表现出一种所谓的集群波动现象。
模型随机误差项中同时含有自相关和异方差。
一、ARCH 模型（Auto-regressive Conditional Heteroskedastic —自回归条件异方差模型）对于回归模型t kt k t t x b x b b y ε++++= 110 （3.3.1）若2t ε服从AR （q ）过程t q t q t t νεαεααε++++=--221102 （3.3.2）其中tν独立同分布，并满足0)(=t E ν , 2)(σν=tD 则称（3.3.2）式为ARCH 模型，序列t ε服从q 阶ARCH 过程，记为t ε～ARCH （q ）。
(3.3.1)和(3.3.2)称为回归—ARCH 模型。
注：不同时点t ε的方差2)(tt D σε=是不同的。
对于AR （p ）模型t p t p t t y y y εφφ+++=-- 11 （3.3.3）如果tε～ARCH （q ），则（3.3.3）与（3.3.2）结合称为AR （p ）-ARCH （q ）模型。
ARCH （q ）模型还可以表示为 *t t h = εt ν (3.3.4) 21022110j t q j q t q t t h -=--∑+=+++=εααεαεααα (3.3.5)其中，tν独立同分布，且0)(=t E ν,1)(=t D ν,00>α 0≥j α)2,1(q j = 且11<∑=q j j α（保证ARCH 平稳）。
有时，（3.3.5）式等号右边还可以包括外生变量，但要注意应保证th 值是非负的。
如：p t p t q t q t t h h h ----++++++=θθεαεαα 1122110 1011<+<∑∑==p j j q i iθα对于任意时刻t ，条件期望E （tε| ,1-t ε）=0)(*=t t E h ν （3.3.6）条件方差t t t t t h E h E ==-)(*),|(2212νεσ （3.3.7）（3.3.7）式反映了序列条件方差随时间而变化。
异方差的eviews操作图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 10LS 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。
图3-5 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3-6。
图3-6 White 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05.0=α，由于2704.699.5)2(2205.0=<=nR χ,所以存在异方差性。
第四章异方差性例4.1.4一、参数估计进入Eviews软件包，确定时间范围，编辑输入数据；选择估计方程菜单：(1)在Workfile对话框中，由路径：Quick/Estimate Equation，进入Equation Specification对话框，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果；(2)直接在命令栏里输入“ls log(y) c log(x1) log(x2)”，按Enter,得到样本回归估计结果；(3)在Group的当前窗口，由路径：Procs/Make Equation，进入Equation Specification窗口，键入“log(y) c log(x1) log(x2)”，确认ok，得到样本回归估计结果。
如表4.1：表4.1图4.1估计结果为：(3.14) (1.38) (9.25)R2=0.7798 D.W.=1.78 F=49.60 RSS=0.8357括号内为t统计量值。
二、检验模型的异方差（一）图形法（1）生成残差平方序列。
①在Workfile的对话框中，由路径：Procs/Generate Series，进入Generate Series by Equation对话框，键入“e2=resid^2”，生成残差平方项序列e2；②直接在命令栏里输入“genr e2=resid^2”，按Enter,得到残差平方项序列e2。
（2）绘制散点图。
①直接在命令框里输入“scat log(x2) e2”，按Enter，可得散点图4.2。
②选择变量名log(x2)与e2（注意选择变量的顺序，先选的变量将在图形中表示横轴，后选的变量表示纵轴），再按路径view/graph/scatter/simple scatter ，可得散点图4.2。
③由路径quick/graph进入series list窗口，输入“log(x2) e2”，确认并ok，再在弹出的graph窗口把line graph换成scatter diagram，再点ok，可得散点图4.2。
田青帆1006010131 国贸1001班建立模型Y t=β1+β2X t+uX:1994-2011年中国国内生产总值Y:1994-2011年中国进口总额数据来源：国泰安数据服务中心/p/sq/一、异方差的检验1、图示法由上图可以看出，残差平方项e2随X的变动而变动，一次，模型很可能存在异方差，但是否确实存在异方差还应通过更进一步的检验。
2、等级相关系数检验t值为29.48788，自由度为18-2=16在95%的显著水平下，查表可得t0.025(16)=2.1199t＞t0.025(16),说明X i和｜e i｜之间存在系统关系，则说明模型中存在异方差3、戈德菲尔德-夸特检验（样本分段比检验）在本例中，样本容量为18，删去中间4个观测值，余下部分平分的两个样本区间：1-7和12-18，他们的样本数都是7个，用OLS方法对这两个子样本进行回归估计，结果如下图所示计算检验统计量FF=[RSS２/(n２-k)] ÷[RSS１/(n１-k)]n2-k=n1-k=7-2=5F=RSS2/RSS1=4588102/229037.4=20.03在95%的显著水平下，查表可得F0.05（5，5）=5.05 F＞F0.05（5，5）所以，模型存在异方差4、戈里瑟（Glejser）检验用残差绝对值建立的回归模型为｜e i｜=α1+α2 (1/X i)由上表可知，回归模型为｜e i｜=1416.049+10.37101(1/X i)≠0，则存在异方差α25、怀特检验由上图可知：P值=0.017140﹤0.05，所以存在异方差二、异方差的修正（加权最小二乘法）1、选择1/x为权数，即对模型两边同时乘以1/x，使用最小二乘法进行回归估计，所得结果如下：由上图可知，P值=0.0001﹤0.05，模型依然存在异方差2、选择1/|e|为权数，即对模型两边同时乘以1/|e|，使用最小二乘法进行回归估计，所得结果如下：此时，P值=0.2139＞0.05，将异方差模型变成了同方差。
eviews异方差、自相关检验与解决办法一、异方差检验：1．相关图检验法LS Y C X 对模型进行参数估计GENR E=RESID 求出残差序列GENR E2=E^2 求出残差的平方序列SORT X 对解释变量X排序SCAT X E2 画出残差平方与解释变量X的相关图2．戈德菲尔德——匡特检验已知样本容量n=26，去掉中间6个样本点（即约n/4），形成两个样本容量均为10的子样本。
SORT X 将样本数据关于X排序SMPL 1 10 确定子样本1LS Y C X 求出子样本1的回归平方和RSS1SMPL 17 26 确定子样本2LS Y C X 求出子样本2的回归平方和RSS2计算F统计量并做出判断。
解决办法3．加权最小二乘法LS Y C X 最小二乘法估计，得到残差序列GRNR E1=ABS(RESID) 生成残差绝对值序列LS(W=1/E1) Y C X 以E1为权数进行加权最小二成估计二、自相关1．图示法检验LS Y C X 最小二乘法估计，得到残差序列GENR E=RESID 生成残差序列SCAT E(-1) E et—et-1的散点图PLOT E 还可绘制et的趋势图2．广义差分法LS Y C X AR(1) AR(2)首先，你要对广义差分法熟悉，不是了解，如果你是外行，我奉劝你还是用eviews来做就行了，其实我想老师要你用spss无非是想看你是否掌握广义差分，好了，废话不多说了。
接着，使用spss16来解决自相关。
第一步，输入变量，做线性回归，注意在Liner Regression 中的Statistics中勾上DW，在save中勾Standardized，查看结果，显然肯定是有自相关的（看dw值）。
第二步，做滞后一期的残差，直接COPY数据（别告诉我不会啊），然后将残差和滞后一期的残差做回归，记下它们之间的B指（就是斜率）。
第三步，再做滞后一期的X1和Y1，即自变量和因变量的滞后一期的值，也是直接COPY。
