异方差性的概念、类型、后果、检验及其修正方法(含案例)

第五章 异方差
• • • • 异方差的概念 异方差性的后果 异方差的检验 异方差的补救措施
第一节 异方差的概念
一、异方差的性质 违反同方差的假定: 同方差： E( ) 2 异方差： E(i ) i2
Yi X i i
var( Y X i ) E(i ) i2
2 2 ˆ (( ) X ) ˆ i i ˆ )) E ( ) E ( ˆr( E (va ) 2 2 (n 1) X i Xi 2 i
X X (n 1)( X )
2 i 2 i 2 2 i
2 i
i2
ˆ) var(
第四节 异方差的补救措施 一、加权最小二乘法
Yi X i i
E(i ) 2 f ( X i )
变换模型： Yi f (Xi )
i
1 f (Xi )
2
Xi f (Xi )
i
f (Xi )
E ( i ) 2 E( ) 2 f (Xi ) f (Xi )
注意： ①当摸型含有多个解释变量时，应以每一个解释变 量为基准检验异方差。 ②此法只适用于递增型异方差。 ③对于截面样本，计算F统计量之前，必须先把数据 按解释变量的值从小到大排序。
三、white检验 White检验由H. White 1980年提出。GoldfeldQuandt 检验必须先把数据按解释变量的值从小到 大排序。White检验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 检验的具体步骤如下。以二元回归模型为例， yt = +1 xt1 +2 xt2 + ut ①首先对上式进行OLS回归，求残差 et 。 ②做如下辅助回归式， 2 et = 0 +1 xt1 +2 xt2 + 3 xt12 +4 xt22 + 5 xt1 xt2 + vt

4、帕克（Park)检验和戈里瑟(Glejser)检验
2 e x e i • Park检验的辅助模型为： i 2 • 求对数后为： ln(ei ) ln( ) ln xi

(4.1.2)
2 e • Glejser检验以 i 为被解释变量，以原模型的某一解释 变量 x j为解释变量，建立如下方程 ：
ei f x ji i (4.1.3) • • f x j 可有多种函数形式。（利用试回归法，选择关于 变量的不同的函数形式，对方程进行估计并进行显著 性检验，如果存在某一种函数形式，使得方程显著成 立，则说明原模型存在异方差性。） • 可利用Eviews软件实现。
2
第二节 异方差的修正
方式2：在方程窗口中点击Estimate\Options\Weighted, 并在权数变量栏输入权数变量；
3)利用White检验判断是否消除了异方差性 权数变量的确定：依据Pack检验和Gleiser检验的结 果，或直接取成1/ei
精品课件！
作业四：
• 第五章3/4/6/8。
步骤：1）将解释变量的样本值按从小到大排序，再利用

ห้องสมุดไป่ตู้ • 检验统计量：
• F服从分布
2 1
n c k 1 2 RSS 2 2 F (4.1.1) 2 2 RSS1 RSS1 n c k 1 2
nc nc F (k 1), (k 1) 2 2
2.戈德菲尔德—匡特(Goldfeld—Quant）检验
原理：适合递增型的异方差，利用方差与解释变量同步增
长的原理，通过检验小方差与大方差是否有明显差异，达 到检验异方差的目的。 OLS求出估计值和残差序列 ei 2）在所有样本点中删去中间的c个点，将余下的点分为两组， 每组样本为 n c 2 个。 3）将两组样本分别作OLS，求得各自的残差平方和，再设计 统计量检验两组残差平方和是否有显著差异，若有，异方 差存在。

异方差性的检验及处理方法异方差性是指随着自变量变化，因变量的方差不保持恒定，即方差存在不均匀的变化趋势。

在统计分析中，如果忽视了异方差性，可能会导致误差的不准确估计，从而影响对因变量的显著性检验和参数估计结果的准确性。

为了避免异方差性给统计分析带来的影响，需要进行异方差性的检验和处理。

下面将介绍几种常用的异方差性检验及处理方法。

一、异方差性的检验方法：1.绘制残差图：绘制因变量的残差（观测值与拟合值之差）与自变量的散点图，观察残差是否随着自变量的变化而存在明显的模式。

如果残差图呈现出锥形或漏斗形状，则表明存在异方差性。

2.帕金森检验：帕金森检验是一种常用的检验异方差性的方法。

该方法的原理是通过对残差进行变换，判断变换后的残差是否与自变量相关。

3. 布罗斯-佩根检验（Breusch-Pagan test）：布罗斯-佩根检验是一种常用的检验异方差性的方法。

该方法的原理是通过计算残差与自变量的相关系数，进而判断是否存在异方差性。

4. 品尼曼检验（Leve ne’s test）：品尼曼检验是一种非参数的检验方法，可以用于检验不同组别的方差是否存在显著差异。

二、异方差性的处理方法：1.变量转换：通过对因变量和自变量进行变换，可以使数据满足异方差性的假设。

比如可以对因变量进行对数转换或平方根转换，对自变量进行标准化处理等。

2.使用加权最小二乘法（WLS）：加权最小二乘法是一种可以处理异方差性的回归分析方法。

该方法的原理是通过对残差进行加权，使得残差的方差与自变量无关。

3.使用广义最小二乘法（GLS）：广义最小二乘法是一种可以处理异方差性的回归分析方法。

该方法的原理是通过对残差进行加权，使得残差的方差可以通过自变量的一个线性组合来估计。

4.进行异方差性的鲁棒估计：鲁棒估计是一种对异常值和异方差性具有较好鲁棒性的估计方法。

通过使用鲁棒估计，可以减少异方差性对参数估计的影响。

综上所述，异方差性是统计分析中需要重视的问题。

估计量不具有最佳性。 但OLS估计量不具有最佳性。 估计量不具有最佳性
5.2.3对模型参数估计值显著性检验的影响 对模型参数估计值显著性检验的影响
e′e 并非随机误差项 并非随机误差项 在异方差情况下， ˆ 在异方差情况下， σ = n − k −1 方差的无偏估计量。 方差的无偏估计量。
2
ˆ 导致在此基础上估计的 s ( b j ) 也出现偏误。
e t 来近似代表随机误差项
5.3.1图示检验法 图示检验法
的估计值） （1）用X（或Y的估计值）与残差平方的散点图进 ） （ 的估计值 行初步判断
~ ei 2 ~ ei 2
X 同方差 递增异方差
X
~ ei 2
~ ei 2
X 递减异方差 复杂型异方差
X
（2）用X-Y的散点图进行判断 ） 的散点图进行判断 看是否存在明显的散点扩大 缩小 复杂型趋势 散点扩大、缩小 散点扩大 缩小或复杂型趋势 （即不在一个固定的带型域中）
. 0 . 0 . ... σ nn ...
5.1.2产生异方差的原因 产生异方差的原因
1、解释变量的遗漏。 2、来自不同抽样单元的因变量观察值的差异。 3、异常观测值的出现。 4、时间序列数据中，观测技术的改进引起的观测值的变化。
注意： （1）时间序列数据和截面数据中都有可能存在异方差，其 中截面样本中更为常见。 (2) 经济时间序列中的异方差常为递增型异方差。金融时 间序列中的异方差常表现为自回归条件异方差。
yt = b0 + b1 x1t + b2 x2t + ut
1、用普通最小二乘法估计模型，求出残差平方序 2 列：e t
2、以残差平方作为因变量，以原方程中所有解释变 解释变 解释变量的平方项和交叉积项 量以及解释变量的平方项 交叉积项 解释变量的平方项 交叉积项做辅助回归：