04-异方差

D(ˆ ) 2( XT X )1,
但是如果出现了异方差而一味采用惯常的检验程序，将导致检验及 区间估计的偏误。
3、模型的预测失效
第三节、异方差性的检验
一个重要的问题是：怎样知道在一个具体的情况中是否有异方 差？实际中并不存在侦破异方差性的严明法则，只有少数的经验规 则。我们介绍几种：
1、图解法 如果对异方差性的性质没有任何先验或经验信息，实际上，可 先在无异方差性的假定下作回归分析，以解释变量为横坐标，以残 差平方为纵坐标得出二维散点图，从图中判断二者的相关性。这是 非正式的方法，不够精确。
本章结束
坐标，可作出残差图(如图所示)。该残差图的形状象一个喇叭， 由此可以看出，销售收入小的商店，其残差一般也较小；而销售
收入大的商店，其残差一般也较大；残差有随着商店规模增大而
增大的倾向。这表明，不同规模的商店，其利润总额的方差是不
相同的，从而模型中随机误差的方差不是常数，这里存在着异方
差现象。
在实际问题中出现异方差性的例子很多．对回归模型 中异方差现象的研究，是经济计量学中的一个重要内容。 为什么会产生这种异方差性呢? 一方面是因为随机项包括 了观察测量误差和模型中被省略的一些因素对被解释变量 （因变量）的影响，另一方面来自不同抽样单元的因变量 观察值之间可能差别很大。因此、异方差性多出现在横断 面样本之中。至于时间序列，则由于因变量观察值来自不 同时期的同一样本单元．通常因变量的不同观察值之间的 差别不是很大。所以异方差性一般不明显。
( X T X )1 X T E( T ) X ( X T X )1
2 ( X T X )1( X T X ) X ( X T X )1 2 ( X T X )1
因而使用OLS 法，得到的估计量是无偏的，但不是有效的。

计量经济学教学案例案例一 简单线性回归模型一、主题与背景用真实数据进行简单线性回归分析，应用Eviews6.0分析软件进行操作，与课本内容相对应，分析模型的截距、斜率以及可决系数，引导学生熟悉Eviews6.0的基本操作，能够解读分析报告，并尝试进行被解释变量的预测，体会变量测度单位的改变和函数形式变化给OLS 估计结果和统计特征的影响。

二、情景描述对于由CEO 构成的总体，令y 代表年薪(salary)，单位为千美元。

令x 表示某个CEO 所在公司在过去三年的平均股本回报率(roe ，股本回报率定义为净收入占普通股价的百分比)。

为研究该公司业绩指标和CEO 薪水之间的关系，可以定义以下模型：Salary=0β+1βroe + u . 斜率参数1β衡量当股本回报率增长一个单位（一个百分点）时CEO 年薪的变化量，由于更高的股本回报率预示更高的CEO 年薪，所以，1β＞0。

三、教学过程设计（一）数据说明数据集CEOSAL1.RAW 包含1990年209位CEO 的相关信息，该数据来自《商业周刊》(5/6/91)，该样本中CEO 年薪的平均值为$1,281,120，最低值和最高值分别为$223,000和$14,822,000，1988、1989和1990年的平均股本回报率是17.18%。

（二）操作建议1：在 eviews6.0命令输入窗口定义变量：data salary roe2、用 edit+/- 编辑数据3、描述统计分析过程：view---descriptive stats---common sample4、画散点图:Scat roe salary5、在eviews6.0命令输入窗口运行简单线性回归 Ls salary c roe6、用resids 观测残差7、产生新序列:S eries lsalary =log(salary)8、改变函数形式：Ls lsalary c lsales9、改变变量测度单位：Ls salary*1000 c roe四、教学研究（一）案例结论1、回归结果估计出的回归线为：salˆary = 963.191 + 18.501 roe(1)截距和斜率保留了3位小数，回归结果显示，如果股本回报率为0，年薪的预测值为截距963.191千美元,可以把年薪的预测变化看做股本回报率变化的函数：∆salˆary = 18.501 (∆roe)，这意味着当股本回报率增加1个百分点，即∆roe =1,则年薪的预测变化就是18.5千美元,在线性方程中，估计的变化与初始年薪无关。

②将序列中间的c=n/4个观察值除去，并将剩 下的观察值划分为较小与较大的相同的两个 子样本，每个子样样本容量均为(n-c)/2；
③对每个子样分别进行OLS回归，并计算各自 的残差平方和；
④在同方差性假定下，构造如下满足F分布的 统计量
F
e~22i
(n
2
c
k
1)
~
F(n
c
k
1,
n
c
k
1)
方差。 怀特检验的基本思想与步骤（以二元为例）：
Yi 0 1 X 1i 2 X 2i i
然后做如下辅助回归
e~i2
0
1 X 1i
2 X 2i
3
X
2 1i
4
X
2 2i
5 X 1i X 2i
i
(*)
可以证明，在同方差假设下：
R2为(*)的可决系数，h为(*)式解释变量的个数， 表示渐近服从某分布。
e~12i
( n c k 1) 2
2
2
⑤给定显著性水平，确定临界值F(v1,v2)， 若F> F(v1,v2)， 则拒绝同方差性假设，
表明存在异方差。
当然，还可根据两个残差平方和对应的
子样的顺序判断是递增型异方差还是递减异
型方差。
4. 怀特（White）检验 怀特检验不需要排序，且适合任何形式的异
X 递减异方差
X 复杂型异方差
怎样通过Eviews作x- e2 散点图
❖ 键入 LS y c x 作回归； ❖ 键入 GENR E1=resid 调用残差； ❖ 键入 GENR E2=E1^2 生成残差平方序列； ❖ 键入 SCAT E2 X
如果呈现出某种有规律的分布，说明残差中蕴 涵着模型（1）未提取净的信息，或（2）可能存 在异方差或自相关，或（3）设定有误。

例4.1.1： 在截面资料下研究居民家庭的储蓄行为 Yi=0+1Xi+i
Yi和Xi分别为第i个家庭的储蓄额和可支配收入。
在该模型中，i的同方差假定往往不符合实际情况。对高收 入家庭来说，储蓄的差异较大；低收入家庭的储蓄则更有规律 性（如为某一特定目的而储蓄），差异较小。
因此，i的方差往往随Xi的增加而增加，呈单调递增型变化 。
– 在选项中，EViews提供了包含交叉项的怀特检验“White Heteroskedasticity（cross terms）”和没有交叉项的怀特检 验“White Heteroskedasticity（no cross terms）” 这样两个 选择。
• 软件输出结果：最上方显示两个检验统计量：F统计 量和White统计量nR2；下方则显示以OLS的残差平 方为被解释变量的辅助回归方程的回归结果。
随机误差项具有不同的方差，那么： 检验异方差性，也就是检验随机误差项的方差与解
释变量观测值之间的相关性及其相关的“形式”。 • 各种检验方法正是在这个共同思路下发展起来的。
路漫漫其修远兮, 吾将上下而求索
问题在于：用什么来表示随机误差项的方差？ 一般的处理方法：
路漫漫其修远兮, 吾将上下而求索
2.图示检验法
路漫漫其修远兮, 吾将上下而求索
3.模型的预测失效
一方面，由于上述后果，使得模型不具有良好的统计性质；
【书上这句话有点问题】
其中 所以，当模型出现异方差性时，Y预测区间的建立将发生困 难，它的预测功能失效。
路漫漫其修远兮, 吾将上下而求索
三、异方差性的检验（教材P111）
1.检验方法的共同思路 • 既然异方差性就是相对于不同的解释变量观测值，
（注意：其中的2完全可以是1）