检验异方差性与调整异方差.docx
- 文档编号:27598182
- 上传时间:2023-07-03
- 格式:DOCX
- 页数:10
- 大小:302.94KB
检验异方差性与调整异方差.docx
《检验异方差性与调整异方差.docx》由会员分享,可在线阅读,更多相关《检验异方差性与调整异方差.docx(10页珍藏版)》请在冰豆网上搜索。
检验异方差性与调整异方差
检验异方差性与调整异方差
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将样本安解释变量排序(SORTX)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。
SMPL110
LSYCX
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。
SMPL1928
LSYCX
图4样本2回归结果
⑷计算F统计量:
=63769.67/2579.59=24.72,
分别是模型1和模型2的残差平方和。
取
时,查F分布表得
,而
,所以存在异方差性
⒊White检验
⑴建立回归模型:
LSYCX,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\WhiteHeteroskedastcity,检验结果如图6。
图6White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
,由于
所以存在异方差性。
实际应用中可以直接观察相伴概率p值的大小,若p值较小,则认为存在异方差性。
反之,则认为不存在异方差性。
⒋Park检验
⑴建立回归模型(结果同图5所示)。
⑵生成新变量序列:
GENRLNE2=log(RESID^2)
GENRLNX=log
⑶建立新残差序列对解释变量的回归模型:
LSLNE2CLNX,回归结果如图7所示。
图7Park检验回归模型
从图7所示的回归结果中可以看出,LNX的系数估计值不为0且能通过显著性检验,即随即误差项的方差与解释变量存在较强的相关关系,即认为存在异方差性。
⒌Gleiser检验(Gleiser检验与Park检验原理相同)
⑴建立回归模型(结果同图5所示)。
⑵生成新变量序列:
GENRE=ABS(RESID)
⑶分别建立新残差序列(E)对各解释变量(X/X^2/X^(1/2)/X^(-1)/X^(-2)/X^(-1/2))的回归模型:
LSECX,回归结果如图8、9、10、11、12、13所示。
图8
图9
图10
图11
图12
图13
由上述各回归结果可知,各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。
所以认为存在异方差性。
⑷由F值或
确定异方差类型
Gleiser检验中可以通过F值或
值确定异方差的具体形式。
本例中,图10所示的回归方程F值(
)最大,可以据次来确定异方差的形式。
一、调整异方差性
⒈确定权数变量
根据Park检验生成权数变量:
GENRW1=1/X^1.6743
根据Gleiser检验生成权数变量:
GENRW2=1/X^0.5
另外生成:
GENRW3=1/ABS(RESID)
GENRW4=1/RESID^2
⒉利用加权最小二乘法估计模型
在Eviews命令窗口中依次键入命令:
LS(W=
)YCX
或在方程窗口中点击Estimate\Option按钮,并在权数变量栏里依次输入W1、W2、W3、W4,回归结果图14、15、16、17所示。
图14
图15
图16
图17
⒊对所估计的模型再进行White检验,观察异方差的调整情况
对所估计的模型再进行White检验,其结果分别对应图14、15、16、17的回归模型(如图18、19、20、21所示)。
图18、19、21所对应的White检验显示,P值较大,所以接收不存在异方差的原假设,即认为已经消除了回归模型的异方差性。
图20对应的White检验没有显示F值和
的值,这表示异方差性已经得到很好的解决。
图18
图19
图20
图21
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 检验 方差 调整