发布时间 : 星期三 文章计量经济学大作业更新完毕开始阅读6024f147ccbff121dd3683e0
图5—3 中国货币流通量二元模型残差分布图
上图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。 ②Goldfeld-Quant检验
A.解释变量排序（SORT X）并分成两部分（分别有1到8共8个样本和13到20共8个样本）：
B. 利用样本1建立回归模型1，其残差平方和为RSS1?1175874。 C. 利用样本2建立回归模型2，其残差平方和为RSS2?3183763。
/1175874?2.707572D. 计算F统计量：F?RSS2/RSS1?3183763
取??0.05时，查F分布表得F0.05(20?2,20?2)?2.15,F?2.707572?2.15，所以存在异方差性。
③White检验
A. 建立回归模型：输入命令：LS Y C P X，如图5—4所示：
图5—4 中国货币流通量二元模型回归结果图
B. 在方程窗口上点击View\\Residual\\Test\\White Heteroskedastcity，检验结果如图5—5所示：
图5—5 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??0.05，由于
?0.052(2)?5.99?nR2?15.19512,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，这里的0.0006<0.0096，即认为存在异方差。
④Park检验
A.建立回归模型（结果如图5—4所示）。 B.生成新变量序列：GENR LNE2 = log(RESID^2)
GENR LNX = log(x)
GENR LNP = log(p)
C.建立新残差序列对解释变量的回归模型：
输入命令：LS LNE2 C LNX LNP，如图5—6所示：
图5—6 Park检验回归模型
从上图所示的回归结果中可以看出，LNX、LNP的系数估计值不为0且能通过显著性检验，即随机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。
⑤Gleiser检验（Gleiser检验与Park检验原理相同） A. 建立回归模型（结果如图5—4所示）。
B. 生成新变量序列：GENR E=ABS(RESID)
C. 分别建立新残差序列（E）对各解释变量（X,X^2, X^(-1)）的回归模型： 输入命令：LS E C X P
图5—7 残差序列对解释变量X的回归模型
a.E?2.9431?1.54E?05X?0.0051P
(1.2543) (1.042346) （-0.64075）
R2?0.266726,F?3.091842输入命令：LS E C X^2 P
图5—8 残差序列对解释变量X^2的回归模型
b.E?1.45392?6.90E?12X2?0.00121P (0.94223) (0.620789) （0.368832）
R2?0.237155,F?2.642496输入命令：LS E C X^(-1) P
图5—9 残差序列对解释变量X^(-1)的回归模型
?37699.32X?1?0.002011P c.E?1.756784 (0.883157) (-0.607152) （0.912466）
R2?0.236419,F?2.631763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。并且方程a所示的回归方程中R2和F最大由此可知a方案是最好的。
（3） 调整异方差性 ① 确定权数变量
根据Park检验，可以得出ei2的一般形式为：
lnei?10.4035?8.85296lnxi?16.39433lnpi 生成权数变量：GENR W1=1/X^(-8.85296)
2