【Eviews】異方差的檢驗（圖示檢驗法、white檢驗法、GQ檢驗法）與修正（加權最小二乘法）

異方差：
模型中隨機擾動項的方差 隨 解釋變量 的變動而變動。
異方差的檢驗：

1. 圖示法
   先對y,x做線性迴歸，這樣才能產生殘差resid.
   

2. GQ檢驗法
   切記：先對解釋變量x排序（一般是按照升序），
   再截斷樣本，取一頭一尾，計算殘差平方和，構造F檢驗，得出結論。
   
   
   注：[proc]—[making equations]—[equation estimate]
   原樣本數據共有23個，這裏去掉了排序後的中間5個，取一頭（前9個樣本數據）和一尾（後9個樣本數據），分別對其進行線性迴歸；
   對後9個樣本數據做迴歸的結果展示如下：
   
   注意看·sample·爲15 23 ；·include observations·爲9.
   計算F檢驗值：因爲一頭一尾線性迴歸中的使用觀測樣本數據個數是一樣的，所以只需要提取·sum squared resid·這一項做除就行。

3. white檢驗法
   先對x、y進行線性迴歸，並在equation框中，【view】-【residual diagnostic】-【heter… test】-【white】。
   

返回結果如下圖：

異方差的修正：
加權最小二乘法。
舉例：
如果$Var(u_{i})=\sigma_{i}^{2}=\sigma^{2}X_{i}^{2}$,
考慮$Var(\frac{u_{i}}{X_{i}})=\sigma^{2}$，
那麼原模型$Y_{i}=\beta_{0}+\beta_{1}X_{i}+u_{i}$隨之化爲$\frac{Y_{i}}{X_{i}}=\frac{\beta_{0}}{X_{i}}+\beta_{1}+\frac{u_{i}}{X_{i}}$
這裏的權數就是$\frac{1}{X_{i}}$.

用Eviews操作如下：
方法一：
輸入ls y/x c 1/x+回車，即可。
不建議使用該方法，理由：返回結果簡單，很難體現出改進在了什麼地方

方法二：
先對x、y進行線性迴歸，並在equation框中，點擊[estimate]-[option]

需要設置的地方有：選擇coefficient covariance matrix:white-weight type: inverse std.dev.-weighet series:1/x.

返回結果的格式如下：

🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍

這篇博客被不止一次地修正，每次修正使用的數據集都不同，所以會出現有的地方·sample·爲23，有的截圖爲29……，主要還是看操作