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:
-
圖示法
先對y,x做線性迴歸,這樣才能產生殘差resid.
-
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。 -
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,
考慮,
那麼原模型隨之化爲
這裏的權數就是.
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