计量经济学 实验报告
学 院： 信管学院 专 业：
实验编号： 实验四 实验题目： 异方差性 姓 名： 学 号：10 指导老师： 1
实验四 异方差性
【实验目的】
掌握异方差性的检验及处理方法
【实验内容】
建立并检验我国制造业利润函数模型
【实验步骤】
下表列出了2011年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型。
数据来源：国家统计局 → 国家统计年鉴2012数据
（http://www.stats.gov.cn/tjsj/ndsj/2012/indexch.htm）→ 工业（按行业分规模以上工业
企业主要经济效益指标）
行 业 主营业务 利润总额 收 入 食品制造业 4744.15 393.97 饮料制造业 3196.94 287.6 烟草制品业 4.52 0.37 纺织业 16166.37 纺织服装、鞋、帽制造业 皮革、毛皮、羽毛(绒)及其制品业 木材加工及木、竹、藤、棕、草制品
5919.32 3477.54 行 业 主营业务 利润总额 收 入 橡胶制品业 2618.47 197.14 塑料制品业 7282.32 494.91 非金属矿物19225.09 13.77 制品业 982.62 黑色金属冶16261.39 861.93 炼及压延加工业 390.61 有色金属冶10881.91 7.9 炼及压延加工业 269.14 金属制品业 11359.33 765.78 5919.71 445.29 通用设备制造业 17869.79 1321.51 2
家具制造业 造纸及纸制品业 印刷业和记录媒介的复制 文教体育用品制造业 2522.26 4512.39 1612.8 191.42 专用设备制造业 309.52 交通运输设备制造业 125.53 电气机械及器材制造业 77.96 通信设备、计算机及其他电子设备制造业 257.04 仪器仪表及文化、办公用机械制造业 1425.47 工艺品及其他制造业 347.66 废弃资源和废旧材料回收加工业 104.91 9053.24 11519.45 16224.09 731.06 767.87 1113.17 1107.62 4692.88 330.43 石油加工、炼焦及核燃料加工业 化学原料及化学制品制造业 医药制造业 49 2004.08 149.47 127.57 7193.49 445.46 3757.77 25.28 160.57 化学纤维制造业 2302.37 一、检验异方差性 ⒈图形分析检验
⑴观察销售利润（Y）与销售收入（X）的相关图(图1)：SCAT X Y
图1 我国制造工业销售利润与销售收入相关图
从图中可以看出，随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也
3
逐步扩大。这说明变量之间可能存在递增的异方差性。
⑵残差分析
首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。
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将样本按解释变量排序（SORT X）并分成两部分（分别有1到10共1个样本和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8067.52。
SMPL 1 10 LS Y C X
4
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25214669。
SMPL 20 29 LS Y C X
5
图4 样本2回归结果
⑷计算F统计量：FRSS2/RSS1＝25214669/8067.52=3125.45，RSS1和RSS2分别是模型1和模型2的残差平方和。
取
0.05时，查F分布表得F0.05(1011.1011)3.44，而
F3125.45F0.053.44，所以存在异方差性
⒊White检验
⑴建立回归模型：LS Y C X，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\\White Heteroskedastcity,检验结果如图6。
6
图6 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
02.05(2)5.99nR20.760,所以不存在异方差性。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：GENR LNE2=log(RESID^2)
GENR LNX=log（x）
⑶建立新残差序列对解释变量的回归模型：LS LNE2 C LNX，回归结果如图7所示。
7
图7 Park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：GENR E=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：LS E C X，回归结果如图8、9、10、11、12、13所示。
8
图8
图9
图10
9
图11
图12
10
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R确定异方差类型
Gleiser检验中可以通过F值或R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（R）最大，可以据次来确定异方差的形式。 二、调整异方差性 ⒈确定权数变量
根据Park检验生成权数变量：GENR W1=1/X^1.6743 根据Gleiser检验生成权数变量：GENR W2=1/X^0.5 另外生成：GENR W4=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=Wi) Y C X
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、W4，回归结果图14、15、16所示。
222 11
图14
图15
12
图16
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的回归模型（如图17、18、19所示）。图17、18、19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19对应的White检验没有显示F值和nR的值，这表示异方差性已经得到很好的解决。
2 13
图17
14
图18
15
图19
16
