1、1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： 2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:/ 工业（按行业分规模以上工业企业主要经济效益指标）行 业 主营业务收 入利润总额 行 业 主营业务收 入利润总额食品制造业 4744.15 393.97 橡胶制品业 26
2、18.47 197.14饮料制造业 3196.94 287.6 塑料制品业 7282.32 494.91烟草制品业 4.52 0.37 非金属矿物制品业19225.09 1643.77纺织业 16166.37 982.62 黑色金属冶炼及压延加工业16261.39 861.93纺织服装、鞋、帽制造业5919.32 390.61 有色金属冶炼及压延加工业10881.91 647.9皮革、毛皮、羽毛(绒)及其制品业3477.54 269.14 金属制品业 11359.33 765.78木材加工及木、竹、藤、棕、草制品5919.71 445.29 通用设备制造业17869.79 1321.51家具制
3、造业 2522.26 191.42 专用设备制造业9053.24 731.06造纸及纸制 4512.39 309.52 交通运输设 11519.45 767.873品业 备制造业印刷业和记录媒介的复制1612.8 125.53 电气机械及器材制造业16224.09 1113.17文教体育用品制造业1107.62 77.96 通信设备、计算机及其他电子设备制造业4692.88 330.43石油加工、炼焦及核燃料加工业4649 257.04 仪器仪表及文化、办公用机械制造业2004.08 149.47化学原料及化学制品制造业18927.57 1425.47 工艺品及其他制造业7193.49 445
4、.46医药制造业 3757.77 347.66 废弃资源和废旧材料回收加工业2645.28 160.57化学纤维制造业2302.37 104.91一、检验异方差性图形分析检验观察销售利润（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，但离散程度也逐步扩大。这说明变量之间可能存在递增的异方差性。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4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
5、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。Goldfeld-Quant 检验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）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 10LS Y C X5图 3 样本 1 回归结果利用样本 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 29LS Y C X6图 4 样本 2 回归结
6、果计算 F 统计量： 25214669/8067.52=3125.45， 分别是模12/RS 21RS和型 1 和模型 2 的残差平方和。取 时，查 F 分布表得 ，而05. 4.3)10.(05. ，所以存在异方差性4.343.White 检验建立回归模型：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在方程窗口上点击 ViewResidual TestWhite Heteroskedastcity,检验结果如图 6。7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 ，由于05.,所以不存在异方差性。实际应用中可以直接观察相伴概70
7、.9.5)2(20. nR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。Park 检验建立回归模型（结果同图 5 所示） 。生成新变量序列：GENR LNE2=log(RESID2)GENR LNX=log（x）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。8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。Gleiser 检验（Gleiser 检验与 Park 检验原理相同）建立回归
8、模型（结果同图 5 所示） 。生成新变量序列：GENR E=ABS(RESID)分别建立新残差序列（E）对各解释变量（X/X2/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。9图 8图 9图 1010图 11图 1211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。由 F 值或 确定异方差类型2RGleiser 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2R归方程 F 值（ ）最大，可以据次来确定异方
9、差的形式。2二、调整异方差性确定权数变量根据 Park 检验生成权数变量： GENR W1=1/X1.6743根据 Gleiser 检验生成权数变量：GENR W2=1/X0.5另外生成：GENR W4=1/ RESID 2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= ) Y C XiW或在方程窗口中点击 EstimateOption 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。12图 14图 1513图 16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 的值，这表示异方差性已经得到很好的解决。2nR14图 1715图 1816图 19
