1、實驗二 （一）異方差性【實驗目的】掌握異方差性的檢驗及處理方法【實驗內容】建立并檢驗我國制造業利潤函數模型【實驗步驟】【例1】表1列出了1998年我國主要制造工業銷售收入與銷售利潤的統計資料，請利用統計軟件Eviews建立我國制造業利潤函數模型。表1 我國制造工業1998年銷售利潤與銷售收入情況行業名稱銷售利潤銷售收入行業名稱銷售利潤銷售收入食品加工業187.253180.44醫藥制造業238.711264.1食品制造業111.421119.88化學纖維制品81.57779.46飲料制造業205.421489.89橡膠制品業77.84692.08煙草加工業183.871328.59塑料制品業1

2、44.341345紡織業316.793862.9非金屬礦制品339.262866.14服裝制品業157.71779.1黑色金屬冶煉367.473868.28皮革羽絨制品81.71081.77有色金屬冶煉144.291535.16木材加工業35.67443.74金屬制品業201.421948.12家具制造業31.06226.78普通機械制造354.692351.68造紙及紙品業134.41124.94專用設備制造238.161714.73印刷業90.12499.83交通運輸設備511.944011.53文教體育用品54.4504.44電子機械制造409.833286.15石油加工業194.452

3、363.8電子通訊設備508.154499.19化學原料紙品502.614195.22儀器儀表設備72.46663.68一、 檢驗異方差性圖形分析檢驗觀察銷售利潤（Y）與銷售收入（X）的相關圖(圖1)：SCAT X Y圖1 我國制造工業銷售利潤與銷售收入相關圖從圖中可以看出，隨著銷售收入的增加，銷售利潤的平均水平不斷提高，但離散程度也逐步擴大。這說明變量之間可能存在遞增的異方差性。殘差分析首先將數據排序（命令格式為：SORT 解釋變量），然后建立回歸方程。在方程窗口中點擊Resids按鈕就可以得到模型的殘差分布圖（或建立方程后在Eviews工作文件窗口中點擊resid對象來觀察）。圖2 我國制

4、造業銷售利潤回歸模型殘差分布圖2顯示回歸方程的殘差分布有明顯的擴大趨勢，即表明存在異方差性。Goldfeld-Quant檢驗將樣本安解釋變量排序（SORT X）并分成兩部分（分別有1到10共11個樣本合19到28共10個樣本）利用樣本1建立回歸模型1（回歸結果如圖3），其殘差平方和為2579.587。SMPL 1 10LS Y C X圖3 樣本1回歸結果利用樣本2建立回歸模型2（回歸結果如圖4），其殘差平方和為63769.67。SMPL 19 28LS Y C X圖4 樣本2回歸結果計算F統計量：63769.67/2579.59=24.72，分別是模型1和模型2的殘差平方和。取時，查F分布表得

5、，而，所以存在異方差性White檢驗建立回歸模型：LS Y C X，回歸結果如圖5。圖5 我國制造業銷售利潤回歸模型在方程窗口上點擊ViewResidualTestWhite Heteroskedastcity,檢驗結果如圖6。圖6 White檢驗結果其中F值為輔助回歸模型的F統計量值。取顯著水平，由于,所以存在異方差性。實際應用中可以直接觀察相伴概率p值的大小，若p值較小，則認為存在異方差性。反之，則認為不存在異方差性。Park檢驗建立回歸模型（結果同圖5所示）。生成新變量序列：GENR LNE2=log(RESID2)GENR LNX=log建立新殘差序列對解釋變量的回歸模型：LS LNE

6、2 C LNX，回歸結果如圖7所示。圖7 Park檢驗回歸模型從圖7所示的回歸結果中可以看出，LNX的系數估計值不為0且能通過顯著性檢驗，即隨即誤差項的方差與解釋變量存在較強的相關關系，即認為存在異方差性。Gleiser檢驗（Gleiser檢驗與Park檢驗原理相同）建立回歸模型（結果同圖5所示）。生成新變量序列：GENR E=ABS(RESID)分別建立新殘差序列（E）對各解釋變量（X X2 X(1/2) X(1) X(2) X(1/2)）的回歸模型：LS E C X，回歸結果如圖8所示。圖 8由上述各回歸結果可知，各回歸模型中解釋變量的系數估計值顯著不為0且均能通過顯著性檢驗。所以認為存在

7、異方差性。由F值或確定異方差類型二、 調整異方差性確定權數變量根據Park檢驗生成權數變量：GENR W1=1/X1.6743根據Gleiser檢驗生成權數變量：GENR W2=1/X0.5另外生成：GENR W3=1/ABS(RESID）GENR W4=1/ RESID 2利用加權最小二乘法估計模型在Eviews命令窗口中依次鍵入命令：LS(W=) Y C X或在方程窗口中點擊EstimateOption按鈕，并在權數變量欄里依次輸入W1、W2、W3、W4，進行回歸w1結果圖所示。圖 9對所估計的模型再進行White檢驗，觀察異方差的調整情況對所估計的模型再進行White檢驗。圖 10（二）

8、自相關性【實驗目的】掌握自相關性的檢驗與處理方法。【實驗內容】利用表5-1資料，試建立我國城鄉居民儲蓄存款模型，并檢驗模型的自相關性。表5-1 我國城鄉居民儲蓄存款與GDP統計資料（1978年100）年份存款余額YGDP指數X年份存款余額YGDP指數X1978210.60100.019895146.90271.31979281.00107.619907034.20281.71980399.50116.019919107.00307.61981523.70122.1199211545.40351.41982675.40133.1199314762.39398.81983892.50147.619

9、9421518.80449.319841214.70170.0199529662.25496.519851622.60192.9199638520.84544.119862237.60210.0199746279.80592.019873073.30234.0199853407.47638.219883801.50260.7【實驗步驟】一、回歸模型的篩選相關圖分析SCAT X Y相關圖表明，GDP指數與居民儲蓄存款二者的曲線相關關系較為明顯。現將函數初步設定為線性、雙對數、對數、指數、二次多項式等不同形式，進而加以比較分析。估計模型，利用LS命令分別建立以下模型LS Y C X (-6.706

10、) (13.862)0.9100 F192.145 S.E5030.809二、自相關性檢驗DW檢驗；雙對數模型因為n21，k1，取顯著性水平0.05時，查表得1.22，1.42，而0<0.7062DW<，所以存在（正）自相關。偏相關系數檢驗在方程窗口中點擊View/Residual Test/Correlogram-Q-statistics，并輸入滯后期為10，則會得到殘差與的各期相關系數和偏相關系數。BG檢驗在方程窗口中點擊View/Residual Test/Series Correlation LM Test，并選擇滯后期為2，則會得到如圖所示的信息。圖 雙對數模型的BG檢驗

11、圖中，=11.31531，臨界概率P=0.0034，因此輔助回歸模型是顯著的，即存在自相關性。又因為，的回歸系數均顯著地不為0，說明雙對數模型存在一階和二階自相關性。三、自相關性的調整：加入AR項對雙對數模型進行調整；在LS命令中加上AR(1)和AR(2)，使用迭代估計法估計模型。鍵入命令：LS LNY C LNX AR(1) AR(2)結果表明，估計過程經過4次迭代后收斂；，的估計值分別為0.9459和-0.5914，并且檢驗顯著，說明雙對數模型確實存在一階和二階自相關性。調整后模型的DW1.6445，n19，k1，取顯著性水平0.05時，查表得1.18，1.40，而<1.6445DW<4，說明模型不存在一階自相關性；再進行偏相關系數檢驗（圖5-17）和BG檢驗（圖5-18），也表明不存在高階自相關性，因此，中國城鄉居民儲蓄存款的雙對數模型為： (-25.263) (52.683)0.9982 F2709.985 S.E0.0744 DW1.6445四、重新設定雙對數模型中的解釋變量：模型1：加入上期儲蓄LNY(-1)；模型2：解釋變量取成：上期儲蓄LNY(-1)、本期X的增長DLOG(X)。檢驗自相關性；模型1鍵入命令：LS LNY C LNX LNY(-1)結果表明了DW=1.358