1、1,631.9114,484.38食品制造业1,278.2013,875.73化学纤维制品372.586,646.95饮料制造业1,327.8811,774.80橡胶制品业464.717,279.95烟草加工业857.216,666.90塑料制品业1,049.1015,281.75纺织业1,999.6232,288.52非金属矿制品3,633.8139,294.75服装制品业971.0813,214.41黑色金属冶炼2,694.8265,909.31皮革羽绒制品719.598,747.22有色金属冶炼2,382.1836,869.42木材加工业701.528,804.01金属制品业1,649.
2、7722,951.33家具制造业352.844,946.76普通机械制造3,211.9440,157.93造纸及纸品业772.9411,807.01专用设备制造2,194.4526,059.60印刷业347.953,784.27交通运输设备5,512.6963,131.95文教体育用品178.383,133.81电子机械制造3,465.0650,148.85石油加工业549.8237,275.12电子通讯设备2,917.4063,474.89化学原料纸品4,624.4760,097.89仪器仪表设备612.887,468.83(一) 检验异方差性观察销售利润(Y)与销售收入(X)的相关图(图1
3、):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。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11个样
4、本合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216231.7。SMPL 1 10LS Y C X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63769.67。SMPL 19 28图4 样本2回归结果计算F统计量:11501152/216231.7=53.19,分别是模型1和模型2的残差平方和。取时,查F分布表得,而,所以存在异方差性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ViewResidualTestWhite Heteroskedastcity
5、,检验结果如图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,由于,所以存在异方差性。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。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=logx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。Gl
6、eiser检验(Gleiser检验与Park检验原理相同) 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。图8 图9 图10 图11 图12 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Gleiser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9所示的回归方程F值()最大,可以据次来确定异方差的形式。(二) 调整异方差性确定权数变量
7、根据Park检验生成权数变量:GENR W1=1/X1.3136根据Gleiser检验生成权数变量:GENR W2=X2另外生成:GENR W3=1/ABS(RESID)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 X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、W3、W4,回归结果图14、15、16、17所示。 图14 图15 图16 图17对所估计的模型再进行White检验,观察异方差的调整情况五、实验结果及结论对所估计的模型再进行White检验,其结果分别对应图14、15、16、17的回归模型(如图18、19、20、21所示)。图18、19、20、21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 18 图19 图20 图21六、心得体会本次实验我学会了异方差的检验及修正,让我加深了对理论的理解和掌握,直观而充分地体会到老师课堂讲授内容的精华之所在。虽然在实验过程中出了很多错误,但是培养了自己发现问题的眼光。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1