图3
⒉Goldfeld-Quant检验 ⑴将样本安解释变量排序（SORT X）并分成两部分 （分别有1到12共12个数据（子样本1），20到31共 12个数据（子样本2）） ⑵利用子样本1建立回归模型1（回归结果如图4）， 其残差平方和为351515.9。 SMPL 1 1回归结果如图5），其 残差平方和为2265858。
SMPL 20 31 LS Y C X
图5
⑷计算F统计量：F R2/S R1 S S 2S 2/6 35 5.9 8 1 6 .4 5 5
RSS1 和RSS2分别是模型1和模型2的残差平方和。 取
F6.4 5F 0.052.98
图8
从图8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6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9、10、11、 12、13、14所示。
二、运用加权最小二乘法消除异方差
1
权数采用
e
，如果仍然存在异方差，可以尝
试其他权数
在命令窗口输入 genr w1=1/abs(resid) 回车 然后输入 LS（W=W1） Y C X 得到以下方程
在方程窗口点View\Residual Test\White Heteroskedastcity(no cross terms), 进行White 检验，发现异方差已经消除。如下图
eviews的异方差检验
一、检验异方差性 ⒈图形分析检验 （1）观察农业总产值（Y）与农作物播种面积（X）的散点 图：在命令窗口输入 SCAT X Y；或者把X、Y以数据组 （Group）的形式打开，然后点击View/Graph/Scatter，如 图1所示。得到散点图，见图2。
图1
图2
从图2中可以看出，随着农作物播种面积的增加，农 业总产值不断提高，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。 ⑵残差分析 首先将数据排序（命令格式为：SORT X；或打开X 的数据表格，点击Sort按钮），然后建立回归方程。 在命令窗口输入 genr e2=resid^2 然后以组的形式把X和e2打开，做散点图（在组窗 口中点View/Graph/Scatter/Simple Scatter,如下图 （图3）
图9
图10
图11
图12
图13
图14
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值或确定异方差类型
Gleiser检验中可以通过F值或 R 2 值确定异方差的具
体形式。本例中，图11所示的回归方程F值（ R 2 ） 最大，可以据此来确定异方差的形式。
三、在回归之前，对原序列均取对数，然后对对 数序列进行回归，有时能消除异方差
此课件下载可自行编辑修改，仅供参考！ 感谢您的支持，我们努力做得更好！谢谢
图7
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。 ⒋Park检验 ⑴建立回归模型（结果同图6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8所示。
F 0 .0(1 5 2 1 1 ,1 2 1 1 ) 2 .98
，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6。
图6
⑵在方程窗口上点击View\Residual Test\ White Heteroskedastcity(no cross terms),检验结果如 图7。