ndiv = 248 .8055 + 0 .206553 * Atprofits se = ( 31 .89255 )( 0 .049390 ) t = ( 7 .801368 )( 4 .182100 ) p = ( 0 . 00000 )( 0 .00060 ), R 2 = 0 .507103
Gleiser检验与Park检验存在同样的弱点。
(9.3) (9.4) (9.5)
9.4 异方差的诊断－方法4：怀特(White)检验法
Yi = B1 + B 2 X 2 i + B3 X 3 i + u i
2、做如下辅助回归： (9.6) (9.7)
1、首先用普通最小二乘法估计方程(9.6)，获得残差ei
E(Y|X)=α+β*X Y
＋u ＋u －u －u －u ＋u
0
同方差(homoscedasticity)
X 0
E(Y|X)=α+β*X
异方差(heteroscedasticity)
X
一元线性回归分析－回归的假定条件
假定5 无自相关假定，即两个误差项之间不相关。 Cov（ui,uj） = 0。
ui
9.2 异方差的性质
例9.1 美国创新研究：销售对研究与开发的影响 ^ R&D ＝ 266.2575 + 0.030878*Sales se＝(1002.963) (0.008347) t ＝(0.265471) (3.699508) p ＝(0.7940) R2 ＝ 0.461032 从回归结果可以看出： （1）随着销售额的增加，R&D也逐渐增加，即销售 额每增加一百万美元，研发相应的增加3.1 万美元。 （2）随着销售额的增加，R&D支出围绕样本回归线 的波动也逐渐变大，表现出异方差性。 (0.0019)
一元线性回归分析－总结（回归系数的计算公式）
整理得到由两个关于a、b的二元一次方程组成的方程组：
Σy = na + bΣx 2 Σxy = aΣx + bΣx
进一步整理，有：
b = a =
∑ ∑ ∑
n
xi yi x y
2 i
=
∑
(X
∑
i
− X )( Y i − Y ) (X
9.2 异方差的性质
例9.1 美国创新研究：1988年美国研究与开发费用支出
Sales R&D 6375. 3 11626 .4 1466 5.1 2186 9.2 62.5 92.9 178. 3 258. 4
Profi t 185. 1 1596 .5 276. 8 2828 .1
Sales R&D Profit 80552 .8 95249 .0 10131 4.1 11614 1.3 6620. 1 3918. 6 1595. 3 6107. 5 1386 9.9 4487. 8 1027 8.9 8787. 3
σ 2 ∑ x2
E (b ) = β
σ2
a与b均为服从正态分布的随机变量
a ~ N (α ,
∑ (x − x)
2
),
b ~ N (β ,
∑ (x − x)
2
)
一元线性回归分析－总结（相关系数与回归系数的差别） b与r的关系：
r＞0 ＞ b＞0 ＞
r＜0 ＜ b＜0 ＜
x y
r=0 b=0
S r = b S
ui
ui
uj
uj
uj
正相关
负相关
不相关
一元线性回归分析－回归的假定条件
假定6 回归模型是正确设定的，即实证分析的模型不 存在设定误差或设定错误。 假定7 在总体回归函数中，
y =α + β x+u
误差项u服从均值为0，方差为σ2的正态分布。即 u ～ N(0，σ2) 中心极限定理 独立同分布的随机变量，随着变量个 数的无限增加，其和的分布近似服从正态分布。
σˆ =
2
∑
e i2
n−2
3.2 一元线性回归分析－
普通最小二乘估计量的方差与标准误差
系数估计量的误差 ：是既然估计量是通过样本计算出来的， 因此随着样本的变化，这些估计量是存在抽样变异性的 ，其 变异性是由估计量的方差或其标注误差 来度量。
var( a ) = σ st . e ( a ) = var( b ) = σ st . e =
ei2 = A1 + A2 X 2 i + A3 X 3 i + A4 X 22i + A5 X 32i + A6 X 2 i X 3 i + v i
3、求辅助回归方程(9.7)的R2值，在不存在异方差的原假设 下，怀特证明了从方程(9.7)中得到的R2值与样本容量(n)的 积服从χ2分布，自由度等于方程(9.7)中解释变量的个数。
n ∗ R 2 ~ χ k2−1
(9.8)
9.4 异方差的诊断－方法4：怀特(White)检验法
n ∗ R 2 ~ χ k2−1
(9.8)
4、如果从方程(9.8)中得到的χ2值超过了所选显著水平的χ2 临界值，或者说计算χ2的p值很低，则拒绝原假设：不存在 异方差。p值大，则不能拒绝原假设。
9.4 异方差的诊断－方法4：怀特(White)检验法
异方差性－回归问题的引入
虽然古典线性回归模型强调了同方差假定，但在实践 中无法保证总能够满足。本章内容就是讨论同方差假 定不满足条件下，回归模型可能会出现的问题，以及 如何解决问题： 1. 异方差有什么性质？ 2. 异方差的后果是什么？ 3. 如何诊断存在异方差？ 4. 如果存在异方差，如何解决？
ei2 = − 2482 .57 + 10 .16896 * atp − 0 .00855 * atp * atp R 2 = 0 . 179238
样本容量为19，自由度为2，19*0.179238=3.41则 χ22=2.77(α=25％) < 3.41< χ22=4.61(α=10％)， 存在异方差的可能性还是较大的。
计量经济学讲义
线性回归模型的异 方差问题
9.1 一元线性回归分析－总结（一元线性回归的思想）
ˆ 总体一元线性回归方程:Y
(估计的回归方程) 样本一元线性回归方程： （一元线性回归方程）
= E (Y | X
)= α
+ βX
以样本统计量估计总体参数
ˆ y = a + bx
截距 斜率（回归系数）
ˆ y 表示总体均值 E (Y | X )的估计量， a = α 的估计量， b = β 的估计量 估计量或样本估计量是 总体参数的估计公式。
i
− X )2
Σx − b = y − b x n
一元线性回归分析－总结（最小二乘法的优良性质 ）
残差之和为零
∑e = 0
所拟合直线通过样本散点图的重心 ( x , y ) 误差项与解释变量不相关
∑ (e − e )( x − x ) = 0
a与b分别是总体回归系数的无偏估计量
E (a ) = α
(9.1)
在许多情况下，是无法知道σi2的，因此就用ei代替ui，建立 如下回归模型：
ln e = B1 + B2 * ln X i + vi
2 i
(9.2)
ei2可以从原始回归模型中得到。
9.4 异方差的诊断－方法2：帕克(R.E.Park)检验法
帕克检验步骤： Park检验的弱点在哪？ 1. 做普通最小二乘回归，不考虑异方差问题； 2. 从原始回归方程求得残差ei，并求其平方，再取对数形式； 3. 利用原始模型中得一个解释变量做形如(9.2)的回归，如果 有多个解释变量，则对每个解释变量做形如(9.2)的回归， 或者做ei2对Y估计值的回归； 4. 检验零假设B2＝0，即不存在异方差。如果lnei2和lnXi之间 是统计显著的，则拒绝零假设，表示存在异方差的可能。 5. 如果接受零假设，则回归方程中的B1可以理解为同方差 σi2的一个给定值。
9.4 异方差的诊断－方法2：帕克(R.E.Park)检验法
如果存在异方差，则异方差σi2可能与一个或多个解释变量 系统有关。是否相关，做σi2对一个或多个解释变量X的回归。 例如，在一元回归模型中进行如下回归：
lnσ i2 = B1 + B2 * ln X i + vi
其中，vi是残差项。此即为帕克检验。
2 a
=
n∑ (X
∑
σ
X
i
2 i
− X )2
•σ
2
var( a )
2 b
=
2
∑
(X
i
− X )2
σ2是误差扰 动项u的方差， 但是在多数情 况下它是未知 的。
var( b )
9.4 异方差的诊断－方法1：图形检验法
例子 不同收入阶层人群的消费状况。不同收入阶层的消 费方差很可能是不同的。 异方差的诊断方法： 1、残差的图形检验：即考虑解释变量X与误差ei之间的关系。 从例9.1看出随着Sales增大，误差ei的平方呈逐渐增大趋势。
#43;β*X
0
X
一元线性回归分析－回归的假定条件
假定4 误差扰动项u的方差为常数，即Var（u）＝σ2，称 之为同方差(homoscedasticity) 同方差的含义：每个Y值以相同的方差分布在其均值周 围，即Y偏离其均值的程度相同。 Y
＋u ＋u －u －u －u ＋u
9.4 异方差的诊断－方法3：格莱泽(Glejser)检验法
该检验方法实际上与帕克检验方法类似，从原始模型 中获得残差ei后，格莱泽所做的回归模型的方程不同，他采 取的是下列函数形式：
| ei |= B1 + B2 * X i + vi | ei |= B1 + B2 * X i + vi 1 | ei |= B1 + B2 * + vi Xi