异方差： 模型中随机扰动项的方差 随 解释变量 的变动而变动。 异方差的检验：

图示法 先对y,x做线性回归，这样才能产生残差resid.

GQ检验法 切记：先对解释变量x排序（一般是按照升序）， 再截断样本，取一头一尾，计算残差平方和，构造F检验，得出结论。 注：[proc]—[making equations]—[equation estimate] 原样本数据共有23个，这里去掉了排序后的中间5个，取一头（前9个样本数据）和一尾（后9个样本数据），分别对其进行线性回归； 对后9个样本数据做回归的结果展示如下： 注意看·sample·为15 23 ；·include observations·为9. 计算F检验值：因为一头一尾线性回归中的使用观测样本数据个数是一样的，所以只需要提取·sum squared resid·这一项做除就行。

white检验法 先对x、y进行线性回归，并在equation框中，【view】-【residual diagnostic】-【heter… test】-【white】。

返回结果如下图： 异方差的修正： 加权最小二乘法。 举例： 如果

V

a

r

(

u

i

)

=

σ

i

2

=

σ

2

X

i

2

Var(u_{i})=\sigma_{i}^{2}=\sigma^{2}X_{i}^{2}

Var(ui​)=σi2​=σ2Xi2​, 考虑

V

a

r

(

u

i

X

i

)

=

σ

2

Var(\frac{u_{i}}{X_{i}})=\sigma^{2}

Var(Xi​ui​​)=σ2， 那么原模型

Y

i

=

β

0

+

β

1

X

i

+

u

i

Y_{i}=\beta_{0}+\beta_{1}X_{i}+u_{i}

Yi​=β0​+β1​Xi​+ui​随之化为

Y

i

X

i

=

β

0

X

i

+

β

1

+

u

i

X

i

\frac{Y_{i}}{X_{i}}=\frac{\beta_{0}}{X_{i}}+\beta_{1}+\frac{u_{i}}{X_{i}}

Xi​Yi​​=Xi​β0​​+β1​+Xi​ui​​ 这里的权数就是

1

X

i

\frac{1}{X_{i}}

Xi​1​.

用Eviews操作如下： 方法一： 输入ls y/x c 1/x+回车，即可。 不建议使用该方法，理由：返回结果简单，很难体现出改进在了什么地方

方法二： 先对x、y进行线性回归，并在equation框中，点击[estimate]-[option] 需要设置的地方有：选择coefficient covariance matrix:white-weight type: inverse std.dev.-weighet series:1/x. 返回结果的格式如下： 🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍

这篇博客被不止一次地修正，每次修正使用的数据集都不同，所以会出现有的地方·sample·为23，有的截图为29……，主要还是看操作