简介本资源是一份面向计量经济学初学者与高校经管类专业学生的EViews实验教学模板聚焦异方差问题的诊断与修正全流程实践。文档完整覆盖图示法识别、White检验原理与操作、加权最小二乘法WLS三种权重选择及结果对比等核心环节以1998年我国28个制造业行业销售利润与销售收入真实数据为案例提供从模型设定、OLS估计、残差分析到异方差修正的完整推导与EViews输出解读。资源为单个Word文档.doc格式大小370KB内容结构清晰含实验目的、数据表格、回归结果截图、检验统计量判读及详细步骤说明便于课堂实训、课程报告撰写或自学复盘。目前已有637人学习下载适合作为计量经济学实验课配套材料或备考参考资料。1. 这份 EViews 异方差诊断与修正模板不是交作业的“填空题”而是你处理真实截面数据时绕不开的实操检查清单当你用 EViews 回归一个城市人均消费对人均可支配收入的模型R² 高达 0.92但标准误突然变大、t 值集体缩水、置信区间宽得离谱——这不是模型没拟合好很可能是异方差在暗中破坏统计推断。这份标题为《EViews计量经济学实验报告~异方差的诊断与修正模板.doc》的文档本质是一套面向真实截面数据如省级面板、企业横截面、家庭调查样本的标准化操作流程它不教你怎么点菜单而是告诉你在哪个检验结果下必须换稳健标准误在什么残差图形态下该尝试加权最小二乘WLS以及为什么 White 检验的 F 统计量比 LM 统计量更值得盯住。适合刚学完经典线性回归假设、正被老师要求交实验报告的学生也适合需要快速复核客户数据稳健性的咨询分析师——因为你在 EViews 里手动点五次鼠标生成的 Breusch-Pagan 检验结果可能漏掉关键自由度调整而模板里嵌套的wgt权重生成逻辑能直接复用于后续预测。它解决的不是“会不会”而是“敢不敢把结果写进正式报告”。2. 异方差诊断从残差图直觉判断到三类检验的 EViews 命令级实现异方差诊断不是单点动作而是由图形观察→形式检验→结果解读构成的闭环。EViews 提供的图形界面虽便捷但默认设置常掩盖关键信息真正可靠的诊断必须调用命令控制检验细节。以下操作均基于 EViews 12兼容 13以ls y c x1 x2估计的方程对象eq01为起点。2.1 残差图识别异方差形态的第一道防线图形诊断的核心是观察残差平方e²与解释变量或拟合值的散点关系。EViews 默认的View → Residual Diagnostics → Residual Plot仅显示 e vs. fitted无法直接暴露异方差模式。需手动构造 步骤1提取残差并生成残差平方序列 genr e eq01.resid genr e2 e^2 步骤2绘制 e2 对关键解释变量如x1的散点图添加低平滑线 scat x1 e2 linefit(e2, x1, 10) 10个分组计算均值比默认线性拟合更敏感提示若e2随x1增大呈喇叭形扩散方差递增或随x1减小而收缩方差递减即存在典型异方差。注意若x1是虚拟变量如城乡分组应改用scat expand(x1) e2查看分组残差方差差异。2.2 Breusch-Pagan 检验检验异方差存在性的基础工具BP 检验本质是将残差平方对所有解释变量做辅助回归再用 F 或 LM 统计量判断显著性。EViews 图形界面View → Residual Diagnostics → Heteroskedasticity Tests → Breusch-Pagan默认使用 LM 统计量但未报告辅助回归的 R² 和自由度导致无法手动验证。可靠做法是显式运行辅助回归 步骤1生成残差平方序列已定义 e2 步骤2对原解释变量做辅助回归含常数项 ls e2 c x1 x2 步骤3提取辅助回归的 R² 和自由度 scalar r2_aux eq01b.r2 scalar k eq01b.ncoef - 1 解释变量个数不含常数项 scalar n eq01b.obs 样本量 scalar bp_lm n * r2_aux LM 统计量 n*R² scalar bp_f (r2_aux / k) / ((1 - r2_aux) / (n - k - 1)) F 统计量 步骤4查卡方分布临界值LM或 F 分布临界值F scalar p_lm 1 - cfdist(bp_lm, k) scalar p_f 1 - ffdist(bp_f, k, n - k - 1)参数说明k是原模型解释变量个数不含常数项n是有效样本量。BP 检验对误差项正态性敏感若残差明显非正态View → Residual Diagnostics → Histogram-Normality Test中 Jarque-Bera 显著应优先采用 White 检验。2.3 White 检验处理非线性异方差的鲁棒选择White 检验通过引入解释变量的平方项和交叉项捕捉更复杂的方差结构。EViews 界面中Heteroskedasticity Tests → White默认包含所有交叉项但对高维模型易造成自由度耗尽。实际应用中应按需精简 手动构建 White 辅助回归仅含平方项避免交叉项膨胀 genr x1sq x1^2 genr x2sq x2^2 ls e2 c x1 x2 x1sq x2sq 提取统计量同 BP 检验逻辑 scalar r2_white eq01w.r2 scalar k_white eq01w.ncoef - 1 scalar white_lm n * r2_white scalar p_white 1 - cfdist(white_lm, k_white)注意当k_white n/3时White 检验的卡方近似失效。此时应改用View → Residual Diagnostics → Heteroskedasticity Tests → Glejser用|e|对x1做绝对残差回归ls abs(e) c x1其 t 统计量更稳定。3. 异方差修正从稳健标准误到 WLS 权重的全流程落地诊断确认异方差后修正目标明确保证参数估计无偏同时使标准误、t 统计量、置信区间具备正确统计性质。EViews 提供两类主流方案适用场景截然不同。3.1 稳健标准误Huber-White零成本、高兼容性的首选方案当异方差形式未知或复杂时直接使用稳健标准误是最稳妥选择。EViews 中Coefficient covariance matrix → White选项仅修改协方差矩阵不影响系数估计值本身且完全兼容后续预测、约束检验等操作 对已估计方程 eq01 应用 White 稳健标准误 eq01.covariancewhite eq01.make(coefs) 重新生成系数表显示稳健标准误关键参数covariancewhite调用的是 HC0 型稳健协方差默认若样本较小n50建议升级为 HC1小样本修正eq01.covariancewhite, hc1此时标准误公式为HC1 (XX)^(-1) X diag(e_i²/(1-h_ii)) X (XX)^(-1)其中h_ii是帽子矩阵对角线元素自动校正杠杆点影响。3.2 加权最小二乘WLS当方差结构可建模时的精准修正WLS 要求明确知道方差函数形式如Var(u_i) σ² * z_i²。常见场景包括截面数据中观测单位规模差异大如企业营收、省份GDP方差与规模变量成正比分组数据中每组内观测数不同方差与组大小成反比。以Var(u_i) σ² * x1_i²为例方差随x1增大而增大 步骤1生成权重序列权重 1 / 方差函数 genr w 1 / (x1^2) 步骤2用权重进行 WLS 估计注意EViews 权重为方差倒数非标准差倒数 ls(ww) y c x1 x2 步骤3验证修正效果——新残差应不再呈现喇叭形 genr e_wls eq01wls.resid genr e2_wls e_wls^2 scat x1 e2_wls 应接近水平带状分布参数说明ls(ww)中w是权重序列名EViews 自动执行(1/sqrt(w_i)) * y_i (1/sqrt(w_i)) * c (1/sqrt(w_i)) * x1_i ...的变换。若方差函数为Var(u_i) σ² * x1_i非平方权重应设为w 1/x1若为Var(u_i) σ² * 1/x1_i则w x1。权重错误会导致估计量有偏。3.3 WLS 权重的实证推断用残差平方回归反推最优权重当理论方差函数未知时可通过残差平方对潜在变量回归来探索权重。此法在截面数据异方差检验场景中高频使用 假设怀疑方差与 x1 相关先做 e2 对 x1 的回归 ls e2 c x1 若 x1 系数显著为正则尝试 w 1/x1若显著为负则尝试 w x1 更系统的方法用 e2 对多个候选变量回归选最高 R² 的模型 ls e2 c x1 x1^2 log(x1) 比较不同函数形式 选择 R² 最高的模型将其拟合值作为方差估计权重 1 / 拟合值 genr var_hat fitted genr w_auto 1 / var_hat ls(ww_auto) y c x1 x2注意此方法属于两阶段估计第二阶段标准误需用covariancewhite修正因第一阶段残差估计引入额外变异。4. 模板落地将诊断与修正封装为可复用的 EViews 程序文件.prg一份合格的实验报告模板必须脱离手动点击支持一键批量执行。核心是将前述诊断逻辑封装为.prg文件输入参数化输出结构化。4.1 模板程序框架hetero_diag.prg 异方差诊断与修正模板 输入参数用户需修改此处 %eq_name eq01 原始方程名 %depvar y 被解释变量名 %reglist c x1 x2 解释变量列表含c %weight_var x1 候选权重变量用于WLS探索 步骤1提取残差并生成 e2 {%eq_name}.make resid e genr e2 e^2 步骤2BP 检验含 F 和 LM 统计量 ls e2 {%reglist} scalar bp_lm obs * r2 scalar bp_f (r2 / (ncoef-1)) / ((1-r2) / (obs-ncoef)) 输出结果到文本对象 text bp_result bp_result.append BP LM Statistic: str(bp_lm, f3) (p str(1-cfdist(bp_lm, ncoef-1), f4) ) bp_result.append BP F Statistic: str(bp_f, f3) (p str(1-ffdist(bp_f, ncoef-1, obs-ncoef), f4) ) 步骤3White 检验仅平方项 genr {%weight_var}sq {%weight_var}^2 ls e2 {%reglist} {%weight_var}sq scalar white_lm obs * r2 ...后续类似 步骤4生成稳健标准误方程 {%eq_name}.covariancewhite, hc1 {%eq_name}.make(coefs) coef_white 步骤5WLS 探索以 weight_var 为基准 genr w_candidate 1/{%weight_var} ls(ww_candidate) {%depvar} {%reglist} ...保存结果4.2 在 EViews 中调用模板的实操步骤将上述代码保存为hetero_diag.prgUTF-8 编码在 EViews 主窗口执行File → Run...选择该文件程序自动运行生成bp_result文本对象含检验 p 值、coef_white系数表、eq01_wlsWLS 方程关键输出集中查看bp_resultBP 检验结论p0.05 则拒绝同方差coef_white稳健标准误下的最终报告表eq01_wls若e2对x1回归显著其系数符号决定w_candidate是否合理正号→w1/x1负号→wx1。提示模板中%weight_var可替换为expand(dum)虚拟变量组、log(x1)对数尺度等适配截面数据异方差检验的多元场景。每次运行前只需修改三行参数无需重写逻辑。5. 验证修正效果用残差诊断图与预测精度双轨评估修正是否成功不能只看检验 p 值变大而要回归到模型的实际用途若用于政策模拟需确保边际效应推断可靠若用于预测需验证预测误差分布改善。以下是两个不可跳过的验证动作。5.1 残差诊断图的三重对比必须并列绘制三组残差图直观对比修正前后变化 创建图形组对比 graph res_comp.line res_comp.add e2 axislabel(Original e²) res_comp.add e2_wls axislabel(WLS e²) res_comp.add abs(e_white) axislabel(White Robust |e|) 使用稳健标准误后的残差绝对值 show res_comp判据原始e2呈现明显喇叭形或漏斗形WLSe2_wls应转为水平带状且各x1区间内e2_wls的标准差接近相等可用stdevs(e2_wls, x1, 5)计算 5 分位区间标准差稳健|e|虽仍存在异方差形态但其分布应更集中stdev(abs(e_white)) stdev(abs(e))证明标准误校正有效。5.2 预测精度的跨样本检验若数据含时间维度或可划分训练/测试集用预测误差方差验证修正价值 假设样本范围 1 100 为训练集101 120 为测试集 smpl 1 100 eq01.fit yf 生成训练集拟合值 smpl 101 120 genr e_pred y - yf 测试集预测误差 genr e2_pred e_pred^2 计算原始OLS与WLS在测试集的预测误差方差 scalar mse_ols mean(e2_pred) smpl 1 100 eq01wls.fit yf_wls smpl 101 120 genr e_pred_wls y - yf_wls scalar mse_wls mean(e_pred_wls^2) 输出比较 text mse_comp mse_comp.append MSE OLS: str(mse_ols, f4) mse_comp.append MSE WLS: str(mse_wls, f4) mse_comp.append Improvement: str((mse_ols-mse_wls)/mse_ols*100, f1) %关键技巧当mse_wls mse_ols且改善幅度 5%说明 WLS 不仅修正了推断还提升了预测稳定性。若改善不明显应放弃 WLS坚持使用稳健标准误——因为 WLS 的权重误设会放大预测误差而稳健标准误无此风险。本文还有配套的精品资源点击获取