在異方差的情況下常用的估計方法

『壹』 異方差的解決方法

異方差性的檢測方法
1、殘差圖

通過繪制殘差圖，將殘差項分別與模型的自變數X或者因變數Y，作散點圖，查看散點是否有明顯的規律性。

殘差圖
通常存在異方差時，散點圖會呈現出自變數X值越大，殘差項越大/越小的分布規律。如上圖中散點圖呈現出這樣的規律性，說明模型具有異方差性。

2、white檢驗

懷特檢驗是最常用於檢驗異方差的方法。SPSSAU中會自動輸出懷特檢驗結果。

3、BP檢驗

除此之外，也可用BP檢驗結果判斷，SPSSAU中會自動輸出此結果。如果BP結果與white檢驗結果出現矛盾，建議以懷特檢驗結果為准。

通過案例也許能夠能清楚地說明，以下是關於工資的影響因素的OLS回歸分析。共涉及四個因素分別是起始工資、性別、受雇月數和受教育年限。採用OLS回歸，得到如下結果：

SPSSAU分析界面

SPSSAU-OLS回歸分析結果
由上圖可得到起始工資、受雇時間、受教育時間對當前工有顯著的正向影響關系。

但根據異方差檢驗結果顯示，White檢驗和BP檢驗均拒絕原假設（P<0.05）（原假設為模型沒有異方差），說明模型存在異方差問題，因此需要進一步處理。

異方差性處理方法
解決異方差問題一般有三種辦法，分別是數據處理（取對數）、Robust穩健標准誤回歸和FGLS法；三種辦法可以同時使用去解決異方差問題。

1. 對原數據做對數處理

針對連續且大於0的原始自變數X和因變數Y，進行取自然對數（或10為底對數）操作，如果是定類數據則不處理。

取對數可以將原始數據的大小進行『壓縮』，這樣會減少異方差問題。事實上多數研究時默認就進行此步驟處理。負數不能直接取對數，如果數據中有負數，研究人員可考慮先對小於0的負數，先取其絕對值再求對數，然後加上負數符號。

『貳』 什麼是異方差

異方差（heteroscedasticity ）是為了保證回歸參數估計量具有良好的統計性質。經典線性回歸模型的一個重要假定是：總體回歸函數中的隨機誤差項滿足同方差性，即它們都有相同的方差。如果這一假定不滿足，則稱線性回歸模型存在異方差性。 若線性回歸模型存在異方差性，則用傳統的最小二乘法估計模型，得到的參數估計量不是有效估計量，甚至也不是漸近有效的估計量；此時也無法對模型參數的進行有關顯著性檢驗。 對存在異方差性的模型可以採用加權最小二乘法進行估計。

『叄』 什麼是異方差的穩健標准誤方法

異方差的穩健標准誤是經濟學術語，英文全稱為Heteroskedasticity-Robust+Standard+Error。

異方差—穩健標准誤是指其標准差對於模型中可能存在的異方差或自相關問題不敏感，基於穩健 標准差計算的穩健t統計量仍然漸進分布t分布。在Stata中利用robust選項可以得到異方差—穩健標准誤估計量。

異方差的穩健標准誤方法的提出：

Huber (1967)、Eicker (1967) 和 White
(1980)提出了異方差—穩健方差矩陣估計，該方法能夠在考慮異方差情況下求出穩健標准誤。

利用異方差穩健標准誤對回歸系數進行t檢驗和F檢驗都是漸近有效的。在STATA中，異方差—穩健標准誤可以在「reg」或者「xtreg」語句後，加選擇性命令「robust」即可得到。但是這一方法有一個假設的前提：殘差項是獨立分布的。

(3)在異方差的情況下常用的估計方法擴展閱讀：

異方差處理的方法：

在進行計量分析時，若數據存在異方差問題，那麼簡單的OLS估計就會失效。對此，有兩種處理方法：

1、使用OLS+穩健標准誤的方法（Robust）。

2、加權最小二乘法（WLS）。

由於方差較小的數據提供的信息較多，而方差較大的數據提供的信息較少，WLS據此對數據進行加權處理。一般而言，第一種方法更為穩健，可適用於一般情形，而第二種方法更為有效。

『肆』 異方差定義

異方差 heteroscedasticity

相對於同方差而言的。所謂同方差，是為了保證回歸參數估計量具有良好的統計性質，經典線性回歸模型的一個重要假定：總體回歸函數中的隨機誤差項滿足同方差性，即它們都有相同的方差。如果這一假定不滿足，即：隨機誤差項具有不同的方差，則稱線性回歸模型存在異方差性。

異方差一般可歸結為三種類型：

• 單調遞增型：隨X的增大而增大，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動越來越大

• )單調遞減型：隨X的增大而減小，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動越來越小

• 復雜型：與X的變化呈復雜形式，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動復雜多變沒有系統關系。

檢驗存在的方法

事實也證明，實際經濟問題中經常會出現異方差性，這將影響回顧模型的估計、檢驗和應用。因此在建立計量經濟模型時應檢驗模型是否存在異方差性。關於異方差性檢驗的方法大致有：圖示檢驗法、Goldfeld - Quandt 檢驗法、White檢驗法、Park檢驗法和Gleiser檢驗法。

『伍』 異方差性兩種檢驗方法檢驗結果不一樣怎麼辦

異方差性兩種檢驗方法：LM檢驗和White檢驗都是看p值，如果p值小於你設定的顯著性水平，也就是α，那麼就表明自相關，ARCH異方差檢驗也是同理，如果對模型修正後，p>α了，那麼就說明不存在異方差，自相關這些了，也就是你所說的通過了。正態性檢驗你看下點完彈出來的直方圖，符合正態的形態就可以通過了。協整的話，用EG兩步法檢驗的話也可以，但比較麻煩，DF和ADF更好用些，直接看那3個值就行了。
拓展資料：
異方差性（heteroscedasticity）是相對於同方差而言的。所謂同方差，是為了保證回歸參數估計量具有良好的統計性質，經典線性回歸模型的一個重要假定：總體回歸函數中的隨機誤差項滿足同方差性，即它們都有相同的方差。如果這一假定不滿足，即：隨機誤差項具有不同的方差，則稱線性回歸模型存在異方差性。對存在異方差性的模型可以採用加權最小二乘法進行估計。
測量誤差對異方差性的作用主要表現在兩個方面：一方面，測量誤差常常在一定時間內逐漸積累，誤差趨於增加，如解釋變數X越大，測量誤差就會趨於增大；另一方面，測量誤差可能隨時間變化而變化，如抽樣技術或收集資料方法的改進就會使測量誤差減少。所以測量誤差引起的異方差性一般都存在於時間序列中。
不僅在時間序列上容易出現異方差性，利用平均數作為樣本數據也容易出現異方差性。因為許多經濟變數之間的關系都服從正態分布，例如不同收入組的人數隨收入的增加是正態分布，即收入較高和較低的人是少數的，大部分人的收入居於較高和較低之間，在以不同收入組的人均數據作為樣本時，由於每組中的人數不同，觀測誤差也不同，一般來說，人數多的收入組的人均數據較人數少的收入組的人均數據具有較高的准確性，即Var(ui）隨收入Ii呈現先降後升的趨勢，這也存在著異方差性。

『陸』 檢驗異方差性的方法有哪些

一、檢驗異方差性的方法有：

1、圖示檢驗法：相關圖分析；殘差圖分析。

2、Goldfeld - Quandt 檢驗法。

3、懷特(white) 檢驗。

4、帕克檢驗（ Park test ) 和格里奇檢驗（ Glejser test）。

『柒』 回歸模型中出現異方差時怎樣估計參數

這個是錯誤的，廣義最小二乘法可用於修正異方差的情況
在最小二乘法估計中，參數估計值＝（x'x)^(-1)x'y,
參數方差為＝sigma＊（x'x)^(-1)
其中sigma是誤差項的協方差矩陣
如果是多重共線性，（x'x)
的逆不存在，或者非常大，估計參數不穩定，精度差
如果存在虛列相關和異方差，sigma就不是對角線元素完全相同的對角陣，這時候可以通過變換將其轉變成滿足經典假設的形式，同時對數據x、y進行變換，然後再用ols，這種方法稱為gls
gls無法處理多重共線問題，多重共線只能通過減少回歸元進行處理
還是多看看教材吧。書上面講的很清楚

『捌』 檢驗異方差有哪些方法

異方差檢驗主要有三種方法
1 Park-Gleiser檢驗
2 Goldfeld-Quandt 檢驗（缺點，只能處理單升和單降型的異方差）
3 White 檢驗
最著名最常用的是第三種懷特檢驗。核心原理是判斷ui由xi解釋程度的高低，越高越有異方差。
具體的方法這里不好打，你可以查一下相關資料。
希望幫到你