在异方差的情况下常用的估计方法

‘壹’ 异方差的解决方法

异方差性的检测方法
1、残差图

通过绘制残差图，将残差项分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性。

残差图
通常存在异方差时，散点图会呈现出自变量X值越大，残差项越大/越小的分布规律。如上图中散点图呈现出这样的规律性，说明模型具有异方差性。

2、white检验

怀特检验是最常用于检验异方差的方法。SPSSAU中会自动输出怀特检验结果。

3、BP检验

除此之外，也可用BP检验结果判断，SPSSAU中会自动输出此结果。如果BP结果与white检验结果出现矛盾，建议以怀特检验结果为准。

通过案例也许能够能清楚地说明，以下是关于工资的影响因素的OLS回归分析。共涉及四个因素分别是起始工资、性别、受雇月数和受教育年限。采用OLS回归，得到如下结果：

SPSSAU分析界面

SPSSAU-OLS回归分析结果
由上图可得到起始工资、受雇时间、受教育时间对当前工有显着的正向影响关系。

但根据异方差检验结果显示，White检验和BP检验均拒绝原假设（P<0.05）（原假设为模型没有异方差），说明模型存在异方差问题，因此需要进一步处理。

异方差性处理方法
解决异方差问题一般有三种办法，分别是数据处理（取对数）、Robust稳健标准误回归和FGLS法；三种办法可以同时使用去解决异方差问题。

1. 对原数据做对数处理

针对连续且大于0的原始自变量X和因变量Y，进行取自然对数（或10为底对数）操作，如果是定类数据则不处理。

取对数可以将原始数据的大小进行‘压缩’，这样会减少异方差问题。事实上多数研究时默认就进行此步骤处理。负数不能直接取对数，如果数据中有负数，研究人员可考虑先对小于0的负数，先取其绝对值再求对数，然后加上负数符号。

‘贰’ 什么是异方差

异方差（heteroscedasticity ）是为了保证回归参数估计量具有良好的统计性质。经典线性回归模型的一个重要假定是：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，则称线性回归模型存在异方差性。 若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显着性检验。 对存在异方差性的模型可以采用加权最小二乘法进行估计。

‘叁’ 什么是异方差的稳健标准误方法

异方差的稳健标准误是经济学术语，英文全称为Heteroskedasticity-Robust+Standard+Error。

异方差—稳健标准误是指其标准差对于模型中可能存在的异方差或自相关问题不敏感，基于稳健 标准差计算的稳健t统计量仍然渐进分布t分布。在Stata中利用robust选项可以得到异方差—稳健标准误估计量。

异方差的稳健标准误方法的提出：

Huber (1967)、Eicker (1967) 和 White
(1980)提出了异方差—稳健方差矩阵估计，该方法能够在考虑异方差情况下求出稳健标准误。

利用异方差稳健标准误对回归系数进行t检验和F检验都是渐近有效的。在STATA中，异方差—稳健标准误可以在“reg”或者“xtreg”语句后，加选择性命令“robust”即可得到。但是这一方法有一个假设的前提：残差项是独立分布的。

(3)在异方差的情况下常用的估计方法扩展阅读：

异方差处理的方法：

在进行计量分析时，若数据存在异方差问题，那么简单的OLS估计就会失效。对此，有两种处理方法：

1、使用OLS+稳健标准误的方法（Robust）。

2、加权最小二乘法（WLS）。

由于方差较小的数据提供的信息较多，而方差较大的数据提供的信息较少，WLS据此对数据进行加权处理。一般而言，第一种方法更为稳健，可适用于一般情形，而第二种方法更为有效。

‘肆’ 异方差定义

异方差 heteroscedasticity

相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。

异方差一般可归结为三种类型：

• 单调递增型：随X的增大而增大，即在X与Y的散点图中，表现为随着X值的增大Y值的波动越来越大

• )单调递减型：随X的增大而减小，即在X与Y的散点图中，表现为随着X值的增大Y值的波动越来越小

• 复杂型：与X的变化呈复杂形式，即在X与Y的散点图中，表现为随着X值的增大Y值的波动复杂多变没有系统关系。

检验存在的方法

事实也证明，实际经济问题中经常会出现异方差性，这将影响回顾模型的估计、检验和应用。因此在建立计量经济模型时应检验模型是否存在异方差性。关于异方差性检验的方法大致有：图示检验法、Goldfeld - Quandt 检验法、White检验法、Park检验法和Gleiser检验法。

‘伍’ 异方差性两种检验方法检验结果不一样怎么办

异方差性两种检验方法：LM检验和White检验都是看p值，如果p值小于你设定的显着性水平，也就是α，那么就表明自相关，ARCH异方差检验也是同理，如果对模型修正后，p>α了，那么就说明不存在异方差，自相关这些了，也就是你所说的通过了。正态性检验你看下点完弹出来的直方图，符合正态的形态就可以通过了。协整的话，用EG两步法检验的话也可以，但比较麻烦，DF和ADF更好用些，直接看那3个值就行了。
拓展资料：
异方差性（heteroscedasticity）是相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。对存在异方差性的模型可以采用加权最小二乘法进行估计。
测量误差对异方差性的作用主要表现在两个方面：一方面，测量误差常常在一定时间内逐渐积累，误差趋于增加，如解释变量X越大，测量误差就会趋于增大；另一方面，测量误差可能随时间变化而变化，如抽样技术或收集资料方法的改进就会使测量误差减少。所以测量误差引起的异方差性一般都存在于时间序列中。
不仅在时间序列上容易出现异方差性，利用平均数作为样本数据也容易出现异方差性。因为许多经济变量之间的关系都服从正态分布，例如不同收入组的人数随收入的增加是正态分布，即收入较高和较低的人是少数的，大部分人的收入居于较高和较低之间，在以不同收入组的人均数据作为样本时，由于每组中的人数不同，观测误差也不同，一般来说，人数多的收入组的人均数据较人数少的收入组的人均数据具有较高的准确性，即Var(ui）随收入Ii呈现先降后升的趋势，这也存在着异方差性。

‘陆’ 检验异方差性的方法有哪些

一、检验异方差性的方法有：

1、图示检验法：相关图分析；残差图分析。

2、Goldfeld - Quandt 检验法。

3、怀特(white) 检验。

4、帕克检验（ Park test ) 和格里奇检验（ Glejser test）。

‘柒’ 回归模型中出现异方差时怎样估计参数

这个是错误的，广义最小二乘法可用于修正异方差的情况
在最小二乘法估计中，参数估计值＝（x'x)^(-1)x'y,
参数方差为＝sigma＊（x'x)^(-1)
其中sigma是误差项的协方差矩阵
如果是多重共线性，（x'x)
的逆不存在，或者非常大，估计参数不稳定，精度差
如果存在虚列相关和异方差，sigma就不是对角线元素完全相同的对角阵，这时候可以通过变换将其转变成满足经典假设的形式，同时对数据x、y进行变换，然后再用ols，这种方法称为gls
gls无法处理多重共线问题，多重共线只能通过减少回归元进行处理
还是多看看教材吧。书上面讲的很清楚

‘捌’ 检验异方差有哪些方法

异方差检验主要有三种方法
1 Park-Gleiser检验
2 Goldfeld-Quandt 检验（缺点，只能处理单升和单降型的异方差）
3 White 检验
最着名最常用的是第三种怀特检验。核心原理是判断ui由xi解释程度的高低，越高越有异方差。
具体的方法这里不好打，你可以查一下相关资料。
希望帮到你