怀 🌸 特检验专升本（eviews怀特检验步骤）



1、怀特检验专升本 🌸

怀特检验 🐶 专升本攻略 🦋

一 🌴 、怀特检验 🦉 简介

怀特检验是一种用于检验 🌼 数据同方差性的统计检 🐼 验同方差性。假设指方差齐性，即同。组，样。本的方差相等在进行方差分 🦅 析等统计检验时同方差性假设是至关重要的

二、怀特检验 🦆 步骤

1. 计 🦁 算残 🌻 差平方和 🐝 (RSS)

RSS = Σ(Yi - ?i)^2

其 🪴 中 🌿 ：

Yi 表示 🌳 观测值

?i 表示 🐎 预测 🐳 值

2. 计 🐴 算离差 🐶 绝对值 (Absolute D)

```

D = |(残 🐶 差)^3|

```

3. 计算离 🦄 差 🦍 平方和 (SD)

```

SD = ΣD^2

```

4. 计算检验 💮 统计量 🦁 W

```

W = (n-k) SD / RSS

```

其 🐈 中 🌴 ：

n 表 🐋 示样本量 🐝

k 表 🐶 示自变量个数

三 🌾 、检 🌻 验结 🍁 果解释

1. 原假设：数 🐧 据同方差

2. 备 🌾 择假 🦈 设：数据异方差 🐶

3. 检验 🐦 方法 🪴 ：

如果检验统计 🦋 量 🐅 W 大于临界值，则，拒绝原假设认为 🐴 数据存在异方差。

如果检验统计量 W 小于 🐼 或等于临界值，则，接受原假设认 🦋 为数据同方差。

四、注意事项 💐

怀特检验适用 🐺 于正 🕷 态分布数据。

样本 🐱 量需要足够大，一般要求 n > 30。

离群值可 🐦 能会影响检验 🦍 结果。

2、eviews怀 🐶 特 💮 检验步骤

EViews 怀 🕸 特 🐬 检验步 🦋 骤

1. 数据 🌳 输 🌻 入 🦢

将 🌻 时间序列数据 🦆 输入 EViews。

确认数据为平稳 🪴 序列 🐅 。

2. 估 🐛 计回归方程

使 💐 用您选择 🦋 的回归模型估计数据中 🐧 的关系。

记录 🐧 估计的系数和残差。

3. 创 🐵 建异方差自相关 🐴 修正 (HAC) 矩阵

在 EViews 中 🐒 ，使用 🐱 "Estimate->Model Diagnostics->Heteroskedasticity and Autocorrelation Consistent (HAC) Covariance Matrix" 菜单项 🐟 。

选择适合您数据的内核类 🦟 型（例如，帕森或巴特利特）。

指定滞后 🦍 阶数 🐝 （通 🐶 常为 2 或 4）。

4. 执 🦢 行怀特检验 🐒

在 EViews 中，使用 "Estimate->Model Diagnostics->White Covariance Matrix Test" 菜单 💮 项。

选择估计的回 🐟 归 🕸 方程 🐬 。

核对 "HAC Covariance Matrix" 选项选 🐕 ，择您在步骤 3 中创建的 HAC 矩阵。

5. 解释 🦉 结果

EViews 会提 🌺 供 🦟 怀特检验的统计量和 p 值。

如果 p 值小于显 🌳 着性水平（例如，0.05），则 🦆 （拒绝原假设 💐 不存在异方差自相关）。

如果 🐶 接受原 🐬 假设，则表明回归方程中不存在异方差自相 🦆 关。

6. 后 🐕 续 🐯 步 🌷 骤

如果怀特 🐝 检验表明存在异方差自相关，则可以采取 ☘ 以下后续步骤：

使用异方差稳健的 🌳 标准差 🍁 和 t 统计量重新估计回归方程。

如果异方差自相关严 🪴 重，则考虑使用 GARCH 模型或其他更复杂的计量经济学模 🐕 型。

3、eviews怀特检验 🐠

EViews 怀 🍀 特 🐋 检验 ☘

怀特检验是 🌳 一种异方 🐯 差性检验，用于 🌵 检验回归模型中残差是否具有异方差性异方差性是。指残差。的方差随着自变量的值而变化

程 ☘ 序 🌷

在 EViews 中执 🐯 行怀特检 🕊 验的步骤如下：

1. 估 🐋 计回归 🌲 模型。

2. 单 🕷 击“查看”菜单，然“后选 🌻 择残差”。

3. 在弹出的 🐱 “残差诊断”对 🌼 话框中，选“择怀 🌸 特异方差性检验”。

输 🐞 出 🐒

怀特检验的输 🐞 出包 🐱 括以 🌿 下信息：

检 🐶 验统计量: 卡方分布检验 🐛 统计量 🐴 。

自由度: 检验 🕷 的自由度。

p 值: 检 p 验统 🐕 计量的 🌹 值 🐕 。

解 🐋 释 🦟

如果 p 值小于显著性水平（通常为 0.05），则（拒绝零假设不存在异方差性）。这，意。味着残差具有异方差性需要采 🦈 取措施来纠正它

纠正异方差 🐟 性

如 🌵 果发现异 🌲 方差 🌿 性，可以使用以下方法来纠正它：

加权最小二乘法 (WLS): 根据残 🐕 差的方差 🌷 给数据加权 🐵 。

广义最小二乘法 (GLS): 使 🦆 用估计的异方差 🐵 性协 🐝 方差矩阵。

稳健标准误: 使用对异方差性不敏 🦆 感 🐶 的标准误估计 🐴 方法。