e2??180998.9?49.42846X?0.02115X2

(?1.7508)(1.708)(?1.145)R2?0.632606

White统计量nR2?20?0.632606?12.65212，该值大于5%显著性水平下自由

2度为2的?2分布的相应临界值?0.05(在估计模型中含有两个解释变量，(2)?5.99，

?所以自由度为2)因此拒绝同方差性的原假设。 6.4 异方差性的修正 6.4.1 加权最小二乘法

运用OLS方法估计过程中，我们选用权数wt?1/et。权数生成过程如下，在图2的情况下，在工作文件中点击Object\\Generate Series?，在弹出的窗口中，在Enter equation处输入w=1/@abs(resid).

在工作文件中点击Quick\\Estimate Equation，在弹出的画框中输入Y、C、X，如图10所示。

图 10 图 11

然后，在图10中点击Options选项，选中Weighted LS/TLS复选框，在Weight框中输入w，如图11所示，点击确定，即可得到加权最小二乘法的结果，如图12所示。

25

图 12

由图12中的数据，得到模型的估计结果：

Y?415.6603?0.729026X

(3.55)(32.5)..?2.3678 R2?0.9999 R?0.9999 DWF?1056.477 RSS?106856.0

可以看出，常数项的t统计量的值有了显著的改进。

2?

下面检验是否经加权的回归的模型已不存在异方差性。

记e2为加权回归后模型的残差估计的平方和。在图12中，点击View\\Residual tests\\white heteroskedasticity(no cross terms)，进入White检验，经过估计出现White检验结果，如图13所示。

?26

图 13

由图13中的数据，得到

e2=6196.481?0.165323X?0.0000048X2

(0.525)(?0.050)(0.023)R2?0.003821

White统计量nR2?0.07642，其所对应的伴随概率为P?0.967983，因此在5%的显著性水平下，不能拒绝同方差的假设。

?

6.4.2 异方差稳健性标准误方法

在图2中，点击Estimate按钮，出现Spection窗口(图14)，点击Option按钮，在出现的EstimationOptions窗口中，选择“Heteroskedasticity”选项，并选择默认的White选项(图15)，点击按钮退回到Equation Spection窗口(图14)，再点击OK按钮，即得到如图16所示的结果。

图14 图 15

27

图 16

可以看出，估计的参数与普通最小二乘法的结果相同，只是由于参数的标准差得到了修正，从而使得t检验值与普通最小二乘法的结果不同。

28