实验名称：多元回归模型的异方差、自相关性、多重共线性检验

【实验内容】

表4-7给出了我国1995-2007年名义服务产业产出（Y）、服务员就业人数（X1）、软件外包服务收入（X2）和技术进步知识（X3）的数据。试完成：

表4-7 我国1995-2007年名义服务业产出、服务员就业人数、软件外包服务收入和技术进步指数的数据

年 份 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 名义服务业产出(亿元) 19978.5 23326.2 26988.1 30580.5 33873.4 38714 44361.6 49898.9 56004.7 64561.3 73432.9 84721.4 100053.5 服务员就业人数(万人) 16880 17927 18432 18860 19205 19823 20228 21090 21809 23011 23771 24614 24917 软件外包服务收入(亿美元) 0.09 0.08 0.11 0.14 0.58 1.06 1.8 3.26 4 6.33 9.6 14.3 22.06 技术进步指数 1.086 1.089 1.047 1.065 1.015 0.999 1.021 1.139 0.772 1.34 1.45 1.58 1.64 (1) 根据表4-7的数据建立多元回归模型，并进行估计。

(2) 用White检验法对回归模型的随机干扰项进行异方差检验。 (3) 用LM检验法回归模型的随机干扰项进行自相关检验。

(4) 根据回归方程的结果判断各项系数是否通过了t检验，方程是否通过了F检验。 【实验步骤】

（一） 参数估计：

打开EViews软件，输入数据，估计样本回归方程（操作方法同第二章案例的建立工作文件部分）如下图：

根据上图，模型的估计的回归方程为：

Y=-76769.99+6.0453X1+1631.505X2-6206.783X3 （0.199） (2.235) (31.487) (17.770)

R2?0.998F?1617.181 括号内为t统计量值。

（二）检验异方差性： （1）图形检验分析：

1. 散点图：在EViews命令窗口中输入：SCAT X1 Y，得到名义服务业产出（Y）和服务员就业人数(X1)的散点图。

从图中可以看出，随着名义服务业产出（Y）的增加，服务员就业人数(X1)也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。

同样地，也用散点图法检验X2,得到下图：

从图中可以看出，随着名义服务业产出（Y）的增加，软件外包服务收入（X2）也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。

检验X3得到下图：

从图中可以看出，随着名义服务业产出（Y）的增加，技术进步指数也不断提高，而离散程度几乎没有变化。这说明变量之间不存在异方差性。 2、残差检验法：

在命令窗口输入：line resid，得到如下图的模型残差分布图

上图显示回归方程的残差分布有明显的缩小的趋势，即表明不存在异方差性。 3、White检验法：

(1)建立回归模型：ls y c x1 x2 x3,回归结果如最上面的图所示，

(2) 在方程窗口上以此点击View\\Residual\\Test\\White Heteroskedastcity,检验结果如下图：

其中F值为辅助回归模型的F统计量值。取显著水平

??0.05，由于

所以不存在异方差性。实际应用中可以直接观察相伴概?20.0(59)?16.91?9nR2?1.907,3率p值的大小，在显著水平??0.05的条件下，若p值小于0.05，则认为存在异方差性。

反之，则认为不存在异方差性。 4、Park检验：

1. 建立回归模型。

2. 生成新变量序列残差平方的对数：在命令窗口分别输入GENR LNE2=log(RESID^2)。 3. 建立新残差序列对解释变量的回归模型：LS LNE2 C X1 X2 X3，回归结果如图3-10所示。

从上图所示的回归结果中的p值可以直接看出，X的系数估计值在显著水平??0.05的条件下，显著为0，即随机干扰项的方差与解释变量不存在较强的相关关系，即认为不存在异方差性。由于Gleiser检验与Park检验原理相同，在此略去。