loading3.8（1）根据Y、X的相关图分析异方差性
由上图可知y与x的线性相关性差异不是很大，基本处在一条线性方程上 （2）利用WHITE检验、帕克检验，和Gleiser检验进行异方差检验Ⅰ、White检验
White Heteroskedasticity Test: F-statistic Obs*R-squared 6.1724 8.4136 Probability Probability 20.0096 0.0148 取显著性水平??0.05，由于nR2?8.413667＞?0.05(1)?3.841，所以理利润函数存在异方差性。 Ⅱ、Park检验
根据Park检验，得到：
lnei2??7.6927?1.8393lnxi
S 2.2720 0.5713 T -3.3858 3.2195
R2?0.3654 R2?0.330 1 F?10.36 5 P?0.004 7Ⅲ、Gleiser检验： 利用genr命令一次生成X,①ei?1.5579?0.0049X
1等序列，再建立ei与这些序列的回归方程 XR2?0.0613 F?1.1759 P?0.2924
②ei?1.8897?0.0848X
R2?0.0639 F?1.2307 P?0.2818
③ei?0.8811?15.9701 XR2?0.0683 F?1.3197 P?0.2656
根据统计检验，得到统计检验最为显著的是：
ei?0.8811?15.9701 XR2?0.0683 F?1.3197 P?0.2656;
上述四个方程表明，利润函数存在着异方差（只要取显著性水平?＞0.012）
11（3）取权数 w3? w4?2
ee利用加权最小二乘法估计模型： 依次键入命令：
LS(W?Wi)YCXi?1,2,3,4
或在方程窗口中点击Estimate\\Options按钮，并在权数变量栏依次输入
1W1、W2、W3、W4，可以得到一下估计结果： w3?e??0.7076?0.0387X ③ Y
S 0.2082 0.0053 T 3.3978 7.2001
R2? 0.7422 nR2?5.0534 P?10.000001 w4?2??0.5918?0.0429X e ④ YS 0.1283 0.004 T 4.61144 10.49056
R2? 0.8594 nR2?18.0642 P?0
模型④最优，所以利用WLS方法估计的利润函数为 1w?2?e Y?0.5918?0.0429X S 0.1283 0.004 T 4.6114 10.49
R2? 0.8594 nR2?18.064 P?0
3.9设根据某年全国各地区的统计资料建立城乡居民储蓄函数Si?a?bXi??i时（其中，S为城乡居民储蓄存款余额、X为人均收入），如果经检验得知：
ei2?1.8Xi2：
（1）说明该检验结果的经济含义;
（2）写出利用加权最小二乘法估计储蓄函数的具体步骤； （3）写出使用Ewiews软件估计模型时的有关命令。
解：（1）模型Si?a?bXi??i存在异方差，城乡居民储蓄存款余额与人均收入,对于低收入家庭，满足基本消费最后，剩余收入不多，所以各家庭储蓄存款之间不会有很大区别，高收入家庭就不一样了，储蓄存款有很大的差异，即随机误差项的方差会明显大于低收入家庭。 （2）LS(W?Wi)YCXi?1,2,3,4
或在方程窗口中点击Estimate\\Options按钮，并在权数变量栏依次输入
W1、W2、W3、W4，可以得到数组如下估计结果：
①S????X ( ) ( )
22 R? R2? nR? P?
②③④
然后采取最优模型
（3）命令方式 LS(W=权数变量）S C X
菜单方式 ：1.在方程窗口中点击Estimate按钮
2 .在弹出的对话框中点击Options 进入参数对话框，选定Weight 输入权数变量 点击OK
3.10表2中的数据是美国1988年工业部门研究与开发支出费用Y和销售额S、销售利润P的统计资料。试根据表中数据：
（1）分别利用线性模型和双对数模型建立研究费用模型，比较模型的统计检验结果和异方差性的变化。 （2）检验模型的异方差性
（3）对于双对数模型，分别取权数变量为W1=1/P、W2=1/RESID^2，利用WLS方法重新估计模型，分析模型中异方差的校正情况。 解：（1）①线性模型
???13.9557?0.0125S?0.2398P Y LS
S 991.9935 0.0179 0.1985 T -0.014 0.6978 1.2077
R2?0.5245 F? 8.2741 P?0.0037
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS
②对数模型
LOG(Y)=-7.0368+ 1.2453LOG(S)+ 0.0618LOG(P) S 2.3465 0.3652 0.2585 T -2.9987 3.4097 0.2392
R2? 0.7954 F? 29.16287 P?0.000007 19.4165 16.0198 23.4891 Prob.F(5,12) Prob.Chi-Square(5) Prob.Chi-Square(5) 0 0.0068 0.0003 Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS
（2）F检验值=0.5523 不是很显著
11（3）w1? w2?
RESID^2P利用加权最小二乘法估计模型： 依次键入命令：
0.830154 4.626025 2.380431 Prob.F(5,12) 0.5523 Prob.Chi-Square(5) 0.4632 Prob.Chi-Square(5) 0.7944 LS(W?Wi)LOG(Y)CLOG(S)LOG(P)i?1,2
或在方程窗口中点击Estimate\\Options按钮，并在权数变量栏依次输入W1、W2，可以得到一下估计结果：
?）①log（Y w1???8.0558?1.470log（S）?0.1362log（P）1 PS 0.4052 0.0394 0.07316 T -19.876 37.2748 -1.8615
R2?0.99103 F?828.6506 P?0
Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS
?）②log（Y w2???7.042?1.238log（S）?0.062log（P）3.3806 11.6708 11.1374 Prob.F(6,11) 0.0385 Prob.Chi-Square(6) 0.0697 Prob.Chi-Square(6) 0.0842 1RESID2
S 0.1476 0.0308 0.0254 T -47.7058 40.0952 2.4419
R2?0.9997 F?27588.55 P?0
Heteroskedasticity Test: White F-statistic Obs*R-squared 39.1275 16.9597 Prob.F(5,12) Prob.Chi-Square(5) Prob.Chi-Square(5) 0 0.0046 0.0064 Scaled explained SS 16.1674