【正文】 同方差假設(shè) 案例：紐約的租金和收入 案例：紐約的租金和收入 因變量： RENT（ n=108） 變量 系數(shù) T統(tǒng)計(jì)量 C Ine R2= 案例：紐約的租金和收入 因變量： e2 （ n=108） R2= 懷特的輔助回歸 變量 系數(shù) T統(tǒng)計(jì)量 C 14657900 Ine Ine2 案例：紐約的租金和收入 ?懷特 統(tǒng)計(jì)量 =108*=， ?自由度為 2的卡方統(tǒng)計(jì)量 = ?拒絕“ 沒有異方差 ” 的原假設(shè)！ 點(diǎn)點(diǎn)滴滴： EVIEWS設(shè)計(jì)的一個(gè)缺陷： （ 1）如果在進(jìn)行懷特檢驗(yàn)時(shí)，選擇“不包括交叉項(xiàng)”； （ 2）如果你的原始回歸本身不帶常數(shù)項(xiàng)； ?在上述兩種情況下， white檢驗(yàn)的 輔助回歸方程 中都不會(huì)出現(xiàn)“解釋變量的水平值”，只有其平方項(xiàng)。 Consumption = *Ine t=() R2= 案例：用截面數(shù)據(jù)估計(jì)消費(fèi)函數(shù) ?觀察殘差圖（取殘差絕對(duì)值）： 040 080 01, 2 001, 6 002, 0 0012 , 00 0 16 , 00 0 20 , 00 0 24 , 00 0 28 , 00 0 32 , 00 0I N CABRE案例：用截面數(shù)據(jù)估計(jì)消費(fèi)函數(shù) ?直觀感受： 存在異方差 （ heteroskedasticity） Homoskedasticity （同方差） Heteroskedasticity（異方差） 異方差的危害 ? OLS估計(jì)量依然是 無偏的 ?但不再具有 有效性！！ ? t檢驗(yàn)、 F檢驗(yàn)無效 ?置信區(qū)間不可信 異方差的診斷 ? ： 以 Xi或 Yi為 橫坐標(biāo) ，以 |ei|或 ei2為 縱坐標(biāo) 這說明沒有異方差 Xi或 Yi |ei| 0 Xi或 Yi ei 0 異方差的診斷 這說明 存在 異方差 Xi或 Yi ei 0 Xi或 Yi |ei| 0 ? ： 消費(fèi)與收入（我國 31個(gè)省市，2022年） 2, 0 00 1, 5 00 1, 0 00 50 0050 01, 0 001, 5 002, 0 0012 , 00 0 16 , 00 0 20 , 00 0 24 , 00 0 28 , 00 0 32 , 00 0I N CRESID橫軸：收入 ； 縱軸：殘差 ；