1. 异方差:计量模型中的"隐形杀手"
第一次用Eviews跑回归时,我盯着屏幕上R²=0.89的结果正得意,导师突然问:"检查过异方差了吗?"这个看似专业的名词,其实是计量分析中最常见的"数据刺客"。想象你在射箭,如果靶子始终是标准圆形,那每次偏差都纯粹是技术问题(同方差);但如果靶子会自己变形(异方差),射中中心可能只是运气。
在分析农村居民恩格尔系数时尤其要注意这个问题。当比较1990-2012年数据时会发现,经济高速发展期(如2001年入世后)的数据波动往往比早期更大。这就像用同一把尺子测量蚂蚁和大象——收入从千元级跃升到万元级时,传统OLS估计就会失真。我处理某省面板数据时就遇到过,未修正的模型会高估收入对食品支出的影响达15%。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 三种诊断方法实战对比
2.1 图示法:肉眼可见的异常
在Eviews中快速生成残差图有两种实用技巧:
- 命令行输入
scat income e直接出图 - 按住Ctrl键多选变量后右键创建Group,在View中选择Graph
我曾用某东部省份数据做测试,当人均收入超过8000元时,残差明显呈现喇叭口形态。有个易错点:很多人只做残差-解释变量图,其实残差-预测值图(命令行输入scat yhat e)往往更能揭示问题。记得2015年帮同行复查论文时,就是后者发现了被忽视的异方差。
2.2 辅助回归:数字说话的艺术
进阶操作可以尝试:
eviews复制series e2=resid^2
equation aux.ls e2 c income agriculture price
关键看F统计量的p值——但要注意,当样本较小时(如<30),建议用0.1作为临界值。有次分析西部贫困县数据,p=0.07时按教科书标准可不处理,但实际预测时误差放大明显,后来改用稳健标准误才解决。
2.3 怀特检验:一键智能诊断
在方程结果窗口点击View→Residual Diagnostics→Heteroskedasticity Tests,勾选"White"时有个隐藏技巧:对于小样本(n<50),建议取消勾选交叉项(cross terms)以避免过度拟合。去年评审某课题时,发现研究者未调整默认设置,导致本应存在的异方差被误判。
