玩转stata：异⽅差的检验
因缘分相聚，因互助成长，因智慧光华
异⽅差的检验：
Breusch-Pagan test in STATA：
其基本命令是：estat hettest var1 var2 var3
其中，var1 var2 var3 分别为你认为导致异⽅差性的⼏个⾃变量。是你⾃⼰设定的⼀个
滞后项数量。
同样，如果输出的P-Value 显著⼩于0.05，则拒绝原假设，即不存在异⽅差性。
White检验：
其基本命令是在完成基本的OLS 回归之后，输⼊
imtest， white
weight的所有形式
如果输出的P-Value 显著⼩于0.05，则拒绝原假设，即不存在异⽅差性
处理异⽅差性问题的⽅法：
⽅法⼀：WLS
WLS是GLS（⼀般最⼩⼆乘法）的⼀种，也可以说在异⽅差情形下的GLS就是WLS。在WLS 下，我们设定扰动项的条件⽅差是某个解释变量⼦集的函数。之所以被称为加权最⼩⼆乘法，是因为这个估计最⼩化的是残差的加权平⽅和，⽽上述函数的倒数恰为其权重。
在stata中实现WLS的⽅法如下：
reg （被解释变量）（解释变量1）（解释变量2）…… [aweight=变量名]
其中，aweight后⾯的变量就是权重，是我们设定的函数。
⼀种经常的设定是假设扰动项的条件⽅差是所有解释变量的某个线性组合的指数函数。在stata 中也可以⽅便地实现：
⾸先做标准的OLS回归，并得到残差项；
reg （被解释变量）（解释变量1）（解释变量2）……
predict r, resid
⽣成新变量logusq，并⽤它对所有解释变量做回归，得到这个回归的拟合值，再对这个拟合值求指数函数；
gen logusq=ln(r^2)
reg logusq (解释变量1) （解释变量2）……
predict g, xb
gen h=exp(g)
最后以h作为权重做WLS回归；
reg （被解释变量）（解释变量1）（解释变量2）…… [aweight=h]
如果我们确切地知道扰动项的协⽅差矩阵的形式，那么GLS估计是最⼩⽅差线性⽆偏估计，是所有线性估计中最好的。显然它⽐OLS更有效率。虽然GLS有很多好处，但有⼀个致命弱点：就是⼀般⽽⾔我们
不知道扰动项的协⽅差矩阵，因⽽⽆法保证结果的有效性。
⽅法⼆：HC SE
There are 3 kinds of HC SE

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。