控制过程：①参数初值：0，0，0；迭代精度；10-3；
②参数初值：0，0，0；迭代精度；10-5；
③参数初值：0，0，0；迭代精度；10-5；迭代次数1000； ④参数初值：0，0，0；迭代精度；10-5；迭代次数100。
五、模型比较：
根据判定系数、残差图等进行综合分析。
【上机作业要求事项】
一、掌握利用生成序列的两种方式，把可线生化模型转化为线性形式进行
参数估计；
二、掌握不可以线性化模型的迭代估计法的Eviews软件的实现方式。
实 验 五：异方差性
【实验目的】掌握异方差性的检验与处理方法。 【预习要求】
一、了解异方差产生的原因及其产生的影响，熟悉异方差性检验的各种方法；
二、明确异方差性的解决方法：模型变换法和加权最小二乘法。 【实验内容】一、我国制造工业利润函数；
二、练习3.8中的百货商店利润函数； 三、练习3.10中的研究与开发费用模型。
【实验步骤】
讲述：异方差检验： 1、怀特（White）检验
在方程窗口中点击View\\Residual Tests，将弹击一个残差检验的二级菜单（如图17所示）。
图17 残差检验菜单
各项检验内容为：
Correlogram-Q-Statistics 各期残差的相关分析 Correlogram Squared Residuals 各期残差平方的相关分析 Histogram-Normality Test 残差的正态分布检验 Serial Correlation LM Test 自相关性的LM检验 ARCH LM Test ARCH效应检验 White Heteroskedasticity 异方差性的怀特检验
怀特（White）检验是利用辅助回归方程检验误差项的异方差性，输出的部分结果见表2。
表2 异方差性的White检验
============================================================ White Heteroskedasticity Test:
============================================================ F-statistic 5.097090 Probability 0.018440 Obs*R-squared 7.497325 Probability 0.023549
============================================================ Test Equation: LS // Dependent Variable is RESID^2
============================================================ Variable Coefficien Std. Error t-Statistic Prob.
============================================================ C 673.6164 2307.793 0.291888 0.7739 X -0.107744 1.369435 -0.078678 0.9382 X^2 0.000122 0.000150 0.813465 0.4272
============================================================
由于?2检验的概率值P=0.0235，可以认为存在异方差性，但从辅助回归方程可以看出，
残差平方与X和X2的相关关系并不显著，所以异方差性并不明显（事实上，在消除自相关性或引入虚拟变量之后，异方差问题将得以解决）。在怀特检验中，可以根据样本容量的大小，决定辅助回归方程中是否包含解释变量的交叉乘积项（cross term），
2、异方差性调整
如果模型经检验存在异方差性，可以使用加权最小二乘估计消除异方差性。为此需要事先判断异方差性的类型，以便确定权数变量。例如取权数变量WT为1/X，则键入
GENR WT=1/X
然后在方程窗口中点击Estimate按钮，在弹出的对话框中点击Options按钮，得到参数设置对话框（如图16所示）。
选中加权最小二乘法，并在权数变量栏输入权数变量WT后点击OK，将得到模型的加权最小二乘估计值（WLS）。
估计过程中可以事先生成多个权数变量，然后在权数变量栏中依次输入各个权数变量，这样可以比较不同WLS估计的结果，以便从中选择一个较为理想的模型。
练习：以制造工业利润函数为例
一、检验异方差性 1．图形分析检验；
（1）观察Y、X相关图：SCAT X Y； （2）残差分析：观察回归方程的残差图
LS Y C X，再在方程窗口上点击Residual按钮。 2．Goldfeld-Quant检验： SORT X SMPL 1 10
LS Y C X（计算第一组残差平方和） SMPL 19 28
LS Y C X（计算第二组残差平方和） 计算F统计量，判断异方差性。 3．White检验： SMPL 1 28 LS Y C X
在方程窗口上点击：View\\Residual\\Test\\White Heteroskedastci-ty； 再由概率值判断异方差性。 4．Park检验： LS Y C X
GENR LNE2=log(resid^2) GENR LNX=log(X) LS LNE2 C LNX 5．Gleiser检验：
LS Y C X
GENR E1=ABS（resid） LS E1 C X
再在方程窗口中点击Estimete按钮，然后在方程描述框中依次输入下列方
程：
E1 C X^2 E1 C X^(1/2) E1 C X^(-1) E1 C X^(-2) E1 C X^(-1/2)
根据R2值或F值确定最显著的异方差类型模型。 二、调整异方差性（WLS估计）：
1．
计算权数变量：
GENR W1=1/X^1.6743 根据Park检验结果 GENR W2=1/X^0.5 根据Gleiser检验结果 GENR W3=1/E1 取权数变量为1/|ei| GENR W4=1/E2 取权数变量为1/e2
2．
WLS估计：
LS Y C X
在方程窗口中点击Estimete\\Option，在选择框中选择WLS估计，并在权数
变量栏依次输入W1、W2、W3、W4。
3．对估计的模型再进行White检验，观察异方差性的调整情况。 【上机作业要求事项】
一、通过第三章例1的练习，掌握各种异方差性检验的方法和步骤； 二、通过例2的操作练习，掌握加权最小二乘估计的Eviews软件实现方式，以调整异方差性。
实 验 六：自相关性
【实验目的】掌握自相关性的检验与处理方法。 【预习要求】
一、了解自相关性的原因及其产生的影响，熟悉自相关性的检验方法。 二、理解并掌握用广义差分法来消除模型的自相关性，熟悉自相关系?的
估计方法。
【实验内容】一、我国城乡居民储蓄函数；
二、练习3.11的我国财政收入预测模型；
三、练习3.12的我国城镇居民耐用消费品需求函数。
【实验步骤】
讲解：1、自相关性的检验：残差的相关分析输出了各期残差的相关系数和偏相关
系数，由此可以大致判断误差项的自相关性。如图18所示，文教卫财政支出模型只存在较弱的一阶相关性，因为et与et-1的偏相关系数（PAC）只有0.343。
图18 残差的自相关分析
自相关性的拉格朗日乘数（Lagrange Multiplier）检验，实际上是利用辅助回归方程检验自相关性的BG检验，输出的部分结果见表3。
表3 自相关性LM检验的输出结果
============================================================ Breusch-Godfrey Serial Correlation LM Test:
============================================================ F-statistic 2.515508 Probability 0.112222 Obs*R-squared 4.784378 Probability 0.091429
============================================================ Test Equation: LS // Dependent Variable is RESID
================================================================== Variable Coefficien Std. Error t-Statistic Prob.
================================================================== C 17.18843 21.82900 0.787413 0.4425 X -0.006939 0.006919 -1.002785 0.3309 RESID(-1) 0.687422 0.313440 2.193153 0.0434 RESID(-2) 0.055491 0.382408 0.145109 0.8864
================================================================== 由于?2检验的概率值P=0.091，意味着取显著水平??0.091时，就可以认为模型存在自相关性，而且辅助回归方程中RESID（－1）（即et-1）的t检验值显著，表明存在一阶自相关性。