本文档主要介绍有关线性回归模型关于异方差常见的判断方法（包括图像法、辅助回归、怀特检验三种）以及修正方式（加权最小二乘法）。使用软件为Eviews，和上一篇文章相同，此处也仅仅关注操作性的东西，即知道怎么判断是否存在异方差，以及如果存在异方差应该怎么做出修正进行说明，对于相关理论部分则并不涉及。

以“农村居民恩格尔系数的影响因素”为例，选择农村居民恩格尔系数（Y）为被解释变量，解释变量有农村居民家庭人均纯收入（Income）、商品零售价格指数（Price）、第一产业增加值（Agriculture）。其中数据为1990年-2012年数据（因为2012年之后统计口径发生变化），所有数据均可在国家数据找到。

有可能被认为不安全网址，若无法打开国家数据可能需要点击高级然后选择继续访问即可进入

而关于如何导入数据这样的基础操作，已经在上一篇中进行过介绍，在此不做赘述，默认数据导入完成。当一切完成过后，应该能看到的是如下图所示的结果。接下来重点介绍如何进行异方差检验和对存在的异方差进行修正。 但是在这之前，我们需要讲此回归模型所对应的残差（一个回归模型会对应一组残差，使用该残差数据讨论该模型是否存在异方差）定义为变量，便于后续的处理。下边介绍两种操作方法，达到上述目的：

在回归方程界面中：选择Proc --> Make Residual Series 如果顺利将会看到如下界面，给模型残差进行命名即可

在工作文件界面下：选择Object –> Generate Series 一切顺利将出现如下界面，即可将现有模型的残差项定义为e

在得到残差项过后，我们可以通过对残差项的处理，检验是否存在异方差

所谓的图像法，即观察残差的波动程度（即方差）是否随被解释变量出现改变，粗浅的判断是否存在异方差。在此次为做出被解释变量与残差的图像。且为便于表示将Income/Price按照章节0.2的方法定义为K，即在界面中输入K = Income/Price即可，其中K表示实际收入水平。 在此我们需要做出k-e和Agriculture-e的图像，有两种作图方式：

需要说明的是：点击Graph后的Scatter选项在这里，如下列出。（至于其他的部分截图太多，且不难就不列出） 2. 在工作文件中：先选中Agriculture再选中e –> 右键选择Open –> 点击as group

此时在新出现的Group界面：选择View –> 点击Graph –> 选择Scatter –> 点击Ok得到最终图像

先选中为横坐标，后选中为纵坐标

从最终的结果可以看出，残差项e随着自变量的变动而变动，可以认为大概率存在异方差

所谓辅助回归，即看解释变量是否能对残差平方（e^2）进行解释，若可以则认为存在异方差。操作其实就是简单的进行回归分析，具体方式可看上一篇，在此直接在命令行输入ls e^2 c Income/Price Agriculture进行回归分析，观察回归的结果。

其实就是将原本的被解释变量由Y变成了e^2，看结果是否显著（这里不对e做回归是因为意义不大）

由于被解释变量所对应的P值比较小（正常应该小于0.05，但是接近0.05已经可以认为需要进行修正）

这也是我在上一篇中提到的方法（无数次提到的上一篇，后边几种检验可能还会经常提到），需要在现有模型（方程）界面中选择异方差分析，具体操作如下。 选择White，勾选Include White Creoos terms，然后确认 以0.05为界，大于时认为未通过检验，保留原假设（同方差假设），即不存在异方差；反之则认为存在异方差。这里虽然为0.06但是也可以对其进行异方差修正（因为正常不通过应该远大于0.05）

通过上述三种检验方式，我们发现可能存在异方差（因为图示法比较主观，其余两种只是特别勉强的通过），因此在此对异方差进行修正，采用加权最小二乘法（WLS）。通过观察图像，我们选择以1/K为权重进行修正。

在原有方程界面：点击Estimate–>选择Option –> 在Wights中选择一种类型，并设置权重为1/k，得到修正后的方程。

这里的权重并不一定非得为1/k只要修正过后能通过异方差检验即可

按照同样的方法对修正后的模型进行异方差检验【此处只进行White检验】，得到如下结果

说明修正后不存在异方差，即修正效果良好，修正完成！

注：数据文件以上传资源（免积分下载），目前正在审核，随缘通过。若有需要可在国家数据中自行查找，或通过在评论区留下邮箱或私聊作者的方式获得（但是个人并不是经常看CSDN的消息，着急的建议自己查找）