第三章 正态性检验、自相关检验与异方差性检验

知识回顾（Knowledge review）

第二章  模型的估计与结果：https://blog.csdn.net/ChenQihome9/article/details/82818974

第一节 检验的步骤和过程

估计的模型要符合计量经济学的前提假设，如果违反了经典假设，那么会导致参数估计值不具有最小方差，即丧失有效性；如果违反正态性的假设，就会导致t统计量不服从于t分布，则t检验失效。为了解决这些问题，我们就得对模型的回归结果进行检验分析。对模型的检验包括正态性检验、多重共性检验、自相关检验和异方差检验。在Equation方程窗口中（Equation为之前保存的回归结果方程式），点击View，再点击Residual Diagnostics。相关的操作和表中的英文术语解释如下：

表1-1 相关检验的名称含义

Correlogram-Q-Statistics	各期残差的相关性分析
Correlogram Squared Residuals	各期残差平方的相关性分析
Histogram-Normality	残差的正态性检验
Serial Correlation LM Test...	序列自相关的LM检验
Heteroskedasticity Tests...	异方差检验

一、正态性检验

1. 首先做正态性检验：点击View，再点击Residual Diagnostics。选择Histogram-Normality。

2. 分析结论：如图0302，看图的右侧的指标，将Jarque-Bera项的相伴概率Probability和显著性水平0.05进行比较，如果大于0.05则表明随机扰动项服从正态分布的原假设成立，否则表明正态分布的假设不成立。而图中的结果是0.001307，小于0.05，结论是随机扰动项不服从正态分布。

图0302

二、自相关性检验

1. 其次做自相关性检验：点击View，再点击Residual Diagnostics。选择Serial Correlation LM Test...，随后出现自相关的滞后期窗口，里面需要输入的数字是你需要做几阶的自相关检验。

2. 分析结论：紧接着查看Obs*R-squared后面的对应的相伴概率即Prob. Chi-Square(2)的值，此时做的是二阶自相关的检验，现在的结果是0.0000，小于0.05，因此存在二阶自相关。同理操作后也知道存在一阶自相关。

图0303

 

三、异方差检验

1. 接着做异方差检验：点击View，再点击Residual Diagnostics。选择Heteroskedasticity Tests...

表1-2 异方差检验方法的选择

Breusch-Pagan-Godfrey	布劳什-帕甘-戈弗雷检验，BPG检验
Harvey	哈维检验
Glejser	戈里瑟检验
ARCH	自回归条件异方差检验
White	怀特检验
Custom Test Wizard	定制导向检验

2. 选择White检验，在include White cross terms前面勾选后，表示进行包含交叉项的White异方差检验。不勾选的表示不带交叉项的White 异方差检验。分析结论：将Obs*R-squared项后面的相伴概率与显著性水平0.05进行比较分析；如果大于0.05，则表明接受正态分布的假设，反之则存在异方差。如图0304，现在得到的三项的检验结果都是0.0000，均小于0.05，表明存在异方差。

图0304

知识拓展（Knowledge development）

第三章 模型的检验（二）：https://blog.csdn.net/ChenQihome9/article/details/82919754