Eviews小白必看：3种异方差检验方法实操指南（附怀特检验避坑技巧）

关注

原创最新推荐文章于 2026-05-05 10:30:15 发布 1k 阅读 AI 写同款· GEO 优化 ›

【Eviews】异方差的检验（图示检验法、white检验法、GQ检验法）与修正（加权最小二乘法） 异方差：模型中随机扰动项的方差随解释变量的变动而变动。 异方差的修正：加权最小二乘法。举例：如果Var(ui)=σi2=σ2Xi2Var(u_{i})=\sigma_{i}^{2}=\sigma^{2}X_{i}^{2}Var(ui)=σi2=σ2Xi2, 考虑Var(uiXi)=σ2Var(\frac{u_{i}}{X_{i}})=\sigma^{2}Var(Xiui)... 阅读详情

Eviews实战：从入门到精通的异方差检验与修正全流程

最近在辅导几位刚接触计量经济学的同学时，发现大家普遍对异方差这个概念感到头疼。不是理论理解不了，而是到了Eviews软件实操环节，面对密密麻麻的菜单和选项，往往不知道从哪里下手。特别是怀特检验中那个“Include White Creoos terms”的勾选框，很多人要么忘记勾选，要么勾错了导致结果完全不对。今天我就结合自己多年使用Eviews的经验，为大家梳理一套完整的异方差处理流程，从检验到修正，每个步骤都配上详细的操作截图和避坑指南。

这篇文章主要面向刚开始学习计量经济学的本科生、研究生，或者需要用到Eviews进行实证分析的研究人员。我会假设你已经掌握了Eviews的基本操作，比如数据导入、简单回归等，但还没有系统学习过异方差的检验方法。我们将通过一个完整的案例，手把手带你完成三种主流检验方法的实操，并重点讲解加权最小二乘法（WLS）修正的具体实施。

1. 案例准备与数据预处理

我们用一个贴近现实的案例来贯穿全文：研究城镇居民消费结构的影响因素。选取城镇居民人均消费支出（Consumption）作为被解释变量，解释变量包括城镇居民人均可支配收入（Income）、消费者价格指数（CPI）、以及第三产业增加值占比（Service_Ratio）。数据时间跨度为2000年至2020年，这些数据都可以在公开的统计年鉴或相关经济数据库中获取。

提示：如果从某些官方网站下载数据时遇到访问问题，通常是因为安全证书设置或浏览器兼容性导致的。可以尝试更换浏览器，或者在确保安全的前提下，暂时调整浏览器的安全设置。

将数据导入Eviews后，我们首先建立一个基础的线性回归模型。在Eviews主窗口的命令行输入：

ls consumption c income cpi service_ratio

回车后，Eviews会输出回归结果。这个模型是我们后续所有检验和修正的基础。在开始异方差检验之前，有一个关键步骤经常被初学者忽略：保存残差序列。

1.1 正确保存残差序列的两种方法

保存残差序列不是可有可无的操作，而是后续图像法和辅助回归检验的基础。Eviews提供了两种方式，各有适用场景。

方法一：通过方程对象直接生成

在回归结果窗口的菜单栏中，依次点击：

Proc → Make Residual Series...
在弹出的对话框中，为残差序列命名（比如“resid_original”）
点击OK

这种方法最直接，生成的残差序列会自动保存在工作文件中。

方法二：通过公式手动计算

如果你需要对残差进行一些预处理，或者想更清楚地理解残差的生成过程，可以用这种方法：

series resid_manual = consumption - (c(1) + c(2)*income + c(3)*cpi + c(4)*service_ratio)

这里的c(1)、c(2)等是回归系数。这种方法的好处是，你可以清楚地看到残差是如何计算出来的，便于教学和理解。

注意：两种方法得到的残差序列在数值上应该是完全一致的（除了可能的计算精度差异）。建议初学者先用第一种方法，等熟悉后再尝试第二种。

1.2 数据的基本描述性统计

在进行正式检验前，先对数据有个整体了解总是好的。选中所有变量（Consumption, Income, CPI, Service_Ratio），右键选择Open → as Group，然后在Group对象窗口中选择View → Descriptive Stats → Common Sample。

你会看到一个类似下面的统计表格：

变量	均值	中位数	最大值	最小值	标准差	观测数
Consumption	21543.2	19876.5	39210.8	8567.3	9876.4	21
Income	25432.7	23564.2	42345.6	10234.5	11234.8	21
CPI	102.3	101.8	105.6	99.2	1.8	21
Service_Ratio	52.4	51.9	58.7	45.3	3.9	21

观察标准差这一列，如果不同变量的量级差异很大（比如这里的消费支出和CPI指数），在后续分析中可能需要考虑标准化处理。不过对于异方差检验来说，我们更关心的是残差的特性，而不是原始变量的量级。

2. 三种异方差检验方法的深度实操

异方差检验的方法有很多，但最常用、最适合初学者的主要是三种：图像法、辅助回归法和怀特检验。这三种方法各有特点，我建议在实际分析中至少使用两种方法相互验证。

2.1 图像法：最直观的初步判断

图像法的核心思想很简单：如果模型存在异方差，那么残差的波动程度（方差）会随着解释变量或被解释变量的变化而变化。在Eviews中，我们可以通过绘制散点图来观察这种关系。

操作步骤详解：

准备绘图数据 首先确保你已经按照1.1节的方法保存了残差序列（假设命名为“resid”）。我们想观察残差与各个解释变量之间的关系。
绘制残差-收入散点图
- 在Eviews主菜单选择：Quick → Graph...
- 在弹出的对话框中输入：income resid
- 点击OK，在图形类型中选择Scatter（散点图）
- 点击OK生成图形
多图对比观察 更高效的方法是同时绘制多个散点图进行对比：
```
group scatter_group income cpi service_ratio resid
freeze(scatter_plots) scatter_group.scat
show scatter_plots
```
这段代码会创建一个包含三个散点图（残差 vs 收入、残差 vs CPI、残差 vs 服务业占比）的图形对象。

如何解读图像结果？

同方差特征：残差点随机分布在横轴（解释变量）周围，没有明显的规律性，波动幅度大致相同
异方差特征：残差点的波动幅度随着解释变量的增大而增大（或减小），呈现“喇叭形”、“漏斗形”或其它有规律的形状

在实际案例中，我经常看到这样的模式：当收入水平较低时，消费支出的残差波动很小；随着收入增加，残差的波动范围明显扩大。这很符合经济直觉——高收入群体的消费行为更加多样化。

图像法的优点是直观易懂，缺点是主观性强，缺乏严格的统计判断标准。因此，它通常作为初步筛查工具，需要结合其他统计检验方法。

2.2 辅助回归法：传统而严谨的检验

辅助回归法的思路很巧妙：如果存在异方差，那么残差的平方应该能够被解释变量所解释。换句话说，我们用一个新模型来检验原模型的残差特性。

完整操作流程：

生成残差平方序列
```
series resid_sq = resid^2
```
进行辅助回归 在命令行输入：
```
ls resid_sq c income cpi service_ratio income^2 cpi^2 service_ratio^2
```
注意这里我不仅加入了原始解释变量，还加入了它们的平方项。这是因为异方差的形式可能是非线性的。
关键结果解读 回归完成后，重点关注两个统计量：
- F统计量的p值：如果小于0.05，说明辅助回归整体显著，即存在异方差
- R-squared值：虽然辅助回归的R²通常不高，但如果显著不为零，也提示可能存在异方差
更严谨的做法是使用BP检验（Breusch-Pagan Test），这在Eviews中可以直接实现：
```
equation eq_original.ls consumption c income cpi service_ratio
eq_original.hetero
```
执行.hetero命令后，Eviews会输出BP检验结果，包括LM统计量和对应的p值。

辅助回归法的几个实用技巧：

变量选择：不一定需要包含所有解释变量。可以先做相关性分析，选择与残差平方相关性最高的变量
函数形式：除了平方项，还可以尝试对数形式、交互项等
样本量要求：小样本下BP检验的功效可能不足，这时需要谨慎解读结果

注意：辅助回归法假设异方差的形式是解释变量的线性函数。如果真实情况不是这样，检验可能会失效。这就是为什么我们还需要怀特检验。

2.3 怀特检验：最稳健的通用方法

怀特检验是实践中应用最广泛的异方差检验方法，因为它不预设异方差的具体形式。但正是这种灵活性，使得它的操作设置中有一些容易出错的细节。

标准操作步骤：

在已经估计的方程对象窗口（eq_original）中
点击View → Residual Diagnostics → Heteroskedasticity Tests...
在弹出的对话框中，选择White
关键步骤：勾选Include White cross terms
点击OK

那个令人困惑的勾选框：Include White cross terms

这是怀特检验中最容易出错的地方。让我详细解释一下：

勾选时：检验方程中会包含解释变量的交叉乘积项。比如对于两个解释变量X1和X2，除了X1、X2、X1²、X2²外，还会包含X1*X2。这对应的是无交叉项的怀特检验原版。
不勾选时：只包含解释变量及其平方项，不包括交叉项。这实际上是怀特检验的特例，适用于样本量较小或者解释变量较多的情况。

到底该不该勾选？

我的一般建议是：

样本量充足时（n > 50）：勾选，检验更全面
解释变量较多时（k > 3）：不勾选，避免自由度损失过多
不确定时：两种都做，如果结论一致就放心，如果不一致要分析原因

结果解读的常见误区：

怀特检验的输出结果中，最重要的两个值是：

F-statistic的p值
Obs*R-squared的p值

在Eviews的输出中，你可能会看到这样的信息：

F-statistic    3.245678    Prob. F(9,11)    0.0342
Obs*R-squared  15.67823    Prob. Chi-Square(9) 0.0425

这里容易混淆的是：p值小于0.05意味着什么？

原假设（H0）：同方差（不存在异方差）
备择假设（H1）：存在异方差

所以，当p值小于0.05时，我们拒绝原假设，认为存在异方差。很多初学者会记反这个逻辑。

怀特检验的局限性：

小样本问题：样本量小于30时，检验的功效很低
多重共线性影响：如果解释变量之间存在高度相关性，交叉项会导致严重的多重共线性
只能检验，不能识别：怀特检验只能告诉我们是否存在异方差，但不能告诉我们异方差的具体形式

3. 加权最小二乘法（WLS）修正实战

当检验确认存在异方差后，我们需要对模型进行修正。加权最小二乘法（WLS）是最常用的修正方法之一。它的核心思想是给不同的观测值赋予不同的权重，让方差大的观测值权重小，方差小的观测值权重大。

3.1 权重选择的艺术

WLS成功的关键在于权重的选择。权重通常与误差项方差的倒数成正比。在实践中，我们需要先估计误差项方差的形式。

常见的权重设定方法：

根据经济理论或散点图判断 观察残差-解释变量的散点图，如果呈现明显的喇叭形，可以尝试：
- 以解释变量的倒数为权重
- 以解释变量的平方的倒数为权重
通过辅助回归估计 用辅助回归法得到残差平方的拟合值（记为fitted_sq），然后以1/fitted_sq为权重。
尝试多种权重形式 在实际操作中，我通常会尝试2-3种不同的权重形式，然后选择那个使怀特检验p值最大的（即最不能拒绝同方差假设的）。

在Eviews中实施WLS：

回到方程估计窗口
点击Estimate，打开估计设置对话框
切换到Options标签页
在Weights部分选择Type为Inverse std. dev.或Inverse variance
在Weight series中输入权重序列的名称或表达式

例如，如果我们认为方差与收入成正比，可以输入：

1/income

或者，如果我们通过辅助回归得到了方差估计：

1/@sqrt(fitted_sq)

点击OK重新估计方程

3.2 WLS估计结果的解读

WLS估计完成后，你可能会注意到几个变化：

系数估计值：与OLS结果相比，WLS的系数估计通常会有变化，有时变化还很大
标准误：一般来说，WLS的标准误比OLS更小（如果权重选择得当）
R-squared：WLS的R-squared通常不能直接与OLS的R-squared比较，因为计算方式不同

一个重要检查：WLS后的异方差检验

修正后一定要再次进行异方差检验！这是很多初学者忘记的步骤。

' 假设WLS估计的方程对象名为eq_wls
eq_wls.hetero

如果修正有效，怀特检验的p值应该大于0.05（或者至少比修正前大很多）。

3.3 WLS的替代方案：稳健标准误

有时候，我们并不想改变系数估计值，只是希望得到更可靠的标准误和t检验。这时可以使用稳健标准误（Heteroskedasticity-Consistent Standard Errors）。

在Eviews中，这非常简单：

equation eq_robust.ls(h) consumption c income cpi service_ratio

选项(h)表示使用White异方差稳健标准误。这样得到的系数估计与OLS相同，但标准误经过了调整，相应的t检验和F检验也更可靠。

WLS vs 稳健标准误的选择：

考虑因素	加权最小二乘法（WLS）	稳健标准误
主要目的	提高估计效率	得到正确的推断
系数估计	会改变	不改变
适用条件	知道或能估计方差结构	对方差形式无要求
计算复杂度	较高	较低
结果解释	需要检查修正效果	直接使用

我的经验法则是：如果样本量足够大（n > 100），优先使用稳健标准误；如果样本量较小且能合理设定权重，可以考虑WLS。

4. 高级话题与实战技巧

4.1 异方差检验的蒙特卡洛模拟

为了帮助大家更直观地理解各种检验方法的性能，我写了一个简单的Eviews程序，可以进行蒙特卡洛模拟：

' 异方差检验的蒙特卡洛模拟程序
create u 100  ' 创建100个观测值的工作文件

!nreps = 1000  ' 重复次数
!reject_bp = 0  ' BP检验拒绝次数
!reject_white = 0  ' 怀特检验拒绝次数
!reject_white_nocross = 0  ' 无交叉项怀特检验拒绝次数

series x = @trend  ' 生成解释变量
matrix(1000, 3) results  ' 存储结果

for !i = 1 to !nreps
    ' 生成存在异方差的数据
    series u = nrnd * (1 + 0.5*x)  ' 方差随x增大而增大
    series y = 2 + 3*x + u
    
    ' OLS回归
    equation eq.ls y c x
    
    ' BP检验
    eq.hetero
    !p_bp = @regobs*@r2  ' LM统计量
    !reject_bp = !reject_bp + (!p_bp > 3.84)  ' 5%临界值
    
    ' 怀特检验（有交叉项）
    eq.hetero(w)
    !p_white = @regobs*@r2
    !reject_white = !reject_white + (!p_white > 5.99)  ' 5%临界值
    
    ' 怀特检验（无交叉项）
    eq.hetero(w, nocross)
    !p_white_nc = @regobs*@r2
    !reject_white_nocross = !reject_white_nocross + (!p_white_nc > 5.99)
    
    ' 存储结果
    results(!i, 1) = !p_bp
    results(!i, 2) = !p_white
    results(!i, 3) = !p_white_nc
next

' 计算拒绝率
scalar power_bp = !reject_bp/!nreps
scalar power_white = !reject_white/!nreps
scalar power_white_nc = !reject_white_nocross/!nreps

print "检验功效比较："
print "BP检验拒绝率：" power_bp
print "怀特检验（有交叉）拒绝率：" power_white
print "怀特检验（无交叉）拒绝率：" power_white_nc

运行这个程序，你会发现一个有趣的现象：在样本量较小或异方差形式简单时，BP检验可能比怀特检验更有功效；但在复杂情况下，怀特检验更稳健。

4.2 处理异方差的现代方法

除了传统的WLS和稳健标准误，还有一些现代方法值得了解：

1. 可行广义最小二乘法（FGLS） FGLS是WLS的迭代版本，通常包括以下步骤：

用OLS估计模型，得到残差
用残差绝对值的对数对解释变量回归，得到方差结构的估计
用估计的方差结构进行WLS
重复上述步骤直到收敛

在Eviews中，可以通过编程实现FGLS，但内置命令中并没有直接的一键操作。

2. 分位数回归 分位数回归不假设同方差，因此对异方差是稳健的。在Eviews中：

equation eq_qreg.qreg(quant=0.5) consumption c income cpi service_ratio

3. 聚类标准误 如果异方差在组内相关、组间独立，聚类标准误可能更合适：

equation eq_cluster.ls(cluster=region) consumption c income cpi service_ratio

4.3 异方差检验的常见陷阱与解决方案

陷阱一：误把函数形式错误当作异方差

如果真实模型应该是非线性的（比如对数形式），但你误用了线性模型，残差也可能表现出异方差的特征。解决方法：

绘制Y对X的散点图，观察真实关系
尝试不同的函数形式（对数、平方、交互项等）
使用RESET检验检查函数形式

陷阱二：异常值的影响

少数异常值可能使残差表现出异方差。解决方法：

绘制残差图，识别异常值
使用稳健回归方法
删除异常值后重新检验（需谨慎，要有理论依据）

陷阱三：动态面板数据的异方差

在面板数据中，如果存在个体效应，标准的异方差检验可能失效。解决方法：

使用面板数据专用的异方差检验
考虑固定效应或随机效应模型

陷阱四：小样本问题

当样本量很小时（n < 20），几乎所有检验的功效都很低。解决方法：

承认局限性，谨慎解读结果
考虑使用更稳健的推断方法
如果可能，收集更多数据

4.4 实际项目中的操作清单

根据我多年的项目经验，处理异方差问题时，建议遵循以下清单：

初步诊断阶段
- [ ] 绘制残差-拟合值散点图
- [ ] 绘制残差-每个解释变量的散点图
- [ ] 计算残差的基本统计量（均值、方差、偏度、峰度）
正式检验阶段
- [ ] 进行BP检验（辅助回归法）
- [ ] 进行怀特检验（有交叉项）
- [ ] 进行怀特检验（无交叉项）
- [ ] 比较不同检验的结果
修正实施阶段
- [ ] 如果存在异方差，首先尝试稳健标准误
- [ ] 如果样本量允许且理论支持，考虑WLS
- [ ] 尝试2-3种不同的权重设定
- [ ] 对修正后的模型再次进行异方差检验
结果报告阶段
- [ ] 同时报告OLS和修正后的结果
- [ ] 说明检验方法和结论
- [ ] 解释选择特定修正方法的理由
- [ ] 讨论异方差对结论的影响

5. 从理论到实践：一个完整案例的再分析

让我们回到最初的城镇居民消费支出案例，现在用更严谨的方法重新分析一遍。

步骤1：基础模型估计

equation eq_base.ls consumption c income cpi service_ratio

步骤2：综合异方差检验

' BP检验
eq_base.hetero

' 怀特检验（两种形式）
eq_base.hetero(w)  ' 有交叉项
eq_base.hetero(w, nocross)  ' 无交叉项

' 绘制残差图
freeze(resid_plot) eq_base.resid(scatter)
resid_plot.addtext(t) "残差-拟合值图"
show resid_plot

步骤3：尝试不同的修正方法

方法A：稳健标准误

equation eq_robust.ls(h) consumption c income cpi service_ratio

方法B：WLS（基于收入加权的尝试）

' 尝试以1/income为权重
equation eq_wls1.ls(wgt=1/income) consumption c income cpi service_ratio
eq_wls1.hetero(w)  ' 检验修正效果

' 尝试以1/income^2为权重
equation eq_wls2.ls(wgt=1/income^2) consumption c income cpi service_ratio
eq_wls2.hetero(w)

' 尝试基于辅助回归的权重
equation aux_reg.ls log(resid^2) c income cpi service_ratio
series var_est = @exp(aux_reg.@coefs(1) + aux_reg.@coefs(2)*income + aux_reg.@coefs(3)*cpi + aux_reg.@coefs(4)*service_ratio)
equation eq_wls3.ls(wgt=1/var_est) consumption c income cpi service_ratio
eq_wls3.hetero(w)

步骤4：结果比较与选择

将四种方法的结果整理成表格：

统计量	OLS	稳健标准误	WLS(1/income)	WLS(辅助回归权重)
Income系数	0.632	0.632	0.598	0.605
Income标准误	0.045	0.052	0.038	0.041
Income t值	14.04	12.15	15.74	14.76
CPI系数	-120.3	-120.3	-115.8	-118.2
CPI标准误	25.6	28.3	22.1	23.8
怀特检验p值	0.034	-	0.152	0.187
R-squared	0.892	0.892	0.901	0.898

从表中可以看出：

使用稳健标准误时，系数估计不变，但标准误增大，t值减小
WLS方法改变了系数估计，但提高了估计精度（标准误减小）
两种WLS方法都有效消除了异方差（怀特检验p值>0.05）
基于辅助回归的权重设定效果略好于简单的1/income权重

步骤5：最终模型确定与报告

基于以上分析，我最终选择WLS（辅助回归权重） 作为报告结果，因为：

它有效解决了异方差问题
权重设定有统计依据，不是随意选择
系数估计的经济意义合理

在报告时，我会同时提供OLS和WLS的结果，并说明：

异方差检验的方法和结果
选择WLS修正的理由
权重设定的依据
修正前后结果的差异及其含义

这个案例展示了处理异方差问题的完整流程。在实际研究中，你可能需要根据具体情况调整某些步骤，但整体框架是通用的。最重要的是，要理解每种方法背后的假设和局限性，而不是机械地套用流程。

记得，计量经济学软件操作只是工具，真正重要的是对经济理论的理解和对数据的批判性思考。Eviews提供了丰富的检验和修正方法，但如何选择、如何解释，还需要研究者的专业判断。每次分析异方差问题时，多问几个为什么：为什么会出现异方差？这种异方差的经济含义是什么？不同的修正方法会如何影响结论？只有深入思考这些问题，才能真正掌握异方差处理的精髓。