由于一般不知道异方差的形式,人们通常采用的经验方法是,并不对原模 型进行异方差检验,而是直接选择加权最小二乘法,尤其是采用截面数据作样 本时。如果确实存在异方差性,则被有效地消除了;如果不存在异方差性,则 加权最小二乘法等价于普通最小二乘法 具体步骤是: 1.选择普通最小二乘法估计原模型,得到随机误差项的近似估计量e 2.建立1/2的数据序列 3.选择加权最小三乘法,以1/2序列作为权,进行估计得到参数估计量 实际上是以 1e, 乘原模型的两边,得到一个新模型,采用普通最小二乘法估 计新模型。 EViews的加权最小二乘估计方法为,首先把权数序列用均值除,然后与 对应的每个观测值相乘,权数序列已被标准化故对参数结果没有影响同时使加 权残差比未加权残差更具可比性。然而,标准化意味着 EViews的加权最小二乘 在残差序列相关时不适用。8 由于一般不知道异方差的形式，人们通常采用的经验方法是，并不对原模 型进行异方差检验，而是直接选择加权最小二乘法，尤其是采用截面数据作样 本时。如果确实存在异方差性，则被有效地消除了；如果不存在异方差性，则 加权最小二乘法等价于普通最小二乘法。 具体步骤是： 1．选择普通最小二乘法估计原模型，得到随机误差项的近似估计量 ； 2．建立 的数据序列； 3．选择加权最小二乘法，以 序列作为权，进行估计得到参数估计量。 实际上是以 乘原模型的两边，得到一个新模型，采用普通最小二乘法估 计新模型。 EViews 的加权最小二乘估计方法为，首先把权数序列用均值除，然后与 对应的每个观测值相乘，权数序列已被标准化故对参数结果没有影响同时使加 权残差比未加权残差更具可比性。然而，标准化意味着EViews的加权最小二乘 在残差序列相关时不适用。 i e ~ i e ~ 1 i e ~ 1 i e ~ 1