用stata异方差检验时间序列数据和,stata自相关检验-数据分析

一般来讲，时间序列数据较少出现异方差现象，更多地是序列相关问题。

用stata软件实现异方差的检验，最直观的是用图示法。作出残差关于某一解释变量的散点图，具体的命令如下：

reg 被解释变量名解释变量名

prrdict e, resid

graph twoway scatter e 解释变量名

此外，还有white检验、G-Q检验和Breuch-Pagan LM检验。white检验不是stata官方的命令，需要单独下载补丁，G-Q检验则需要对变量有较多的先验认识。我重点介绍一下B-P LM检验在stata中的实现：

在执行完回归指令regress以后，用 hettest 变量名这个命令就能实现。其中变量名只包括除常数项以外的所有解释变量名称。你可以逐个命令进行操作，也可以用批处理的方式来实现。至于检验的原理不用在这里说了吧？不太明白的话建议查查书。

序列相关性的检验

1、D-W检验

reg y x1 x2 x3

estat dwatson

(y为被解释变量 x为解释变量，执行上述命令便可得到D-W值，不过该检验存在无法判断的盲区且只能对一阶自相关进行检验)

2、Box and Pierce’s Q 检验

reg y x1 x2 x3

predict e, resid

wntestq e, lags(n)

（n为滞后阶数，可以由少及多尝试几次）

我补一下，

D.W 可以作为对自相关检验，但它只是检测一阶滞后量有无自相关，在时间序列中只检测变量一阶滞后的自相关性远远不够，

因此，我们可以用：Breusch-Godfrey检验，检测多阶滞后量的自相关

在STATA中，我们可以用：estat bgodfrey 语句，在回归后，检测误差项的自相关。

另外，

时间序列数据中出现异方差的概率不是很高。（至于原因，去查伍德里奇的书）

所以你在处理时间序列数据的时候应该不是先考虑异方差性，而是变量的自相关性，

就是先要对数据进行诊断测试。

看他们是不是平稳序列。如果不是平稳序列的话，那你还有很多事情要做。

比如，如果数据不是平稳序列，你可以取变量的一阶差分来进行回归。

在这里不多描述了，网页上不能用公式，所以描述出来怕出错误。

补充:

在Stata中,也可用官方命令进行异方差的White检验,命令如下:

reg y x1 x2

estat imtest,white