R中怎么做加权最小二乘_一文详细解读论文中回归模型的异方差问题，让你不再困惑！...

当你在写实证论文的时候，经常会发现回归模型参数显著性在很多时候并不符合预期，当然这存在很多方面的影响，比如变量间存在多重共线性、残差存在一阶或高阶自相关或者残差存在异方差问题等等都会影响模型参数的估计，影响模型整体的运用效果。

那么今天本文就回归模型中存在的异方差问题进行说明，希望能够对你有所帮助。

问题1：异方差问题具体会导致哪些后果？

我们处理模型的关键就是要根据观测值找到最佳的估计值，如果限制估计量与观测量之间是线性关系的情况下，这就是寻找最佳线性无偏估计量的过程，理解这个问题首先需要知道一个定理，高斯-马尔科夫定理：在线性回归模型中，如果残差满足零均值、同方差且互不相关，则回归系数的最佳线性无偏估计(BLUE)就是普通最小二乘法估计（OLS）。

很显然后果1：当存在异方差时，OLS并不是最佳线性无偏估计。

后果2：通常的t检验和F检验将会失效。（需要推导，略，具体参阅陈强老师的《高级计量经济学》）

但是此时采用OLS求得的估计量仍然是无偏的、一致且渐进正态的，因为上述结论的成立并不基于模型残差同方差的假设。

问题2：什么样的数据更容易导致异方差问题的存在？

一般而言，截面数据更容易存在异方差问题，因为截面数据往往可能会因为个体间或者组间差异更大，从而更容易存在异方差。但是时间序列和面板数据也同样会存在异方差的问题，在时间序列模型中，通常采用ARCH或GARCH模型处理异方差问题。

问题3：在异方差的检验中，怀特&