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。
异方差的检验：

1. 图示法
   先对y,x做线性回归，这样才能产生残差resid.
   

2. GQ检验法
   切记：先对解释变量x排序（一般是按照升序），
   再截断样本，取一头一尾，计算残差平方和，构造F检验，得出结论。
   
   
   注：[proc]—[making equations]—[equation estimate]
   原样本数据共有23个，这里去掉了排序后的中间5个，取一头（前9个样本数据）和一尾（后9个样本数据），分别对其进行线性回归；
   对后9个样本数据做回归的结果展示如下：
   
   注意看·sample·为15 23 ；·include observations·为9.
   计算F检验值：因为一头一尾线性回归中的使用观测样本数据个数是一样的，所以只需要提取·sum squared resid·这一项做除就行。

3. white检验法
   先对x、y进行线性回归，并在equation框中，【view】-【residual diagnostic】-【heter… test】-【white】。
   

返回结果如下图：

异方差的修正：
加权最小二乘法。
举例：
如果$Var(u_i)={\sigma }_i^2={\sigma }^2{X}_i^2$,
考虑$Var(\frac{u_i}{X_i})={\sigma }^2$，
那么原模型$Y_i={\beta }_0+{\beta }_1{X}_i+u_i$随之化为$\frac{Y_i}{X_i}=\frac{{\beta }_0}{X_i}+{\beta }_1+\frac{u_i}{X_i}$
这里的权数就是$\frac{1}{X_i}$.

用Eviews操作如下：
方法一：
输入ls y/x c 1/x+回车，即可。
不建议使用该方法，理由：返回结果简单，很难体现出改进在了什么地方

方法二：
先对x、y进行线性回归，并在equation框中，点击[estimate]-[option]

需要设置的地方有：选择coefficient covariance matrix:white-weight type: inverse std.dev.-weighet series:1/x.

返回结果的格式如下：

🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍🤦‍

这篇博客被不止一次地修正，每次修正使用的数据集都不同，所以会出现有的地方·sample·为23，有的截图为29……，主要还是看操作