经典假设问题处理
处理面板数据回归中的经典假设问题。
经典假设检验是 OLS（普通最小二乘法）回归的主要支柱。如果违反了这些假设，您生成的估计量（回归系数）就不是最佳线性无偏估计量 (BLUE)，这意味着您的研究结论不可靠。特别是在面板数据中，该方法与常规时间序列数据回归略有不同。
1. 残差正态性检验
在大规模面板 (N > 30) 中，根据 中心极限定理，残差正态性假设通常被忽略。但是，如果您的教授坚持，请使用 雅克-贝拉 (Jarque-Bera, JB) 检验。如果 JB 概率值 > 0.05，则残差服从正态分布。
2. 多重共线性检验 (VIF)
多重共线性测试自变量之间是否存在非常强的相关性。最简单的方法是查看 方差膨胀因子 (VIF) 值。在 EViews 中，执行回归后，选择 View > Coefficient Diagnostics > Variance Inflation Factors。
如果中心化 VIF 值 > 10，则您的模型肯定受到严重的多重共线性的影响。解决方案是删除其中一个有问题的变量，或使用像 PCA（主成分分析）这样的降维技术。
3. 异方差检验 (White / Glejser 检验)
这是面板数据中最常见的毛病（横截面异方差）。误差项的方差不是恒定的（在大型公司与小型公司之间有所不同）。在 EViews 中，您可以运行 Glejser 检验（将残差的绝对值对自变量进行回归）。
无需删除数据的战术解决方案：
如果证明存在异方差，请不要恐慌！您无需寻找新数据。您只需将标准误差估计方法更改为 稳健标准误差 (Robust Standard Errors)。在 EViews 估计窗口中，打开 Options 选项卡，然后在 Covariance Method 下，选择 White cross-section。这会自动抵消异方差产生的偏差。
4. 自相关检验 (Durbin-Watson / Breusch-Godfrey)
当当前年份 (t) 的误差项受到上一年度 (t-1) 误差项的影响时，就会发生自相关。这在面板数据中非常常见，因为我们连续观察同一批公司。如果 Durbin-Watson 值 (DW Stat) 远离数字 2（例如低于 1.5 或高于 2.5），则意味着存在自相关。
如何克服：
与异方差技巧类似，您可以直接使用协方差矩阵调整 (HAC - 异方差和自相关一致)。在 EViews (Options) 中，选择 Panel M.A. / Arellano 选项，或使用更动态的回归模型（如 GMM - 广义矩法）。