残差诊断检验

残差诊断检验是什么？

残差诊断回答的是主模型的误差结构和函数形式是否让常规推断变得不可靠。它不是为了堆检验，而是决定标准误、变量变换、异常值处理或模型重设是否必要。

先用一句话理解

把残差诊断想成看模型的体检报告。系数是模型给出的结论，残差诊断则告诉你这个模型有没有明显发烧、比如误差越来越大、相邻时期粘在一起，或者少数点把结果拉偏。

什么时候用

把它和相近方法分清楚

核心直觉和模型公式

常见误差假设

线性模型常见推断假设包括：

诊断检验就是检查这些假设是否明显不适合当前数据。

公式里的符号怎么读

专业使用口径

专业诊断页要把检验结果翻译成行动建议，而不是堆 p 值。

一步一步做：从问题到结果的五步

结果怎么读：先读口径，再读数字

本页案例读表时，先记住这个口径：Breusch-Pagan：统计量 7.2254，p = 0.0072，判定为“存在异方差（拒绝同方差原假设）”。

初学者最容易错在哪里

先看这个案例的结论

• Breusch-Pagan：统计量 7.2254，p = 0.0072，判定为“存在异方差（拒绝同方差原假设）”。
• White：统计量 112.3786，p = 0.2703，判定为“未拒绝同方差/正确函数形式”。
• Ramsey-RESET：统计量 1.2699，p = 0.2836，判定为“未发现明显设定偏误”。
• 诊断表的作用是决定后续标准误、函数形式或稳健性处理，不是把所有检验都堆进正文。

变量要求和案例口径

实际代码

下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。

log using "/root/workspace/empirical-wizard/workspace/5ff90591/analysis.log", replace text
global JOB_DIR "/root/workspace/empirical-wizard/workspace/5ff90591"
set more off
adopath + "/root/ado/plus"
global DATA_PATH "/root/workspace/empirical-wizard/workspace/test_e2e/csmar_innovation.csv"
import delimited "/root/workspace/empirical-wizard/workspace/test_e2e/csmar_innovation.csv", clear case(preserve)
capture confirm global JOB_DIR
if _rc global JOB_DIR "."
quietly duplicates drop
tempname fh
capture file close `fh'
file open `fh' using "$JOB_DIR/diagnostics.csv", write replace
file write `fh' "test,statistic,df,pvalue,decision" _n
quietly regress patent_count dfi_index roa lev size growth cashflow tobinq top1 dual board indep soe age
capture estat hettest, normal
if !_rc {
    scalar __bp_chi2 = r(chi2)
    scalar __bp_df = r(df)
    scalar __bp_p = r(p)
    local bp_chi2_s : display %9.4f __bp_chi2
    local bp_df_s   : display %9.0f __bp_df
    local bp_p_s    : display %9.4f __bp_p
    local bp_decision = cond(__bp_p < 0.05, "存在异方差（拒绝同方差原假设）", "未拒绝同方差原假设")
    file write `fh' "Breusch-Pagan,`bp_chi2_s',`bp_df_s',`bp_p_s',`bp_decision'" _n
}
else {
    file write `fh' "Breusch-Pagan,NA,NA,NA,无法计算（estat hettest 失败）" _n
}
capture estat imtest, white
if !_rc {
    scalar __wh_chi2 = r(chi2)
    scalar __wh_df = r(df)
    scalar __wh_p = r(p)
    local wh_chi2_s : display %9.4f __wh_chi2
    local wh_df_s   : display %9.0f __wh_df
    local wh_p_s    : display %9.4f __wh_p
    local wh_decision = cond(__wh_p < 0.05, "存在异方差/函数形式偏差", "未拒绝同方差/正确函数形式")
    file write `fh' "White,`wh_chi2_s',`wh_df_s',`wh_p_s',`wh_decision'" _n
}
else {
    file write `fh' "White,NA,NA,NA,无法计算（estat imtest 失败）" _n
}
capture estat ovtest
if !_rc {
    scalar __rt_F = r(F)
    scalar __rt_p = r(p)
    local rt_F_s : display %9.4f __rt_F
    local rt_p_s : display %9.4f __rt_p
    local rt_decision = cond(__rt_p < 0.05, "拒绝原假设：函数形式不当或漏变量", "未发现明显设定偏误")
    file write `fh' "Ramsey-RESET,`rt_F_s',-,`rt_p_s',`rt_decision'" _n
}
else {
    file write `fh' "Ramsey-RESET,NA,NA,NA,无法计算（estat ovtest 失败）" _n
}
capture confirm numeric variable stkcd
if _rc {
    tempvar __did
    encode stkcd, gen(`__did')
    local _id_for_xtset "`__did'"
}
else {
    local _id_for_xtset "stkcd"
}
capture xtset `_id_for_xtset' year
capture noisily xtserial patent_count dfi_index roa lev size growth cashflow tobinq top1 dual board indep soe age
if !_rc {
    scalar __ws_F = r(F)
    scalar __ws_df1 = r(df1)
    scalar __ws_df2 = r(df2)
    scalar __ws_p = r(p)
    local ws_F_s : display %9.4f __ws_F
    local ws_df_s : display "F(`=__ws_df1',`=__ws_df2')"
    local ws_p_s : display %9.4f __ws_p
    local ws_decision = cond(__ws_p < 0.05, "拒绝原假设：存在一阶序列自相关，需要聚类标准误", "未拒绝原假设")
    file write `fh' "Wooldridge-AR(1),`ws_F_s',`ws_df_s',`ws_p_s',`ws_decision'" _n
}
else {
    file write `fh' "Wooldridge-AR(1),NA,NA,NA,无法计算（xtserial 未安装或样本不足）" _n
}
file close `fh'
di "Diagnostics 完成 → diagnostics.csv"
log close

实际输出表

这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。

案例图

这是一张由同一份案例数据生成的页面内诊断图。

论文里怎么写

本文在共用企业面板样本上报告残差诊断检验，核心输出见 diagnostics.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。

检查清单

• 先明确诊断是接在哪一版基准回归之后，残差没有独立于模型存在。
• 异方差或序列相关显著时，优先调整标准误或模型设定，不是直接删样本。
• RESET、BP、White 等结果只能提示模型风险，不能当成研究假设的证据。

返回教程库 · 查看共用案例