Здравствуйте. Не подскажите, как в spss посмотреть наличие гетероскедастичности , не только используя графики рассеяния в регрессионном анализе, а в частности интересует реализация теста Уайта. Есть такое или как быть?
Также на вики
https://ru.wikipedia.org/wiki/%D0%A2%D0%B5%...%B5%D0%BD%D0%B0
говорится, что можно проверить через тест Спирмана. Я знаю про ранговые корреляции Спирмана, но в данном случае, я как не читаю, не понимаю что требуется. Как они через корреляции это определяют?

Тест Уайта в SPSS не реализован. Зато реализован в Eviews (www.eviews.com).

А проверить гипотезу гетероскедастичности остатков просто: если есть подозрения, что гетероскедастичность может зависеть от некоторого конкретного регрессора, просто находится его спирменовская корреляция с рядом остатков. Но сейчас при наличии теста Уайта пользоваться таким методом просто грешно. Все таки на дворе 2016 г.

А тест Уайта несложно руками посчитать в Экселе.

Если говорить предельно просто, то "гетероскедастичность" - это зависимость ошибки наблюдения зависимой переменной Y от значений независимой переменной Х. Соответственно, наличие гетероскедастичности можно обнаружить, построив модель, например регрессионную, получив остатки (т.е. те самые ошибки) и посмотрев, постоянны-ли остатки в отношении Х (более точнго - коррелируют-ли эти две величины). Тест Уайта анализирует не сами ошибки, а квадраты ошибок ( и, кстати, не только относительно Х, но это уже просто усложнение), сравнивая коэффициент детерминации этой вспомогательной регрессионной модели ошибок со с Хи-квадрат распределением. С другой стороны мы знаем, что коэффициент детерминации - это некоторая величина, функционально связанная с коэффициентом корреляции.
Другие критерии гетероскедастичности прости основываются на других подходах на выявлении факта коррелировананности ошибок и независимой переменной.
Коэффициент ранговой корреляции Спирмана - один из таких методов. Он предполагает, что сначала вы как и в других методах строите регрессионную модель, потом выделяете ошибки, их - как и значения независимой переменной - ранжируете и к полученным ранговым рядам применяете соответствующую статистику. Подтвердит эта статистика гипотезу - значит есть корреляция и соответственно остатки гетероскедастичны. Нет - значит нет.
Вот это - если совсем просто.

100$, а можно Вас попросить кинуть сюда пример расчета в эксель? Я правильно понял, что мы просто берем остатки после регрессии(по "подозрительному регрессору") и делаем корреляцию по Спирману с ними, если она положительная(кстати какой коэффициент считает достаточным,чтобы говорить о гетероскедастичности?), то делаем вывод о гетероскедастичности?
Ещё вопрос об автокорреляциях, скажите же, я верно понял, что автокорреляция, это корреляция со временным рядом, но на лаг назад. Т.е. есть 12 месяцев, 12-1=11 месяцев, и я ряд на к-лаг назад коррелирую с исходным рядом. Так почему же нужно избавляться от автокорреляций.

1. А чего там сложного-то? Для теста Уайта обычным МНК оценивается вспомогательная регрессия квадратов этих остатков на все регрессоры (включая константу, даже если её не было в исходной модели), их квадраты и попарные произведения. В Экселе это надстройка "Пакет анализа", затем "Анализ данных" -> "Регрессия".

2. По Спирмену все правильно. Только почему именно "положительная"? Любая значимая корреляция есть ответ на вопрос о наличии гетероскедастичности. Как проверяется значимость коэф-та ранговой корреляции можно в инетах узнать.

3. А/корреляция - корреляция ряда с самим собой. А/корр-ция первого порядка - рассчитывается как корреляция текущих и предыдущих ("вчерашних") значений, второго порядка - как корреляция текущих в "позавчерашними" и т.д. Отсутствие а/корреляций - признак статистической независимости случ. величин.

100$, разобрался с Уайтом.
Независимость случайной величины это хорошо или плохо? Если плохо, то как избавиться от А/корр-ции

Это не просто хорошо, это замечательно. Не зря же все ГПСЧ тестируют Die Hard'ами.
А чтобы от нее избавиться, лучше всего переспецифицировать модель.