第4讲 线性回归模型的扩展.pptVIP

第四讲 线性回归分析的扩展Linear Regression Analysis: Extension 一、引言：放宽经典模型的假设 二、多重共线性 三、异方差性 四、序列相关 五、设定误差 引言：放宽经典模型的假设 经典正态线性回归模型（CNLRM）的假定 （一）关于模型的假定 回归模型对参数而言是线性的 模型是正确设定的 （二）关于解释变量的假定 解释变量X是确定性变量 若X是随机的，则误差项与X不相关 解释变量的取值有足够变异 解释变量之间不存在完全的线性关系 引言：放宽经典模型的假设 经典正态线性回归模型（CNLRM）的假定 （三）关于误差项的假定 对于给定的X，误差项均值为0 对于给定的X，误差项方差相等 对于给定的X，误差项之间不存在序列相关 误差项服从正态分布 引言：放宽经典模型的假设 引言：放宽经典模型的假设 微数缺测性 从理论上讲，样本容量n和解释变量数目k必须满足nk+2，才能进行OLS估计和假设检验。但事实上，即便n满足上述条件，但如果样本很小，那么虽然能够进行估计和检验，也很难通过t检验。 什么是多重共线性 多重共线性（multicollinearity）：回归模型中的一些或全部解释变量之间存在一定程度的线性关系 什么是多重共线性 例题4.1 其他例题：p200 什么是多重共线性 图形表示：巴伦坦图 什么是多重共线性 产生多重共线性的原因 样本过小 模型设定有误：添加了过多的解释变量 由于样本过小，即便在总体中解释变量之间没有线性关系，也可能在获得的样本中观察到较强的线性关系 多重共线性的影响 存在完全线性关系时的OLS估计 无法得到OLS估计量 例题：p201-202 多重共线性的影响 存在多重共线性关系时的OLS估计 可以证明即便存在多重共线性，OLS估计量仍然是BLUE，但系数估计量的方差较大，从而不容易通过t检验，同时预测区间变宽，降低了预测精确度。 多重共线性的影响 影响程度的度量：方差膨胀因子（variance-inflation factor） 多重共线性的影响 例题4.2 多重共线性的诊断 简单诊断方法 R2高而单个系数的t值小，换言之，F检验显著，但显著的t值少 任意两个解释变量之间的相关系数较大，比如大于0.9 解释变量之间的偏相关系数较大 简单方法一般来说不很精确 多重共线性的诊断 运用回归分析进行诊断 逐步分析法：先引入经济意义明显，并且在统计上最显著的解释变量，然后逐步引入其他解释变量。如果新引入的解释变量使原有解释变量的系数估计值发生明显变化，或t统计量明显变小，则说明新引入的解释变量与原有解释变量之间存在多重共线性，可以去掉新引入的解释变量 辅助回归法：做每一个解释变量对其余解释变量的回归，得出相应的F统计值，如果在给定的显著性水平下F统计值是显著的，说明该解释变量与其他解释变量之间存在线性关系，可以去掉该解释变量（p207，p211） 多重共线性的诊断 运用一些指标进行诊断 方差膨胀因子：计算每个解释变量的方差膨胀因子VIF，一般认为如果VIF大于10，说明该变量与其他变量存在高度共线性 容许度（tolerance）：定义容许度TOL如下，一般认为如果TOL小于0.1，说明该变量与其他变量存在高度共线性 条件指数（condition index, CI）：一般认为，如果条件指数在10到30之间，存在较强的多重共线性，如果大于30，则存在严重的多重共线性 多重共线性的诊断 例题4.3（p218） 多重共线性的诊断 几点说明 多重共线性是一个程度问题而不是存在与否的问题 多重共线性是关于样本的一种特征 如果研究是为了估计斜率系数和预测，多重共线性不是一个严重的问题；但如果研究的主要目的是假设检验，则高度多重共线性的危害就很大 多重共线性的处理 剔除共线性变量中不太重要的解释变量 补充新数据 重新设定模型 练习题：p216-217，习题10.14-10.19