7多重共线性.ppt

2、第二类方法：差分法 时间序列数据、线性模型：将原模型变换为差分模型: ?Yi=?1 ? X1i+?2 ? X2i+?+?k ? Xki+ ? ?i 可以有效地消除原模型中的多重共线性。 一般讲，增量之间的线性关系远比总量之间的线性关系弱得多。 3、第三类方法：减小参数估计量的方差 多重共线性的主要后果是参数估计量具有较大的方差，所以 采取适当方法减小参数估计量的方差，虽然没有消除模型中的多重共线性，但确能消除多重共线性造成的后果。 例如： 增加样本容量，可使参数估计量的方差减小。 * 4．利用先验的信息 * 5．变量的变换 （1） 剔除价格波动的影响，即通过将名义变量转换为实际变量，就会消弱这种多重共线性。 （2） 其他形式的解释变量的变换 6、重新考虑新的模型 * 注意 1．多重共线性会使得估计量具有较大的方差，从而使置信区间或者接受域变大，更容易接受回归系数为零的原假设。 而观测值过少，也会产生这样的问题。 或者是观测值的变异很少，都局限在一个小的范围内，同样会导致较大的方差。 所以，在回归分析中，应尽量避免这些问题。 * 注意 2．有的学者认为，虽然多重共线性会导致较大的方差，但是，如果我们的目的仅仅是预测，则多重共线性不是一个严重的问题。 因为，引入多个自变量会使方程具有较高的解释力。但是，这未必是正确的， 因为，要使预测比较准确的话，必须保证用以预测的数据和样本数据具有相同或类似的结构。如果，在样本数据中， 近似成立，则在预测的数据中，也应该有类似的关系，否则，无法保证预测的准确性。 * 注意 3．多重共线性虽然造成大的方差，但是，所以只要没有影响到系数的显著性，我们就可以认为还不是很严重。 严格地说，实际模型由于总存在一定程度的共线性，所以每个参数估计量并不 真正反映对应变量与被解释变量之间的结构关系。 六、案例——中国粮食生产函数 根据理论和经验分析，影响粮食生产（Y）的主要因素有： 农业化肥施用量（X1）；粮食播种面积(X2) 成灾面积(X3); 农业机械总动力(X4); 农业劳动力(X5) 已知中国粮食生产的相关数据，建立中国粮食生产函数： Y=?0+?1 X1 +?2 X2 +?3 X3 +?4 X4 +?4 X5 +? 1、用OLS法估计上述模型： R2接近于1； 给定?=5%，得F临界值 F0.05(5,12)=3.11 F=638.4 15.19， 故认上述粮食生产的总体线性关系显著成立。 但X4 、X5 的参数未通过t检验，且符号不正确，故解释变量间可能存在多重共线性。 (-0.91) (8.39) (3.32) (-2.81) (-1.45) (-0.14) 2、检验简单相关系数 发现： X1与X4间存在高度相关性。 列出X1，X2，X3，X4，X5的相关系数矩阵： 3、找出最简单的回归形式 可见，应选第1个式子为初始的回归模型。 分别作Y与X1，X2，X4，X5间的回归： (25.58) (11.49) R2=0.8919 F=132.1 DW=1.56 (-0.49) (1.14) R2=0.075 F=1.30 DW=0.12 (17.45) (6.68) R2=0.7527 F=48.7 DW=1.11 (-1.04) (2.66) R2=0.3064 F=7.07 DW=0.36 4、逐步回归 将其他解释变量分别导入上述初始回归模型，寻找最佳回归方程。 回归方程以Y=f(X1，X2，X3)为最优： 5、结论 §8 模型设定偏误问题 一、“好”模型具有的性质 二、模型设定偏误的类型 三、模型设定偏误的后果 四、模型设定偏误的检验 一、 “好”模型具有的性质 1．简洁性 2．识别性 3．拟和优度 4．理论的一致性 5．预测的功效 二、模型设定偏误的类型 模型设定偏误主要有: (1)关于解释变量选取的偏误，主要包括漏选相关变量和多选无关变量， (2)关于模型函数形式选取的偏误。 (3) 测量误差 一般性