计量经济学第四章多重共线性.pptVIP

§4.3 多重共线性 一、多重共线性的概念 对于模型： Yi ?0+?1X1i+?2X2i+?+?kXki+?i i 1,2,…,n 其基本假设之一是解释变量之间是互不相关的。 如果某两个或多个解释变量之间出现了相关性，则称为存 在多重共线性 Multicollinearity 。 如果存在不全为0的数c1、c2、…、ck，使 c1X1i+c2X2i+…+ckXki 0 i 1,2,…,n 即：某个解释变量完全可以由其它解释变量的线性组合来表示 则称为解释变量间存在完全共线性（perfect multicollinearity）。 这里定义的多重共线性仅对解释变量X之间的线性相关而言。对于解释变量之间存在非线性相关的模型，并不视为存在多重共线性问题。如： 二、实际经济问题中的多重共线性 一般地，产生多重共线性的主要原因有以下三个方面： （1）经济变量相关的共同趋势 时间序列样本：经济繁荣时期，各基本经济变量（收入、消费、投资、价格）都趋于增长；衰退时期，又同时趋于下降。 横截面数据：生产函数中，资本投入与劳动力投入往往出现高度相关情况，大企业二者都大，小企业都小。 （2）滞后变量的引入 在经济计量模型中，往往需要引入滞后经济变量来反映真实的经济关系 例如：消费 f 当期收入, 前期收入） 显然，两期收入间有较强的线性相关性。 三、多重共线性的后果 2、近似共线性下解释变量的单独作用无法区分 实际问题中的直接表现是：模型的回归系数经常表现出反常的现象！ 例如?1本来应该是正的，结果却是负的。 经验表明，如果存在这种反常情形，应该首先怀疑多重共线性。 3、近似共线性下OLS估计量的方差变大 近似共线性下，可以得到OLS参数估计量，并且可以证明，此时参数估计量依然满足线性、无偏和有效性，即OLS依然是BLUE 但是，此时参数估计量的方差会增大。参数估计量方差的表达式为 显然：多重共线性的存在使得参数估计值的方差增大，其增加的倍数可以采用1/ 1-r2 衡量 三、多重共线性的检验 多重共线性的检验可以从两个角度进行： （1）共线性的定义——变量的线性相关性 （2）共线性的后果——方差变大、系数反常等 对多重共线性的检验需要完成两个基本任务： （1）检验多重共线性是否“存在”——是否严重到需要重视的程度 （2）估计多重共线性的范围——判断哪些变量之间存在共线性。 1、相关系数法 计算解释变量两两之间的简单相关系数，进行判断 （1）对两个解释变量——简单相关系数 （2）对多个解释变量——相关系数矩阵 若|r|接近1，则说明两变量存在较强的多重共线性。 注意： 相关系数多大才算是严重的共线性，并无统一标准，只能凭经验判断。 经验认为，如果rij 0.8，比较严重 0.9，非常严重 2、经验判断法 3、辅助回归检验法 4、方差膨胀因子和容忍度（VIFTOL） 5、特征值检验法 6、剔除检验法 在模型中排除某一个解释变量Xj，估计模型； 如果拟合优度与包含Xj时十分接近，则说明Xj与其它解释变量之间存在共线性。 7、引入检验法 以Y为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计，根据拟合优度的变化决定新引入的变量是否独立。 如果拟合优度变化显著，则说明新引入的变量是一个独立解释变量； 如果拟合优度变化很不显著，则说明新引入的变量与其它变量之间存在共线性关系。 四、克服多重共线性的方法 找出引起多重共线性的解释变量，将它排除出去。 以逐步回归法得到最广泛的应用。 注意： 这时，剩余解释变量参数的经济含义和数值都发生了变化 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。 由表中的比值可以直观地看到：增量的线性关系弱于总量之间的线性关系。 进一步分析： Y与C -1 之间的判定系数为0.9988， △Y与△C -1 之间的判定系数为0.9567 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。 岭回归法是其中的代表 # 岭回归法（Ridge Regression） 70年代发展的岭回归法，以引入偏误为代价减小参数估计量的方差，受到人们的重视。 具体方法是：引入矩阵D，使参数估计量为 # 对多重共线性处理的说明 多重共线性在本质上是一种样本现象，因此增大样本容量可以视为一个根本性的解决方法 多重共线性的主要后果是增