第四章-多重共线性.ppt

第四章 多重共线性 案例引子 P105关于财政收入的多元回归模型 症状：方程整体显著，但是解释变量该显著的不显著，甚至系数符号相反 本章学习多重共线性产生的原因、后果、检验方法和如何修正。 第四章 第一节 然而，解释变量之间完全的线性相关是极少见的，而解释变量之间出现较高的线性相关程度是常见的，当解释变量之间的线性相关程度较高时，也会给模型带来问题，因此也作为多重共线性对待。由此，多重共线性分为完全多重共线性与不完全多重共线性。 1. 完全多重共线性 当解释变量之间完全线性相关时，我们称解释变量为完全多重共线性。完全多重共线性即其中某一解释变量可以用其余解释变量线性表示(比如：X2=0.5×X3+0.8×X4)。这种情况在现实经济问题中一般不会出现。 完全多重共线性的数学意义 完全多重共线性eviews示例 Y X1 X2 X3 … 1 10 11 … 2 20 21 … … … … Ls y c x1 x2 x3 会提示：near singular matrix（奇异矩阵） 2. 不完全多重共线性 当解释变量之间虽然不是完全线性相关，但其线性相关程度较高时，即解释变量之间的多重相关系数较高时，我们称解释变量为不完全多重共线性。这种情况在现实经济问题中比较常见。 不完全多重共线性eviews示例 Y X1 X2 X3 … 1 10 11 … 2 20 21 … … … … Ls y c x1 x3 可以估计系数，但是系数不显著 做cor x1，x2， cor x1，x3，cor x2,x3 二、多重共线性产生的背景（4） ? 在进行经济时间序列模型分析时，多重共线性出现的频率很高，这主要由于： 1. 经济变量之间具有共同的变化趋势 比如，在经济繁荣时期，许多的量都具有增长趋势，像收入、消费、GDP、投资、CPI、M2等，但在经济萧条时期，这些量也走下降通道。 2. 模型中包含滞后变量（惯性作用） 比如，消费模型，同期收入Xt 、上一期收入 Xt-1 、都可以是解释变量，这时Xt 与 Xt-1 是高度相关的，即多重共线性。 3 截面数据在一定情形下建立的模型 当所选指标与发展规模有关， 且二者呈现共同变化趋势时， 有时也会出现多重共线性。 4 抽样导致的偶然样本 抽样时，部分指标在一定抽样范围内的样本间正好表现出了相关性。 一. 完全多重共线性的后果 当模型解释变量之间出现完全多重共线性时，普通最小二乘估计方法无解。 由于OLS解为： 当解释变量之间完全线性相关时，即矩阵X的列向量线性相关，于是可以证明上面OLS解中的矩阵 为退化的，也就是说其逆矩阵 不存在，从而模型参数的普通最小二乘估计量无解。 二、 不完全多重共线性的后果 当模型解释变量之间出现不完全多重共线性时，普通最小二乘估计方法虽然有解，但是参数估计量的方差会无限增大，从而产生4种结果。 为什么参数估计量的方差无限增大 以二元线性回归模型为例来说明解释变量的线性相关程度较高时，会使OLS估计量的方差很大。 设二元线性回归模型为： 假设解释变量X2,X3的简单相关系数为r23 ，可以导出，模型（4.2）式的OLS估计量的方差为： （4.3） 当r23=0时，即解释变量X2,X3完全线性无关时， 这时，二元线性回归的OLS估计量的方差相当于分别作被解释变量关于各个解释变量的一元线性回归估计。 当r23=1时，即解释变量X2,X3完全正线性相关时，由(4.2)和(4.3)式可知，二元模型OLS估计量的方差式中分母为0，即方差为∞。这也从另一个侧面说明了解释变量完全线性相关时，OLS估计量无解。 上面两式表明，解释变量之间的线性相关程度越高，即越接近于1，这时方差的分母就越小，从而方差就越大。另一方面，还可看出，该模型式当解释变量存在线性相关关系时，其OLS估计量的方差是线性无关时方差的 倍。 我们将以上方差增大的倍数称为方差膨胀因子(variance-inflating factor,简记为VIF,也称为方差扩大化因子)，即 (4.4) 当r23=0.8时，O