_多重共线性解读.pptVIP

第10章 多重共线性 10.1 多重共线性的两种表现形式 1. 完全多重共线性 2. 不完全多重共线性 假设现在收集到另外一组样本数据，在这个样本中，两个自变量之间没有明确的函数关系，但是它们之间的相关系数 ， 说明两个变量之间还是存在线性相关关系 10.2 多重共线性产生的原因 1、经济变量之间的内在联系(对横截面数据) 10.3 多重共线性的后果 多重共线性对多元线性模型的影响，可以从完全多重共线性和不完全多重共线性两个方面进行分析。 2.不完全多重共线性对模型的影响 (2)t检验的可靠性降低 模型中存在多重共线性时，估计参数的方差增大，因此其标准差也会增大，从而使得t检验值减小,一个或多个自变量可能没有办法通过参数的显著性检验，其检验的可靠性也会降低 (4)参数估计值及其标准差对数据的微小变化都非常敏感 10.4 多重共线性的检验 多重共线性检验一般要实现下面几个任务 1.利用相关系数检验 通过计算自变量之间的两两的相关系数，可以大体判断出模型中是否存在多重共线性 2.综合分析普通最小二乘估计的结果 如果最小二乘估计结果的拟合系数和方程总体显著统计量都比较大，而有的自变量的偏斜率系数t检验值较小，无法通过显著性检验，此时模型中可能会存在多重共线性问题 3.通过辅助回归方程进行检验 这种检验方法通过建立每个自变量和其它自变量之间的辅助线性回归方程来检验模型中是否存在多重共线性，也就是建立形如 (2)容许度(tolerance)是方差膨胀因子的倒数，某个自变量的容许度就是其他自变量所不能解释的这个自变量的变动程度。某个自变量的容许度数值越大，其他自变量对该自变量的解释程度越小，那么这个自变量和其他自变量的共线性程度越小；反之则表明这个自变量和其他自变量的共线性程度越大。 方差膨胀因子的有关说明 使用方差膨胀因子来度量模型中的共线性仅仅是一种经验方法，它的使用也受到一些批评。一个较高的方差膨胀因子既不是导致参数估计值较大的标准误差的必要条件也不是充分条件，也就是说一个较高的VIF度量出来的较高的多重共线性不一定会导致参数估计值较高的标准误差。 课堂练习题 某商品的需求函数为 其中Y为需求量,X1为商品价格,X2为收入,现已知两个自变量之间的相关系数为-0.96,需求函数的回归结果为: 10.5 多重共线性的解决方法 在处理多重共线性问题之前，必须明确两点: ②如果剔除的变量是比较重要的，那么将影响回归模型的估计，容易使得模型产生异方差和自相关的问题； 1.直接剔除次要或者可以替代的变量 如果模型中有些自变量可能是没有显著影响的，或者它们的影响可以用其他变量来代替，那么可以直接剔除 2.间接剔除重要的解释变量 (2)改变模型的形式 (3)增加样本容量 多重共线性是一个样本现象，在研究同一个问题的另外一个样本中或许并不存在非常严重的多重共线性，因此增大样本容量也许能够减轻模型中大的共线性程度。 (4)综合使用横截面数据和时间序列数据 10.6多元回归模型中选择自变量的方法 1、向前选择法(Forward) 2、向后排除法(Backward) 思路：这种方法和向前选择法相反，它从包含所有自变量的回归模型开始，然后利用准则从模型中剔除变量，使模型的拟合系数减小最小的自变量会被从模型中剔除出去；这样每次只剔除一个变量，直到剔除的自变量使得模型的拟合系数显著减小为止。 3、逐步回归法(Stepwise) 思路：这种方法和向前选择法有些相似，但是在每增加一个变量时，会对模型中的所有自变量进行检验，判断是否需要删除某个自变量。如果增加一个新的自变量以后，先前引入的某个自变量对模型的贡献变得不显著了，那么这个新加入到自变量将会被剔除。 选择合适的自变量的检验统计量 在将一个或一个以上的自变量增加到模型中是否合适时，可以使用F统计量来确定。 它的检验依据是：在一个线性回归模型中，如果增加一个或多个自变量可以使得回归模型的残差平方和减小，那么这个或这几个自变量就可以放到模型中，反之就没有理由增加一个或多个自变量。 Forward法选择变量第一步 第二步 4. 无为而治——什么也不做 以上对多重共线性的补救方法，每种补救方法都存在一定程度上的缺陷，所以什么也不做常常是正确的选择。原因在于，多重共线性对回归参数估计量的影响并非总是导致它的符号与经济理论不同，多重共线性对假设检验的影响并非总是使得t检验本应显著而降低到不显著。因此，除非所面对的多重共线性极其严重，否则，通常的补救方法是无为而治，即不对多重共线性进行任何补救。具体而言，对于一个