第十二章：.多重共线性(fixed).ppt

第十二章多重共线性 古典（经典）线性回归模型的假设之一是不存在完全多重共线性，即多元回归中的解释变量X之间不存在完全的线性关系。 本章进一步探讨多重共线性问题。实践中很少遇到完全多重共线性的情形，常常是接近或高度多重共线性，即解释变量是近似线性相关的。重要的是弄清楚在多元回归模型中这些相关（解释）变量会给普通最小二乘估计带来什么问题（麻烦）。 一、多重共线性的性质 二、多重共线性的后果 三、多重共线性的检验 四、多重共线性的补救 一、多重共线性的性质 （一）完全多重共线性 EVIEWS演示过程 EVIEWS演示过程 多重共线性产生的原因主要有： 1、经济变量的内在联系。这是产生多重共线性的根本原因； 2、解释变量中含有滞后变量； 3、时间序列经济变量变化趋势的共向性； 4、样本容量过少。 1、参数仍然可以估计，而且模型并不违反经典线性回归模型的任何假定。因此，OLS估计量仍然是BLUE。 2、多重共线性本质上是一种样本现象。 1、普通最小二乘估计量的方差会增大，故难以作出精确的估计。 数量（Y）与价格（X2)进行回归： EVIEWS演示过程（数量Y与价格X2进行回归） 2、由于估计量方差增大，从而标准误(std.error)增大，容易使计算得到的t值小于查表得到的t的临界值（即容易接受回归系数为零的原假设），降低回归系数的显著性。从而，常常错误地认为某个解释变量对因变量没有任何影响。 t=(b2-B2)/se(b2)容易小于临界值tα/23、同样的道理，置信区间变宽了。 (1-?)的置信度下, ?i的置信区间是:  4、 5、OLS估计量及其标准误对数据的微小变化非常敏感，也即趋于不稳定。 6、根据回归结果，难以评估各个解释变量对因变量的独立影响。（为什么？） 多重共线性检验的任务是： （1）检验多重共线性是否存在； （2）估计多重共线性的范围，即判断哪些变量之间存在共线性。 检验多重共线性是否存在的主要方法： 对两个解释变量的模型，常采用简单相关系数法 （一）综合统计检验法： R2较高，但t值统计显著的不多 以中国粮食生产函数（案例）来说明多重共线性的典型特征: R2较高，但t值统计显著的不多 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) 用EVIEWS估计上述模型： 用OLS法估计上述模型结果表达如下： R2接近于1； 给定?=5%，得F临界值 F0.05(5,12)=3.11 F=137.11 3.11，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。 检验简单相关系数 发现： X1与X4间存在高度相关性。 EVIEWS求解变量间简单相关系数 相关系数矩阵的说明 观察相关系数矩阵，我们发现，解释变量x1与x4之间相关系数高达0.96，因此有理由相信，这两个解释变量之间存在着线性关系。因此，模型解释变量之间可能存在多重共线性。 判定系数检验法的应用案例：EVIEWS演示过程 我们依次分别以生铁产量、发电量、固定资产投资、国内生产总值、铁路运输量为被解释变量，以余下的作为解释变量做最小二乘回归得到结果如下： R2=0.996186，F=979.33627,因此，X1与X2、X3、X4共线性。（X5的系数T检验没通过） 以X2为因变量，以X1,X3,X4,X5为自变量进行回归 以X3为因变量，以X1,X2,X4,X5为自变量进行回归 以X4为因变量，以X1,X2,X3,X5为自变量进行回归 以X5为因变量，以X1,X2,X3,X4为自变量进行回归 （四）逐步回归法 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。 （续案例—中国粮食生产函数）（1）找出最简单的回归形式 可见，粮食生产受农药化肥施肥量的影响最大，与经验相符，因此选第一个式子为初始的回归模型。 （无论是R2还是F值，第一个式子的最大。） 附加：粮食产量Y与成灾面积X3之间的回归 （2）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