第8章多重共线性：变量相关会有什么后果分解.pptxVIP

多重共线性：解释变量相关会有什么后果？ 第8章 8.1 多重共线性的性质：完全多重共线性的情形 Y饰品需求，X2价格，X3消费者收入，X4工资。考察如下的需求函数模型： 用表8-1中的数据拟合模型，计算机拒绝估计回归。做价格（X2）对收入（X3）的回归，得如下关系图。 这说明收入与价格完全线性相关，即完全共线性。所有不能对方程（8-1）进行回归。 将收入与价格之间的关系带入（8-1）得 对（8-4）进行回归得： 结论：解释变量之间存在完全相关或者完全多重共线性时，不可能获得所有参数的唯一估计值。 进行经济数据的分析时，变量间常常表现出不完全线性相关，但共线性程度很高的情形，这就是近似、不完全或者高度多重共线性的情形。 8.2 近似或者不完全多重共线性的情形 用表8-1中的数据估计（8-2）得到如下结果： 回归结果显示： （1）模型（8-2）是可估计的。 （2）两次估计的价格系数都是负的，并且差别不大，这和预期的价格系数方向一样。相对而言，（8-7）中价格的t统计量和标准误都略高于（8-8）。 （3）R2略有增加，0.0021。 （4）工资的系数是统计不显著的，符号也有错误。 （5）尽管收入变量不显著，但若假设B2=B3=0，但是根据（4-49）的F检验很容易拒绝原假设。 图8-2 工资 和价格 关系 如何解释这些结果，做价格X2对工资X4的关系图，如下 回归结果为 回归结果显示，价格与工资高度相关，相关系数为-0.9984，即存在近似完全线性关系。 顺便指出：在只有两个解释变量的情况下，相关系数用于共线性程度的度量，多于两个不可以。 （一）数据采集方法问题 （二）模型或从中取样的总体受到约束 （三）模型设定问题 （四）一个过度决定的模型 多重共线性的来源 8.3 多重共线性的理论后果 为什么讨论多重共线性？ 1.在近似共线性的情形下，OLS估计量仍然是无偏的。 2.近似共线性并未破坏OLS估计量的最小方差性。 3.即使在总体回归方程中变量 之间不是线性相关的，但在某个样本中， 变量之间可能线性相关。 【 多重共线性问题是一个样本问题 】 8.4 多重共线性的实际后果 （1）OLS估计量的方差和标准误较大。 （2）置信区间变宽。 （3）t值不显著 。 （4）R2 值较高，但t值并不都是统计显著的。 （5）OLS估计量及其标准误对数据的微小变化非常敏感，即它们很不稳定。 （6）回归系数符号有误。 （7）难以评估各个解释变量对回归平方和（ESS）或者R2的贡献。 8.5 多重共线性的诊断 一、多重共线性是一个样本特性，是一个样本现象。 多重共线性是一个程度问题而不是存在与否问题。 多重共线性针对的是解释变量，因此是样本特征，不是总体特征。 二、侦察多重共线性的规则【线索】 （一）R2值高而显著的t比率少 （二）解释变量之间有高度的两两相关 可以计算两两变量之间的相关系数，如果有些相关系数 很高（超过0.8） ，则可能存在较为严重的共线性。但是 这一标准并不十分可靠。 （三）检查偏相关系数 假设3个解释变量X2,X3,X4，X2与X3的相关系数为r23，X2与X4的相关系数为r24，X3与X3的相关系数为r34。假如r23=0.9，说明X2与X3之间高度相关，但是若考察偏相关系数r23,4,即变量X4保持不变的条件下X2与X3之间的相关系数却仅为0.43。那么根据偏相关系数不能说明X2与X3之间的共线性程度很高。 但是偏相关系数不能保证对多重共线性提供一个准确的指南。 （四）辅助回归 做每个解释变量对其他剩余变量的回归并计算相应的R2值。其中的每一个回归都被称为是从属或者辅助回归。 例子 （五）方差膨胀因子 VIF被称为方差膨胀因子。随着R2的增大， 也增大，或者说膨胀了。 注意：诊断多重共线性的方法很多，但是没有哪一种能够彻底诊断多重共线性问题。多重共线性是一个程度问题，是一种样本现象。 已知，样本相关系数 样本相关系数的定义还可以从另一个角度给出。在进行相关分析时，对于所涉及的两个变量Ｘ和Ｙ是同等看待的。若设 则样本单相关系数也可定义为两个样本回归系数的乘积的开方，即: ｒ＝ 　 ｒ＝ ± 补充：偏回归系数 设有３个变量X1、X2和X3。３个变量各自以另两个变量为自变量拟合的样本回归方程如下： 利用以上偏回归系数，３个变量之间的偏相关系数可定义如下： 偏回归系数表示：当其他自变量保持不变时，某一自变量变化一个单位而使因变量平均变化的数值。例如，表示X3保持不变时，X2变化一单位而引起的X1平均变化的数值；表示X1保持不变时，X2变化一单位而引起的X3平均变化的数值。 8