第10章多重共线性课题.pptVIP

第10章 多重共线性multicollinearity * * 多重共线性的性质 含义：原意是指回归模型的解释变量之间存在“完 全”或准确的线性关系。如： 现在多重共线性还用来泛指诸X变量之间有交互 相关，但又非完全相关： 引起多重共线性的原因 数据采集所用的方法: 限于一个范围 模型或从中取样的总体受到约束： 如做电力消费（Y）对收入（X2）和住房面积（X3）回归时，可能X2高的X3也大 模型设定: 如在模型中加入多项式 一个过度决定的模型：回归元个数大于观测次数 出现完全多重共线性时的估计问题 在完全多重共线性的情况下，回归系数是不确定的，其标准误是无穷大。对于三变量回归： 由第7章可知： 回归系数衡量的是X2或X3对Y的净影响，X2和X3是完全共线性的，就不能把每个X对Y的偏影响分离出来 不完全多重共线性的估计问题 假定不完全多重共线性的形式为： 这种情形下，回归系数是可以估计的： 如果vi足够小，以至于接近于零，则（10.3.1）表示几乎完全共线性。这时我们又回到（ 10.2.2 ）的不定式情形。 比较:无多重共线性时的参数估计 多重共线性的理论后果 在近似多重共线性的情形下，OLS估计量仍然是无偏的。但是，无偏性只是一种多维样本（multisample）或重复抽样的性质 共线性并不破坏最小方差性质。但是，这并不意味着，在任意给定的样本中，一个OLS估计量的方差一定是小的 多重共线性本质上是一种样本现象。即使总体不存在共线性，由于抽样方法或小样本问题也可能带来多重共线性问题。例如： 一般地，收入高的人也更富裕，很难分开二者的各自影响。 准确估计需要更多的样本，包括： 收入低而拥有巨大财富的个体 和 财富少而拥有很高收入的个体。 多重共线性的实际后果 OLS估计量的大方差与协方差 随着r23增大，方差增大，协方差的绝对值也增大。增大的速度用方差膨胀因子(VIF, variance-inflating factor)衡量： P351 TABLER 10.1 由此可见： 2. 更宽的置信区间 标准误增大，则有关总体参数的置信区间随之变大。 在高度多重共线性的情形下，增加了接受错误假设的概率（第二类错误） 见P353 TABLE 10.2 3. “不显著”的t比率 将这一t值和临界t值相比较，即t检验 高度共线性使估计的标准误增加很快，t值迅速变小。因而，容易接受总体参数为零的虚拟假设 4. 值高而显著的t值少 但是，个别偏回归系数的t检验可能并不显著 ——这就是多重共线性的一个信号 5. OLS估计量及其标准误对数据的微小变化很敏感 P355 例子 Goldberger认为微数缺测性（micronumerosity） 是一个重要的问题 微数缺测性： 狭义是指样本大小n等于零的情形 广义是指观测次数刚刚超过待估参数个数 侦察多重共线性的经验规则 值高而显著的t比率少 值比较高，比如大于0.8, F 检验一般会拒绝所有偏回归系数同时为零，但是，t 检验却可能表明，没有或极少偏回归系数是统计上显著的 回归元之间有高度的两两相关 高的零阶相关（比如，大于0.8）是多重共线性存在的充分条件，但非必要条件。即使零阶（简单）相关系数较低（比如，小于0.5），多重共线性仍然可能存在 检查偏相关 辅助回归 做每一个Xi 对其余X的回归，计算判定系数 服从自由度为k-2和n-k+1的F分布 Fi 大于给定显著性水平的 F 临界值，则 Xi和其余X之间存在共线性 Fi 小于给定显著性水平的 F 临界值，则Xi和其余 X 之间不存在共线性，可以把 Xi 保留在模型中 容许度与方差膨胀因子 其中 是回归元 Xi 的偏回归系数， 是 Xj 对其余（k-2）个回归元的辅助回归的