赵卫亚 (回归模型的扩展 异方差自相关多重共线).ppt

(5)特征值检验(略） 根据矩阵代数知识，矩阵的特征值为矩阵的特征根的乘积。 * * 6、多重共线性的解决方法 基本原则 ①如果建模目的是预测，则模型的拟合优度较高，并且相关关系保持不变，就可以忽略多重共线性问题。如果建模目的是结构分析，则需要消除多重共线性的影响。 ②引起多重共线性的原因是模型存在相关的解释变量，因此消除多重共线的根本方法只能是删除这些变量，但剔除变量要要谨慎。否则，去掉了重要的变量，经济意义不合理，或者模型设定出现偏误。 * (1)扩大或改变样本 原理：多重共线是一种样本现象。可以从样本入手。样本容量越大，变量相关性越小，相关越难。 增加样本容量 采用面板数据 增加数字的字长，进行双精度计算 该方法的局限： 由于资料收集以及调查的困难， 改变样本、增加样本容量在实践中有时并不容易。 如果新增加的样本数据与原来具有相同的性质，那么就无法起到作用。可以利用面板数据加以克服。 * (2)、从解释变量角度，剔除次要变量 如果考虑了过多的解释变量，其中有些可能是无显著作用的次要变量，可以直接去除。 可能引起模型设定误差，违反其他假定。 可以借助统计方法帮助选择。 首先将变量按照重要程度排序 然后逐步添加解释变量。 基于t检验, ，AIC, SC等准测。 * （3）逐步回归法 ①用被解释变量对每一个所考虑的解释变量回归。 ②以对被解释变量贡献最大的解释变量所对应的方程为基础，按照对被解释变量贡献大小，逐个引入其余变量。 要求，模型的每个解释变量影响显著，参数符号正确， 有所提高 ③如此下去，直至无法加入新的变量为止。 * (4)、模型改造和变量替换 ①将名义变量替换为实际变量。因为名义变量之间由于价格关系可能存在多重共线性问题 ②利用相对数量 例如研究需求函数时 * ③、利用先验信息约束估计 例：生产函数 ，经对数变换为： 如果预先知道所研究的经济有规模报酬不变的性质，即函数中的参数满足 就可以克服多重共线性。 * ④混合估计 混合估计：利用其他方法（如专家调查）估计出部分参数，带入模型。整理后可以建立一个新的模型。然后对新模型进行估计。 * 混合估计例子 例：研究需求规律的模型 可以先求出模型中参数 的估计值（用截面数据等）。 前一个模型变为 整理这个模型可以得到 从而估计出 和 的估计值 和 ， 得到克服了多重共线性的回归直线 * （5）主成分回归 主成分回归的思想 ①利用主成分方法将解释变量转换成若干个互不相关的主成分 ②将被解释变量关于这些主成分回归 ③再根据主成分与解释变量的对应关系，求得原回归模型的估计方程 案例分析 P118。例7 * * 5、自相关性的解决方法 假性自相关： 模型遗漏重要变量 模型函数形式设定不当 首先修正模型，若检验后发现自相关不存在了，说明原来的自相关假性自相关。模型修正后就已经解决 * 真正的自相关： 广义差分方法（是GLS方法的一种特例） * （一）广义差分法（1）相关系数已知时，直接利用广义差分法 设线性回归模型为 已知 有一阶自相关性，即 把滞后一期的观测值代入变量关系，得方程： 可得 令 ， 根据 可得 如果记 ，所以上式为 * （2）、相关系数未知时，先估计相关系数，再采用广义差分 根据估计相关系数方法的不同，可以分为下面几种方法： * ①、近似估计法 近似估计法1： 然后再利用广义差分方法。 * 近似估计法2： 对于小样本，Theil给出以下近似公式： K为解释变量个数。 然后再利用广义差分方法 * 近似估计法3： 利用残差代替随机误差项，计算 再利用广义差分方法 * ②、科克兰内—奥克特迭代方法 步骤: S1.根据样本观察值数据,用OLS方法估计模型,得到样本回归方程 S2.计算残差et,作为ut 的估计. S2.用OLS方法求ρ的初次估计值 * S4用 对原模型进行广义差分变换，作第一次迭代。得广 义差分模型 用OLS方法估计模型，得到残差序列 并进行自相关检验。如果无自相关，迭代结束，求得 如果存在自相关，则重复进行上述工作： S5.计算ρ的第二次估计值， S6.用 对原模型进行广义差分变换，作第二次迭代。得广 义差分模型 同样的过程可以重复进行，直到 收敛，或达到迭代的预定上限。 * ③、搜索估计法 又称为希尔德雷思－卢估计法。 在区间[-1,1]中按照一定间