第四章：(一) 多重共线性.pptVIP

2. 检验简单相关系数 发现： lnX1，lnX2，lnX3间存在高度相关性，同时lnX3，lnX6的相关性也较高。 列出lnX1，lnX2，lnX3，lnX4，lnX5，lnX6的相关系数矩阵： 3. 找出最简单的回归形式 可见，粮食生产受粮食播种面积的影响最大，与经验相符合，因此应选该一元回归模型为初始的回归模型。 分别作lnY与lnX1，lnX2，lnX3，lnX4， lnX5，lnX6间的回归，发现lnY与lnX1回归具有最大的可决系数： (17.45) (6.68) R2=0.9771 F=1234.9 D.W.=1.06 4. 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。 引入变量的标准： 模型经济意义合理； 引入的变量能够提高模型的拟合优度，即使模型调整R2明显增加，AIC和SC明显下降； 模型各变量的t检验统计量值显著。 回归方程以Y=f(X1，X2，X6)为最优： 5. 结论 附录 案例A：服装市场需求函数□ 1、建立模型 根据理论和经验分析，影响居民服装类支出Y的主要因素有：可支配收入X、居民流动资产拥有量K、服装价格指数P1、物价总指数P0。 已知某地区的有关资料，根据散点图判断，建立线性服装消费支出模型： Y=?0+?1X+?2K+?3P1+?4P0+? 2、样本数据 由于R2较大且接近于1，而且 F=638.4，大于临界值：F 0.05(4,5)=15.19，故认为服装支出与上述解释变量间总体线性关系显著。 但由于变量K的参数估计值的t检验值较小（未能通过检验），故解释变量间存在多重共线性。 3、估计模型 （1）用OLS法估计上述模型： （2）检验简单相关系数 不难看出，各解释变量间存在高度相关性，其中尤其以P1和P0间的相关系数为最高。 （3）找出最简单的回归形式 可见，应选①为初始的回归模型。 （4）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。 4、讨论： ①在初始模型中引入P1，模型拟合优度提高，且参数符号合理，但P1的t检验未通过； ②再引入K，拟合优度虽有提高，但K与P1的t检验未能通过，且X与P1的t检验值及F检验值有所下降，表明引入K并未对回归模型带来明显的“好处”，K可能是多余的； ③去掉K，加入P0，拟合优度有所提高，且各解释变量的t检验全部通过，F值也增大了。 ④将4个解释变量全部包括进模型，拟合优度未有明显改观，K的t检验未能通过，K显然是多余的。 5、结论 回归方程以Y=f(X, P1, P0)为最优： Y=-12.45+0.10X-0.19P1 +0.31P0 附录 案例B：中国消费函数模型 1、OLS法估计结果 2、差分法估计结果 3、比较 β1：0.48095→0.49672 β2：0.19854→0.15850 在消除了共线性后，GDP对CONS的影响增大，CONS1对CONS的影响减少。 当模型存在共线性，将某个共线性变量去掉，剩余变量的参数估计结果将发生变化，而且经济含义有可能发生变化； 严格地说，实际模型由于总存在一定程度的共线性，所以每个参数估计量并不真正反映对应变量与被解释变量之间的结构关系。 样本资料的限制 完全符合理论模型要求的样本数据较难收集，在现有数据条件下，特定样本可能存在某种程度的多重共线性。 例，将家庭孩子的考试分数Y与教育支出X1和家庭人均收入X2相关联设定如下模型： 多重共线性是一种样本现象，近似多重共线是难以避免的。 二、多重共线性的后果Consequences of Multicollinearity 1、完全共线性下参数估计量不存在 如果解释变量之间存在完全共线性，则(X’X) -1不存在，无法得到参数的估计量。 多元线性回归模型 的普通最小二乘参数估计量为： 因为 如果 解释变量 k X X X , , , 2 1 L 完全 共 线性 ， 那么 通过 适当的线性变换，可以将 X 中某一列的全部元素变为 0 ，从而行列式 0 = ￠ X X 。 2、近似共线性下OLS法参数估计量方差变大 在一般共线性（或称近似共线性）下，虽然可以得到OLS法参数估计量，但是由参数估计量方差的表达式 可以看出，由于此时|X’X|?0，引起(X’X)-1主对角线元素较大，从而使得参数估计量的方差也较大，从而不能对总体参数做出准确推断。 以二元回归模型y=?1x1+?2x2+? 中的参数估计量 为例，分析当共线性存在时，估计量的方差。