9多重共线性问题(fixed).pptVIP

1、多重共线性是一个程度问题而不是有无的问题，有意义的区分在于区分它的不同程度和不同后果，而不在于区分有无。 2、多重共线性是一种样本特征，而非总体特征。 3、由于大多数社会科学中收集得到的数据都是非试验性数据，因此没有侦破或识别其强度的唯一方法。我们所探讨的只是一些经验规则，不可能放之四海而皆准。 三、多重共线性的检验 一点忠告： 二、解释变量两两高度相关。 如果某个相关系数很高，比如说高于0.8，则可能存在严重的共线性。注：该方法的局限性主要在于相关系数只能测度两个解释变量之间线性相关的程度，而不能测度三个或更多解释变量之间的线性相关程度。另外要特别注意的是，有时候两两相关系数都较低，但三个以上的变量间却有高度共线性。 三、辅助回归（判定系数测度法） * 例：考虑Y对X1、X2、X3、X4、X5和X6 6个解释变量的回归。 找出变量线性组合具体方法： 作6个辅助回归 根据方程的F值判断哪些解释变量是共线性的？ * F值是否显著？ 是 否 是 是 否 方程 R2值 F值 X1对剩余变量的回归 0.90 79.20 X2对剩余变量的回归 0.18 1.93 X3对剩余变量的回归 0.36 4.95 X4对剩余变量的回归 0.86 54.06 X5对剩余变量的回归 0.09 0.87 X6对剩余变量的回归 0.24 2.87 是 对每个解释变量作剩余变量的回归分析 四、逐步回归法 五、方差膨胀因子判断法 四、多重共线性的补救措施 多重共线性的主要后果在于使得参数估计量的方差变大，从而降低估计精度。 因此，补救严重共线性的目的都是为了能够降低估计方差，提高估计精度。 一、增加样本容量 建模时样本数据太少，易产生多重共线性。在保持模型结构不变的前提下，如果增加新的样本数据或更换样本数据，共线性问题也许会减弱。（这或许是最好的办法，但实际上难以实现，特别是在时序回归分析中。） 二、从模型中删掉一个变量 如果共线性问题很严重，最简单的解决办法就是去掉一个或者多个共线性的变量。 但是，如果去掉的变量与因变量相关的程度很高，那么这种做法将会导致严重的模型设定偏误，使得系数估计量有严重偏误。 如果目的是为了牺牲无偏性去获得估计的高精度，那么去掉共线性强的变量是最简单易行的方法。 三、利用先验信息 四、数据结合（先验信息法的变种） 如果时间序列回归模型存在多重共线性，可考虑用截面数据回归来获得先验信息。 例如：某种商品的需求函数： 如果拥有大量该商品消费的截面数据，那么可以做消费量对收入的截面数据回归，以此获得收入系数的估计值。由于同一时期价格的变化还不很大，因此可以很可靠地估计收入系数。 显然，该模型消除了共线性问题，但是该办法无形中假定了收入系数的截面估计和时间序列估计是一样的。值得注意的是，时间发展变化过程中需求与收入的依赖关系是否完全与时间保持不变时两者的关系一致，这是一个疑问。 五、变量变换（差分变换、比率变换） 依据：增量之间的线性关系比原变量之间的线性关系一般要弱一些，因而差分模型的多重共线性程度有明显的降低。 但问题是，如果原模型的随机干扰项无自相关，那么差分模型将存在自相关问题。 * 例1 我国居民家庭电力消耗量与可支配收入及居住面积的关系 * 表10.2 1985~1997年我国年人均家庭电力消耗量、年人均可支配收入及人均居住面积 （数据来源：中国统计年鉴1999。其中人均居住面积和人均可支配收入数据是根据统计年鉴中城乡数据和城乡人口平均得到的。） * 正相关关系，相关系数是r = 0.972。 判定：住房面积与收入高度共线的。 1）作用电量与家庭收入的回归，结果如下： POWER = －113.8 + 0.544 INC se (5.588) (0.018) t (-20.36) (30.27) R2=0.988, D.W = 1.07, F = 916.34 2）作用电量与住房面积的回归，结果如下： POWER = －161.29 + 13.93 SQLIV se (15.88) (1.023) t (-10.16) (13.61) R2=0.944, D.W = 1.03, F = 185.29 3）作二元回归方程： POWER=－125.35 + 0.441 INC + 2.809 SQLIV se (-8.362) (0.061) (1.606) t (-14.99) (7.19) (