第四部分多重共线.pptVIP

第四章 多重共线性 问题的提出 在前述基本假定下OLS估计具有BLUE的优良性。 然而实际问题中，这些基本假定往往不能满足，使OLS方法失效不再具有BLUE特性。 估计参数时，必须检验基本假定是否满足，并针对基本假定不满足的情况，采取相应的补救措施或者新的方法。 检验基本假定是否满足的检验称为计量经济学检验 回顾6项基本假定 （1）解释变量间不相关（无多重共线性） （2）E(ui)=0 （随机项均值为零） （3）Var(ui)=?2 （同方差） （4）Cov(ui, uj)=0（随机项无自相关） （5）Cov(X, ui)=0（随机项与解释变量X不相关） （6）随机扰动服从正态分布。 不满足基本假定的情形（1） 1、通常不会发生随机扰动项均值不等于0的情形。若发生也不会影响解释变量的系数，只会影响截距项。 2、随机扰动项正态性假设一般能够成立，就算不成立，在大样本下也会近似成立的。所以不讨论此假定是否违背。 不满足基本假定的情形（2） 3、解释变量之间相关=多重共线 4、随机扰动项相关=序列自相关 时间序列数据经常出现序列相关 5、随机扰动项方差不等于常数=异方差 截面数据时，经常出现异方差 解决问题的思路 1、定义违反各个基本假定的基本概念 2、违反基本假定的原因、背景 3、诊断基本假定的违反 4、违反基本假定的补救措施（修正） 本章主要介绍 4.1 多重共线性的实例、定义、产生背景； 4.2 多重共线性产生的后果； 4.3 多重共线性的检验； 4.4 多重共线性的修正。 4.5 违反三个假定的总结 4.6 案例 4.1 多重共线性的实例、定义、产生背景 4.1.1 实例 例一 消费与收入、家庭财富 例二 汽车保养费与汽车行驶里程、拥有汽车时间 4.1.2 多重共线性的定义 多重共线性：在多元线性回归模型中，解释变量之间存在着完全的线性关系或近似的线性关系 4.1.2 多重共线性的定义－－矩阵形式 多重共线性分类的矩阵形式 4.1.3 产生多重共线性的背景 （1）时间序列数据中经济变量在时间上常有共同的变动趋势；时间序列样本：经济繁荣时期，各基本经济变量（收入、消费、投资、价格）都趋于增长；衰退时期，又同时趋于下降。 （2）经济变量之间本身具有内在联系（常在截面数据中出现）；横截面数据：生产函数中，资本投入与劳动力投入往往出现高度相关情况，大企业二者都大，小企业都小。 4.1.3 产生多重共线性的背景 （3）由于某种决定性因素的影响可能使各个变量向着同方向变化； （4）滞后变量引入模型，同一变量的滞后值一般都存在相互关系；在计量经济模型中，往往需要引入滞后经济变量来反映真实的经济关系。 例如，消费=f(当期收入, 前期收入） 显然，两期收入间有较强的线性相关性。 有的学者认为多重共线性是一个数据样本的问题。 一般经验 对于采用时间序列数据作样本、以简单线性形式建立的计量经济学模型，往往存在多重共线性。 以截面数据作样本时，问题不那么严重，但多重共线性仍然是存在的。 4.2 多重共线性的后果 4.2.1 完全多重共线性下的后果 （1）参数估计值不确定； （2）参数估计值的方差无限大； 4.2.2 不完全多重共线性下的后果 （1）参数估计仍是无偏估计，但不稳定；估计量及其标准差非常敏感，观测值稍微变化，估计量就会产生较大的变动。 （2）参数估计式的方差随着共线性程度的增大而增大。 （3）t检验失效，区间估计失去意义；估计量的方差很大，相应标准差增大，进行t检验时，接受零假设的可能性增大 （4）严重多重共线性时，甚至参数估计式的符号与其经济意义相反。得出完全错误的结论。 4.2.2 一般共线性下普通最小二乘法参数估计量非有效 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为 即：多重共线性使参数估计值的方差增大，方差扩大因子(Variance Inflation Factor)为1/(1-r2)，其增大趋势见下表： 4.2.2 参数估计量经济含义不合理 如果模型中两个解释变量具有线性相关性，例如X1和X2，那么它们中的一个变量可以由另一个变量表征。 这时，X1和X2前的参数并不反映各自与被解释变量之间的结构关系，而是反映它们对被解释变量的共同影响。 所以各自的参数已经失去了应有的经济含义，于是经常表现出似乎反常的现象，例如本来应该是正的，结果恰是负的。 举例 举例 4.3 多重共线性的检验 （1）简单相关系数矩阵法（辅助手段） 此法简单易