第八章多重共线性FF.docVIP

第8章 多重共线性 8.1完全与不完全的多重共线性 8.2 多重共线性的后果 8.3 多重共线性的侦察 8.4 多重共线性的补救 8.5选择适当的补救方法 8.6 总结和习题 8.7 附录 在接下来的三章中，我们将处理违背经典假设的情形并且修复对经典假设的违背。本章将分析多重共线性；随后两章将分别考察序列相关和异方差。对这三种问题的每一种，我们旨在回答下列问题： 1．问题的性质是什么？ 2．出现这种问题的后果是什么？ 3．怎样诊断？ 4．应该采取什么样的有效补救方法？ 严格来讲，完全多重共线性违背了经典假设Ⅵ，即任何一个自变量都不是另一个或多个自变量的完全的线性函数。完全的多重共线性是很少见的，而严重的不完全多重共线性则是常见的，尽管它没有违背经典假设Ⅵ，但依然会导致严重的问题。 回忆一下，系数可以认为是方程中其他自变量保持不变时，自变量增加一个单位对应变量的影响。但是在一个特定的样本中，假如两个解释变量显著地相关，当一个变量发生变化，另一个也将会随之改变，OSL计算方法难以把两个解释变量对被解释变量的影响区别开来。所有解释变量(Xs)在一个样本中联合变动的程度可能不同于另一样本，所以，不同样本中的多重共线性的程度就可能有很大的差异。 本质上讲，两个（或多个）自变量的相关程度越高，精确估计真实模型中的系数就越难。假如两个变量的变化相同，则不可能区别二者各自对应变量的影响；但如果变量之间仅仅是近似相关，那么我们仍然能足以精确地估计这两个变量的影响而实现大多数的研究目的。 8.1完全与不完全多重共线性 8.1.1完全多重共线性 完全多重共线性1共线性一词描述的是两个自变量之间的线性相关关系，多重共线性描述的则是两个以上的自变量之间的线性关系。一般而言，以上两种情形都可用多重共线性来表述，所以，尽管从严格来讲，我们在本书中所讨论的许多例子和方法都涉及共线性，但我们仍普遍使用多重共线性一词。 违背了经典假设Ⅵ，该假设要求任何一个解释变量都不是任何其他解释变量的完全线性函数。这里所谓的完全一词，意味着一个解释变量的变化可以完全由其他解释变量的变化来解释。两个自变量之间的完全线性函数可以表示为： （8-1） 其中是常数, X1和X2是以下方程的自变量: （8-2） 注意方程（8-1）中没有误差项。这意味着给定和这一方程，我们可以精确地计算出。具有这种完全线性关系的例子如下： （8-3） 图8-1描绘了完全相关的两个解释变量的关系图。如图8-1所示，一个完全线性函数的所有数值点都在同一条直线上，而没有典型回归模型中数据所具有的变异性(即对直线的偏离，译者注)。 见原书p247 图8-1 完全多重共线性 完全多重共线性是指一个自变量可以完全由一个或多个其他自变量的变化来解释。在进行回归分析之前，通过对自变量进行仔细筛选，完全多重共线性通常是可以避免的。在4.1节中，我们已经简要地提到了一些完全多重共线性的例子。回想一下，当名义利率和实际利率都作为方程的解释变量出现时，会产生什么样的后果。通常，由于二者之差即通货膨胀率总是在变化，名义利率和实际利率之间的关系也在不断地变化。假如在某种情形下，通货膨胀率是固定不变的（比如，在极其严格的价格管制期间），那么名义利率和实际利率之差也是固定的，两个变量将是完全线性相关的，完全多重共线性表现为： （8-4） 式中：—— 时刻的名义（或货币）利率 —— 时刻的实际利率 ：——时刻的通货膨胀率 ——固定的通货膨胀率 对存在完全多重共线性的计量经济方程进行估计,将会发生什么呢？ OLS将无法产生回归系数的估计量，大多数OLS计算程序在这种情形下会提示错误信息。我们以方程（8-2）为例，从理论上可以得出下列估计的系数和标准误差： =不确定 = （8-5） =不确定 = （8-6） 完全多重共线性，将使我们无法对这两个自变量加以区别，因而也就不可能对其系数进行估计。若一个变量变化，其他变量也随之以同样的方式变化，你就不可能“使方程中其他所有自变量保持不变”。 幸运的是，一个解释变量是其他解释变量完全线性函数的例子是很少见的。尤其是，在进行回归分析之前，你可以很容易地发现完全多重共线性。你可以通过以下几种方式来侦察是否存在完全多重