多重共线性剖析.ppt

第七章 多重共线性 多重共线性的概念…… 多重共线性的来源与后果…… 多重共线性的检验方法…… 多重共线性的克服方法——逐步回归法 多重共线性的概念 对于多元线性回归模型： 如果非零?使得下面的等式成立，则称这些解释变量存在完全的多重共线性。 更为一般的情形时，两个或多个解释变量之间是高度（但不完全）相关，这种情形被称为多重共线性（multicollinearity） 随着共线性程度的加强，对参数估计值的准确性、稳定性带来影响。但解释变量之间的多重共线并不违背模型的基本假定。对待共线性问题，我们关心的不是有无多重共线性，而是多重共线性的程度。 一个例子： 计量经济学考试成绩的回归模型： 其中，mathscore和econscore分别为数学成绩和经济学成绩；hourday 和hourweek分别为每天和每周学习计量经济学的时间；others还包含其他 一些变量，如监考老师的态度，身边有没有学习好的同学，是否发现书 上错误（+5分）等等。 能够对这个模型进行OLS估计吗？ 完全多重共线性是一种模型设定错误！！ 多重共线性的来源及后果 （1）经济变量在时间上有共同变化的趋势。 如在经济上升时期，收入、消费、就业率等都增长，当经济收缩期，收入、 消费、 就业率等又都下降。当这些变量同时进入模型后就会带来多重共线性 问题。 多重共线性的来源 （2）解释变量与其滞后变量同作解释变量。 例如：消费C和收入Y Ct =?0+ ? 1Yt+ ? 2Yt-1+ ut （3）样本数据自身的原因。 （1）当解释变量之间存在完全的多重共线性时，参数无法估计。 多重共线性的后果 其中eji是下面回归模型的OLS残差 完全的多重共线性意味着残差eji的平方和为零。 （2）当解释变量之间存在多重共线性时，OLS估计量仍然是BULE。但 OLS估计量的标准误会变大。 Rj2是将第j个解释变量Xj对所有其他解释量进行OLS回归得到的样本 可决系数R2。 被称为方差膨胀因子 以二元回归为例 R12是将解释变量X1对X2回归得到的样本可决系数R2。 （3）导致回归系数估计参数的显著性检验（t检验） 更不容易拒绝原假设，从而得出解释变量不显著的结论 当模型的拟合优度（R2）很高，F值很高，但每个回归参数估计值的方差Var(?j) 又非常大（即t值很低）时，说明解释变量间可能存在多重共线性。 例如：中国电信业务总量变化的影响因素是邮政业务总量、中国人口数、市镇人口占总人口的比重、人均GDP、全国居民人均消费水平。 Y = 24.94 + 2.16 X1 – 3.03 X2 + 33.7 X3 + 1.29 X4 - 2.03 X5+et (0.7) (1.6) (-0.8) (1.0) (1.5) (-1.2) R2 = 0.99, F = 106.3, DW = 3.4 多重共线性的检验 直接观察（常用） 计算解释变量之间的简单相关系数rXiXj ；或通过作两解释变量之间的散点图来考察两变量之间是否存在显著的线性关系。 两个解释变量的相关系数 X1 X2 X3 X4 X5 X1 ?1.000000 ?0.989519 ?0.970025 ?0.962777 ?0.970291 X2 ?0.989519 ?1.000000 ?0.988234 ?0.987184 ?0.988805 X3 ?0.970025 ?0.988234 ?1.000000 ?0.967789 ?0.965389 X4 ?0.962777 ?0.987184 ?0.967789 ?1.000000 ?0.998610 X5 ?0.970291 ?0.988805 ?0.965389 ?0.998610 ?1.000000 多个解释变量之间的相关性检验 Rj2是下面多元辅助回归模型的可决系数： Xji=?0+?1X1i+…+?j-1Xj-1i+?j+1Xj+1i+…?kXki+wi 看其值是否很大或接近于1。 参数估计值的经济检验 参数估计值的稳定性 多重共线性的克服方法