多重共线性问题.pptVIP

第八章 多重共线性问题 一、问题的种类和原因 二、多重共线性的危害 三、多重共线性的测定 四、多重共线性的克服和处理 8.1 问题的种类和原因 1、完全多重共线性 一个自变量刚好是其他自变量的线性组合 如果存在 c1X1i+c2X2i+…+ckXki=0 i=1,2,…,n 其中: ci不全为0，则称为解释变量间存在完全共线性（perfect multicollinearity）。矩阵X至少有一列向量可由其他列向量（不包括第一列）线性表出，它是非满秩的。 模型设定问题 识别问题 8.1 问题的种类和原因 8.1 问题的种类和原因 3、实际经济问题中的多重共线性 一般地，产生多重共线性的主要原因有以下三个方面： （1）经济变量相关的共同趋势 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。 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。 8.1 问题的种类和原因 （2）滞后变量的引入 在经济计量模型中，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。 （3）样本资料的限制 由于完全符合理论模型所要求的样本数据较难收集，特定样本可能存在某种程度的多重共线性。 一般经验： 时间序列数据样本：简单线性模型，往往存在多重共线性。 截面数据样本：问题不那么严重，但多重共线性仍然是存在的。 8.2（近似）多重共线性的危害 1、普通最小二乘法估计量的方差和标准差变大，即精确度下降； 2、置信区间变宽； 3、t值不显著； 4、R平方值较高，但t值并不都显著； 5、OLS估计量及其标准差对数据的微小变化非常敏感，即它们趋于不稳定； 多重共线性使参数估计值的方差增大，1/(1-r2)为方差扩大因子(Variance Inflation Factor, VIF) 8.2 （近似）多重共线性的危害 6、回归系数符号有误； 7、难以衡量各个解释变量对回归平方和（ESS）或者R2的贡献。 总之，随着多重共线性程度的提高，参数方差会急剧上升到很大的水平，理论上使最小二乘法估计的有效性、可靠性和价值都受到影响，实践中参数估计的稳定性和可靠程度下降。 8.3 多重共线性的测定 1、R2较高、F检验通过但有些系数不能通过t检验； 2、解释变量两两高度相关：检验解释变量相互之间的样本相关系数； 3、方差扩大（膨胀）因子检验； 4、状态数检验。 注意：没有一种检验方法能够使我们彻底解决多重共线性问题。多重共线性是一个程度问题。 方差扩大因子检验 分析已知 记 为 ， 为 。 当 时， 当 时， 自变量xj的方差扩大因子（Variance Inflation Factor)定义为矩阵(X’X)-1中第k个对角元素，即 实例二： 1960至1982年期间美国的鸡肉需求： 有关变量：平均每人鸡肉消费量（Y），每人实际可支配收入（X2），鸡肉的实际零售价格（ X3），猪肉的实际零售价格（ X4），牛肉的实际零售价格（ X5） 初步回归 相关矩阵 辅助回归 状态数检验 状态指数 将X矩阵的每一列xk用其模 相除以实现标准化，然后再求X’X矩阵的特征值，取其中最大的除以最小的后再求平方根，得到该矩阵的“状态数”，记为： 通常当 大于20或30时，认为存在较明显的多重共线性。 确定哪些解释变量的系数受到多重共线性的影响： 先计算各个特征值的“状态指数” 这些状态指数的水平在1到 之间，很可能有好几个超过20-30的“危险”水平。 8.4 多重共线性的克服和处理 1、增加样本容量 样本容量越大，变量相关性越小，相关越难。但有局限性，不一定解决问题 2、差分方程 3、模型修正 4、岭回归方法、主成分分析方法等 差分方程 线性回归模型为 且已知X1和X2之间存在多重共线性问题。 作如下变换： 改用差分方程 进行回归，受多重共线性的影响比较小。 模型修正 （1）删减解释变量（利用检验结论、经验等），但从模型中删减解释变量可能导致“模型设定误差”。 （2）重新考虑模型（利用原模型回归信息、经验等） （3）变