第四章 多重共线性58.pptVIP

第四节 多重共线性的补救 多重共线性的主要后果是参数估计量具有较大的方差，所以采取适当方法减小参数估计量的方差，虽然没有消除模型中的多重共线性，但确能消除多重共线性造成的后果。 1. 剔除变量法 本 章 作 业 练习题4.6 * * * 对比 在只有两个解释变量时(如前面的讨论) 当有多个解释变量时，作 对其他解释变量的辅助回 归，并计算可决系数 ， 注意： 是多个解释变量辅助回归的多重可决系数， 而相关系数 只是说明两个变量的线性关系 。 （一元回归中可决系数的数值等于相关系数的平方） * * 由 越大 多重共线性越严重 VIFj越大 VIFj的大小可以反映解释变量之间存在多重共线性的严重 程度。 优点：可从数量上判断多重共线性的程度 （给出了一种经验规则） 经验表明： VIFj ≥ 10时，说明该解释变量与其余解释 变量之间有严重的多重共线性，且这种多重共线性可能会 过度地影响最小二乘估计。 方差扩大因子的作用 ＶＩＦ的计算 以引子为例： １.建立以建筑业增加值ＪＺＺ为被解释变量，其余５个解释变量为解释变量的回归方程，即进行回归，并在ＥｑｕａＴＩｏｎ窗口Ｎａｍｅ处将其命名为ｅｑｊｚｚ。 ２.在主窗口输入命令： 　ｓｃａｌａｒ　ｖｉｆｊｚｚ＝１/（１-ｅｑｊｚｚ.@R2） 3.双击Ｗｏｒｋｆｉｌｅ中的ｖｉｆｊｚｚ，在主窗口左下角出现建筑业增加值的方差膨胀因子． * * 五、 逐步回归检测法 基本思想：将变量逐个的引入模型，每引入一个解释变量 后，都要观察可决系数的变化，进行Ｆ检验，并对已经选 入的解释变量逐个进行t检验。 （1）当引入新变量后可决系数显著改善，原来的解释变 量的显著性不变化，说明新变量是独立解释变量 （2）当引入新变量后可决系数变化不显著，或使得原来 的解释变量变得不再显著时，说明新变量不是独立解释变 量，则提示很可能引起了多重共线性。 当出现多个解释变量之间高度相关的时候，逐步回归方法 是一种检测多重共线性的方法。 (1)对两个解释变量的模型，采用简单相关系数法 求出X1与X2的简单相关系数r，若|r|接近1，则说明两变量存在较强的多重共线性。 Eviews中直接选用Corr命令 (2)对多个解释变量的模型，采用综合统计检验法 若 在OLS法下，模型的 与F值较大，但各参数估计值的t检验值较小，说明各解释变量对Y的联合线性作用显著，但各解释变量间存在共线性而使得它们对Y的独立作用不能分辨，故t检验不显著。 一般而言,检验多重共线性是否存在 把方差扩大因子最大者所对应的自变量首先 剔除再重新建立回归方程，直至回归方程中 不再存在严重的多重共线性。 　 一般而言，在选择回归模型时，应将回归系数的显著性检验、方差扩大因子的多重共线性检验与解释变量经济含义结合起来，通过经济分析确定变量的相对重要性，剔除不重要的解释变量。 注意: 若剔除了重要变量，可能引起模型的设 定误差（第九章）。 * 2、增加样本容量 多重共线性的后果主要是方差变大，在有两个解释变量时 式中 为常数， 确定后，当样本容量越大时， 越大，可使 变小，从而减轻多重共线性 的影响 注意： ●增大样本容量只能减轻多重共线性的影响，不能根本解决它，当 时，仍有 ●增大样本容量有时十分困难，受到数据来源的限制 * 3、利用先验信息 先验信息：在此之前的研究所提供的信息。 利用某些先验信息可把有共线性的变量组成新的变量，从而消除多重共线性 （举例：生产函数,利用规模报酬不变 的先验信息，把有共线性的变量组成新的变量,可避免共线性） （ 与 有多重共线性） * 4、截面数据与时间序列数据的结合 有时在时间序列数据中多重共线性严重的变量，在截面数据中不一定有严重的共线性 假定前提：截面数据估计出的参数在时间序列中变化不大 方法：先用截面数据估计出一个变量的参数，再代入原模型 用时间序列数据估计另一个变量的参数 如 （Y商品销售量，P价格，I收入） 先用截面数据估计 （若各截面价格视为相同，即“保持价格不变”）， 即 再用时序数据