第六章违背基本假设的回归分析.ppt

* 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 (3)直观判定法 上述方法是为了诊断共线性是否存在的专门方法,相对这几种方法，还有一些在建模过程中顺便直观判断的非正规方法。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 1.当增加或剔除一个自变量,或者改变一个观测值时,回归系数的估计值发生较大变化,我们就认为回归方程存在严重的多重共线性。 2.从定性分析认为,一些重要的自变量在回归方程中没有通过显著性检验时,可初步判断存在着严重的多重共线性。 3.有些自变量的回归系数所带正负号与定性分析结果违背时,我们认为存在多重共线性问题。 4.自变量的相关矩阵中,自变量间的相关系数较大时,我们认为可能会出现多重共线性问题。 5.一些重要的自变量的回归系数的标准误差较大时,我们认为可能存在多重共线性。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 四、消除多重共线性的方法 当通过某种检验,发现解释变量中存在严重的多重共线性时,我们就要设法消除这种共线性。消除多重共线性的方法很多,常用的有下面几种。 （1）剔除一些不重要的解释变量 通常在经济问题的建模中,由于我们认识水平的局限,容易考虑过多的自变量。当涉及自变量较多时,大多数回归方程都受到多重共线性的影响。这时,最常用的办法是首先用第五章的方法做自变量的选元，舍去一些自变量。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 当回归方程中的全部自变量都通过显著性检验后，回归方程中仍然存在严重的多重共线性,有几个变量的方差扩大因子大于10,我们可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，如果仍然存在严重的多重共线性，则再继续剔除方差扩大因子最大者所对应的自变量，直到回归方程中不再存在严重的多重共线性为止。 有时，根据所研究的问题的需要，当回归方程中仍然存在严重的多重共线性时，也可以首先剔除方差扩大因子最大者所对应的自变量，依次剔除，直到消除了多重共线性为止，然后再做自变量的选元。或者根据所研究问题的经济意义，决定保留或剔除某自变量。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 在选择回归模型时,可以将回归系数的显著性检验、方差扩大因子VIF的多重共线性检验与自变量的经济含义结合起来考虑，以引进或剔除变量。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 （2）增大样本容量 建立一个实际经济问题的回归模型,如果所收集的样本数据太少,也容易产生多重共线性。增大样本容量也是消除多重共线性的一个途径 。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 在实践中,当我们所选的变量个数接近样本容量n时,自变量间就容易产生共线性。所以我们在运用回归分析研究经济问题时,要尽可能使样本容量n远大于自变量个数p。 增大样本容量的方法在有些经济问题中是不现实的,因为在经济问题中,许多自变量是不受控制的,或由于种种原因不可能再得到一些新的样本数据。在有些情况下,虽然可以增大一些样本数据,但自变量个数较多时,我们往往难以确定增加什么样的数据,才能克服多重共线性。 有时,增加了样本数据,但可能新数据距离原来样本数据的平均值较大,会产生一些新的问题,使模型拟合变差,没有收到增加样本数据期望的效果。 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §6.3 关于多重共线性问题 （3）回归系数的有偏估计 消除多重共线性对回归模型的影响是近40年来统计学家们关注的热点课题之一,除以上方法被人们应用外,统计学家还致力于改进古典的最小二乘法,提出以采用有偏估计为代价来提高估计量稳定性的方法,如岭回归法,主成分法,偏最小二乘法等,这些方法已有不少应用效果很好的经济例子,而且在计算机如