2001年经济统计处理讲义内容.pptVIP

第1節　多重共線性 １　多重共線性 第2節　系列相関 １　系列相関 ２　系列相関の判定　－ダービン?ワトソン比－ ５　系列相関への対処法（２）　－コクラン?オーカット法－ ４　系列相関への対処法（１）　－一般化最小2乗法－ ３　ダービンのh統計量 第3節　不均一分散 １　不均一分散 ２　不均一分散の判定 ３　不均一分散の解決法（１） ４　不均一分散の解決法（２）　－加重最小2乗法－ 前章までの回帰分析では、パラメータ推定値を求める際に、最小2乗法を用いてきた。しかし、この章で示す 　　（１）　多重共線性 　　（２）　系列相関 　　（３）　不均一分散 　といった状況が起こっているときには、最小2乗法によるパラメータ推定値は信頼できない。 　そこで、これらの状況が起こっている、［原因］［症状］［判定法］［対処法］について示す。 たとえば風邪を引いた場合を例に考えてみよう ［原因］ 寒い中薄着で人混みに出かけた ［症状］ 発熱、せき、くしゃみ、鼻水 ［判定法］ のどを見ると赤くはれている。 体温を測ると、38度ある。 ［対処法］ ゆっくり休む。（根治療法） ウイルスを殺す薬を飲む（対処療法） 熱を下げる薬を飲む（対処療法） 第1節　多重共線性 １　多重共線性 　多重共線性とは、重回帰分析において、説明変数間に強い相関が見られることである。 ［原因］ モデルの中に強い相関関係をもつ複数の説明変数を入れてしまった。 ［症状］ 推定値の符号が理論に一致しない。 決定係数R2は大きいのに、個々のt値が小さい。 データの値を少し変えたり、少し追加?削除すると、係数推定値が大きく変化する。 説明変数を増減すると、推定値が大きく変化する。 ＜厳密な多重共線性＞ Y=a+bX+cW+u 　　というモデルを考える。このモデルにおいて、W=αXという関係があったとする。 　　このとき、正規方程式は次のようになる。 　　3本目の方程式は2本目の方程式をα倍したものとなり、実質的には2本の連立方程式である。 　　未知数は　　　　の3つであるのに対し、方程式は2つであるので、解を一意に決定することはできない。　　 （数値例について） 　数値例について次のようなことがいえる。 R2は大きいのに、t値は有意ではない。 データを少し変化させたときに、係数推定値は大きく変化する。 Wの係数の符号は負となるので、分析結果からはWが大きくなるとき、Yは小さくなるという結論が導き出されるが、データをみるとその逆である。(YとWには正の相関がある。R=0.7) これらが多重共線性の[症状]である。 　多重共線性を幾何的に考えると、1枚の平面を1本の直線で支えることによっておきる不安定性である。（図４－４） ［判定法］ 相関係数行列 VIF値 　（VIF(Variance Inflation Factor)値について） 　VIF値は個々の説明変数について、次のように定義される。 　 　　ここで、R2i はi番目の説明変数を他の説明変数に対して回帰した場合の決定係数であり、説明変数が2つのみの場合には、単相関係数の2乗となる。 　　このVIFが10を超えるような場合には、多重共線性の疑いがあるという判断をする。 ［対処法］ 相関の高い説明変数のいずれかを除去する。（根治療法） データの期間を延長する、あるいは年次データでだめなら四半期データや月次データなどを用いて、データの数を増やす。 説明変数や被説明変数を階差あるいは比率の形にする。 相関の高い説明変数を合成し、新しい説明変数を作る。 主成分回帰やリッジ回帰などの方法を用いる。（非常手段） 　多重共線性が起こっている場合、相関の高い複数（ここでは２つとする）の変数のうち、1つをとり除くことが根本的な解決法である。 　しかし、経済理論からの考えて、1つをとり除くことが不可能なこともあり、その場合には下のいくつかの対処法をとることになる。 第2節　系列相関 １　系列相関 撹乱項utには次のような仮定をおいてきた。 　　①　utは正規分布にしたがう。 　　②　utの平均は0である。 　　③　utの分散は一定値σ2である。 　　④　撹乱項utは相互に独立である。 　このうちの④の仮定が満たされないことが系列相関である。 　すなわち、時系列データにおいて、異なる2時点の撹乱項utとusの間に相関があるということである。 ［原因］ 重要な説明変数の欠落 経済行動における習慣性やショックの影響の継続 データの加工時 ［症状］ 回帰係数の推定値はBLUEではなく、標準誤差を過小推定してしまう。　 　?　t値、F値、R2などを大きめに計算してしまい、本当は有意でないものを誤って有意とみなす。 　?　本当は妥当でないモデル