一、多重共线性的概念二、产生多重共线性的原因三、多重共.pptVIP

一、多重共线性的概念 二、产生多重共线性的原因 三、多重共线性对OLS估计量的影响 四、多重共线性现象的侦察 五、对多重共线性问题的补救;7.1 多重共线性的概念; 一、完全多重共线性 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多重共线性（perfect multicollinearity）。 在矩阵表示的线性回归模型Y=X?+?中，完全共线性指：秩(X)k+1，即： 中，至少有一列向量可由其他列向量（不包括第一列）线性表出。如X2=kX1，则X2对Y的作用可由X1代替。;注意： 完全多重共线性的情况在经济学中并不多见，一般出现的是在一定程度上的共线性，即不完全的多重共线性。 二、不完全多重共线性 如果存在 c1X1i+c2X2i+…+ckXki+vi=0 i=1,2,…,n 其中ci不全为0，vi为随机误差项，则称为 不完全多重共线性或欠完全多重共线性（approximate multicollinearity）。;7.2.产生多重共线性的原因;（3）多项式项的引入 如研究企业的成本与产量之间的关系时，往往在成本模型中引进产量的三次方，即： 在这种模型中，解释变量之间可能存在一定程度的多重共线性。 （4）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，特定范围内抽取样本可能存在某种程度的多重共线性。 进一步地讲，如果在实际应用中我们有足够多的样本，解释变量的多重共线性程度就会大大降低。这就再次说明，多重共线性本质上是样本问题。;7.3 多重共线性对OLS估计量的影响; 在完全多重共线性下， 导致上面两式的分母都等于0，因此OLS估计量的方差和标准误都是无穷大。 二、不完全多重共线性下OLS的后果 不完全的多重共线性下，可以得到OLS参数估计量，但参数估计量方差的表达式为  由于|X’X|?0，引起(X’X)-1主对角线元素较大，使参数估计值的方差增大，OLS参数估计量仍然是有效，但有效并不意味着方差的值较小。 1.参数估计量的方差增大 以二元线性离差模型 ：y=?1x1+?2x2+? 为例: ;X1与X2的线性相关系数的平方r2，由于 r2 ?1，故 1/(1- r2 )?1。在X1与X2为不完全多重共线性时，OLS估计量方差会很大，而且随着共线性程度增加，两个估计量的方差也将随之增大。因此，从这个角度看，解释变量具有不完全多重共线性时，OLS的估计量虽然仍具有最小方差性，但方差最小是相对其他的线性和无偏估计量而言。 2.参数的估计精度较低 当存在不完全多重共线性时，从上面已经知道，参数的OLS估计量方差较大，其标准误也就较大，从而使得参数估计量的精度较低。 ; 3.参数估计量经济含义不合理 如果模型中两个解释变量具有线性相关性，例如 X2= ?X1 ，这时，X1和X2前的参数?1、?2并不反映各自与被解释变量之间的结构关系，而是反映它们对被解释变量的共同影响。?1、?2已经失去了应有的经济含义，于是经常表现出似乎反常的现象：例如?1本来应该是正的，结果恰是负的。 在含两个解释变量的回归模型中， 的经济含义是：在X2保持不变的条件下，X1变化一个单位会导致被解释变量平均变化 个单位，显然如果两个解释变量存在较强的线性关系，则在保持X2不变的条件下，X1变化一个单位时，X2也会变化，因此， 不能正确度量解释变量X1单独对被解释变量的平均影???。;4. 显著性检验的结论可能失效;5. OLS估计量及其标准误对样本数据微小变化较敏感 以两个解释变量的回归模型为例，OLS估计量的方差和标准误都与解释变量之间的相关系数有关，而相关系数 的微小变化，都导致 的变化非常明显，从而使标准误会发生显著变化。 如：当 由0.9增加到0.95时， 的值由10增加到20。;总结： 除非是完全多重共线性，否则多重共线性并不意味着任何基本假设的违背；也就是说，不完全的多重共线性并不违背经典假定； 因此，即使出现较高程度的多重共线性，OLS估计量仍然具有最佳线性无偏估计量的统计性质，即高斯-马