[]计量经济学第十章.ppt

10.2出现完全多重共线性时的估计问题 问题在于无法从中计算出具体的数值 10.3出现“高度”但“不完全”多重共线性时的估计问题 10.4多重共线性：理论后果 近似多重共线性下，OLS估计量仍保持BLUE性质。 多重共线性的问题主要是在于难以得到标准误小的系数估计值。 多重共线性，少量观测值，自变量的小方差性，都会导致相同的结果。 10.5多重共线性的实际后果 一、OLS估计量的大方差性与协方差 r23是 X2和X3之间的相关系数。当r23→1时， 二、更宽的置信区间 由于大的标准误，因此有关总体参数的置信区间随之变大。 三、“不显著”的t比率 在做t检验时，由于多重共线性的存在，使得回归系数的标准差迅速扩大，从而t值迅速缩小，在做系数为零的检验时，我们会越来越多地接受有关真实总体值为零的虚拟假设。 四、R2值高而显著的t比率少 在多重共线性存在的情形中，有可能会出现一个或多个偏斜率系数，在t检验的基础上，个别地在统计意义上是不显著的，然而这时的R2却很高。 五、OLS估计量及其标准误对数据微小变化的敏感性 只要多重共线性还不是完全的，回归系数的估计就是可能的。然而，估计值及其标准误对数据中的哪怕是小小的变化，也会非常敏感。 例子： 10.6一个说明性例子：消费支出与收入和财富的关系 10.7多重共线性的侦察 DETECTION OF MULTICOLLINEARITY 10.8补救措施 无为而治 多重共线性是上帝的意志 经验程序 1.先验信息。 2.横截面数据与时间序列数据并用。 3.剔除变量与设定偏误。 4.变量代换。 5.补充新数据。 6.在多项式回归中降低多重共线性。 7.拯救多重共线性的其他方法。 10.10一个引申的例子：朗利数据 高的 R2和不显著的t检验。 回归元之间有高度的两两相关。 检查偏相关。 4. 辅助回归。 5. 本征值与病态指数。 6. 容许度与方差膨胀因子。 * MULTICOLLINEARITY: WHAT HAPPENS IF THE REGRESSORS ARE CORRELATED 第十章 多重共线性 1. What is the nature of multicollinearity? 2. Is multicollinearity really a problem? 3. What are its practical consequences? 4. How does one detect it? 5. What remedial measures can be taken to alleviate the problem of multicollinearity? 10.1 多重共线性的性质 THE NATURE OF MULTICOLLINEARITY 定义：多重共线性是指一个回归模型中的一些或全部解释变量之间存在一种“完全”或“准确”的线性关系。 一个回归模型中的一些或者全部解释变量之间存在一种“完全”或准确的线性关系。 也包括诸变量之间有交互相关，但又非完全相关的如下情形。 例子： 多项式的情形不违反多重共线性假设： 巴伦坦图：The Ballentine view of multicollinearity. 为什么有无多重共线性假定： 如果存在多重共线性尤其是完全的多重共线性，诸变量的回归系数将是不确定的，并且它们的标准误为无穷大。如果多重共线性是欠完全的，虽然回归系数可以确定，却有较大的标准误，其含义为系数不能以很高的精确或准确度加以估计。 产生多重共线性的原因： 1.数据采集所用的方法。 2.模型或从中取样的总体受到约束。 例如：消费、收入、住房面积和财富。 3.模型设定 4.一个过度决定的模型overdetermined 模型的回归元个数大于观测次数时。 假定 X3i = λX2i , 其中 λ 是非零常数。将其带入 (7.4.7)中有： 同理 也成立。 x3i = λx2i + vi (10.3.1) 通常，X变量之间并无准确的线性关系，而是如下形式 其中 λx2i + vi (10.3.1) 其中λ ≠0，而 vi 是一个随机误差项且∑x2ivi = 0. 在此情景中偏回归系数的估计是可能的。 定义： 方差膨胀因子： variance-inflating factor (VIF) 若 r23＝0时，VIF＝1; 当r23→1时，VIF →∞ 其中R2j 为Xj 对其余（k-2）个回归元进行回归的R2 定义： VIF的倒数被称为容许度 to