5第四章 多重共线性.pptVIP

* * * * * * * * 第四章 多重共线性 §4.1 多重共线性的现象与原因 §4.2 多重共线性的后果 §4.3 多重共线性的检验 §4.4 多重共线性的补救措施 §4.5 多重共线性的案例分析 4.1 多重共线性的现象与原因4.1.1 多重共线性的现象 假定6： 解释变量之间不存在多重共线性。 （所谓多重共线性，就是解释变量之间高度相关，存在显著的线性关系）。 复习OLS的假定 【例】假设有10个家庭的年消费支出、年收入和财富（如储蓄等）的情况如下表所示，试对年消费支出进行多元回归分析。 　 　 　 　 　 　 　 　 　 单位：百元 E（消费支出） 70 65 90 95 110 115 120 140 155 150 I（收入） 80 100 120 140 160 180 200 220 240 260 W（财富） 810 1009 1273 1425 1633 1876 2052 2201 2435 2686 多元回归结果出现异常： （1） W（财富）的回归系数出现负号，与理论不符； （2） 决定系数和 F值很大，但 t 值很小。 相关系数矩阵： 解释变量 I（收入）与 W（财富）之间的相关系数 0.9， 说明解释变量之间高度线性相关。 由此推断，回归模型中存在多重共线性。 多重共线性的极端情形 问题： 如果 ，X2与X3 是否完全线性相关？ 代表消费支出； 表示收入； 表示财富。 如果解释变量 与 之间的相关系数等于1，说明解释变量之间完全线性相关。 例如 。 4.1.2 多重共线性原因 经济变量之间的内在联系 如生产函数中的劳动与资本，消费函数中的收入与财富等，都在一定程度上存在相关，所以多重共线性不可避免，只是程度不同而已。 2. 模型中引入滞后变量 如在消费函数中，解释变量除了本期收入外，还引入前期收入，这前后两期收入之间可能高度相关，从而引起多重共线性。 3. 经济变量有共同变化趋势 如在经济繁荣、扩张时期，收入、消费、投资、就业人数等经济变量共同增长。由此，各变量的样本数据往往高度相关，从而引起多重共线性。 时序数据容易因上述第2、3种原因引起多重共线性。 截面数据不容易引起多重共线性。 4.1.2 多重共线性原因（续） 4.2 多重共线性的后果 1. 参数估计量的方差增大 VIF（Variance Inflating Factor）称方差膨胀因子。 是 X2 与 X3 的相关系数 导致回归参数的置信区间变大（即误差增大）。 的含义是：在其他解释变量保持不变的情况下， 变化一个单位，Y 变化 个单位。 2. 难以区分每个解释变量的单独影响 在多重共线性情况下，由于解释变量之间高度相关，无法满足“其他解释变量保持不变”的条件。所以 无法衡量某个解释变量的单独影响。 样本数据微小变化，回归参数的估计值显著变化。 不利于将模型用于预测。 3. 回归模型缺乏稳定性 由于回归参数估计量的标准差迅速增大，t值迅速减小。本来“参数为零”的假设可拒绝，结果导致接受。 4. t检验的可靠性降低 2. 直观判断法（系数判定法） （1）可决系数 0.8，但参数不显著； 4.3 多重共线性的检验 （2）F 检验显著，但 t 检验都不显著； （3）模型中增加一个新的解释变量后，原有参数的方差明显增大；或者参数的数值或符号受到显著影响。 1. 简单相关系数检验法 检验每两个解释变量的简单相关系数。 3. 利用解释变量之间的辅助回归方程的可决系数 进行判别 如果其中一个可决系数 0.9，则对应的解释变量与其他解释变量高度相关，存在多重共线性。 选取决定系数 最大者作为基本回归模型。 （1）选择基本回归模型 4. 逐步回归检测法（修正的Frish判别法） （2）在基本回归模型中逐个增加解释变量。 然后用系数判别法判别。 4.4 多重共线性的补救措施 根据建模目的决定可否无视多重共线性？ 1. 如果用于预测，只要可决系数较高，且解释变量之间的相关在预测期内保持不变，可无视多重共线性； 2. 如果要利用回归系数，分析比较各解释变量的单独影响（在结构分析或政策评价时），需要消除多重共线性。 消除多重共线性的方法 1. 剔除引起多重共线性的解释变量，但必须慎重，以免引起参数估计量的偏倚。 变换模型的形式 （1）变换函数形式。如对数模型，半对数模型，多项式模型； （2）变换