金融计量学_第四章_多重共线性和虚拟变量的应用教材教学课件.pptVIP

一般的，在虚拟变量的设置中，基础类型、否定类型取值为“0”，称为基底（base）类、基准（benchmark）类或参考（reference）类；而比较类型、肯定类型取值“1”。 虚拟变量和定量变量在回归模型中的应用是一样的。若一个模型中的解释变量全部都是虚拟变量，则此模型被称为方差分析模型（Analysis of Variance Model）；若解释变量中既有定量变量，又有虚拟变量，则该线性回归模型可称为协方差分析模型（Analysis of Covariance Model）。 例子 在我国上市公司中，个人做第一大股东的现象还非常少，主要是国家或法人作为公司的第一大股东。而国家作为第一大股东与法人相比，除了公司业绩，还有其它考虑，例如就业、形象工程、负责人升迁、上缴利税等，这些目标都或多或少有悖于公司利润最大化的目标。另外，国家控股的公司由国家选择代理人，而这些代理人往往是行政人员或官僚出身，没有经营管理的特长，进一步制约上市公司绩效的发挥。因此，总体而言，国家作为第一大股东的上市公司的绩效要低于法人做第一大股东的上市公司的绩效。为验证上述结论，我们建立如下的模型： 其中 为每股收益，用以代表公司绩效。 的定义方式如下： 1，国家是公司i的第一大股东 = 0，法人是公司i的第一大股东 由模型可以得到： 国家为第一大股东平均每股收益： ︱ = 法人为第一大股东平均每股收益： ︱ =0)= 虚拟变量的设置原则 许多金融现象表明，金融数据特别是时间序列数据常因某些非正常因素（如战争、自然灾害等）而产生较大的波动，这种波动使得被解释变量与解释变量之间的数量依存关系在某一期或暑期内同其它各期相比具有显著的差异。这种差异表现为描述变量之间关系的回归线（面）在不同时期内或截距项移动，或斜率移动，或截距项和斜率同时移动。 相应的，为表述这种移动，虚拟变量的引入方式也有如下的三种： （1）加法方式： （2）乘法方式： （3）同时以加法方式及乘法方式引入： 在同一个模型中，可以引入多个虚拟变量，但其设置必须遵循如下的原则：如果一个定性变量有m个类别，则仅要引入m-1个虚拟变量。 虚拟变量模型的运用 1、虚拟变量模型在调整季节波动中的运用 许多按月度或季度数据表示的金融时间序列，常呈现出季节变化的规律性，如公司销售额、通货膨胀率、节假日储蓄额等。在研究中，有时需要消除季节性因素的影响，即需要进行季节调整（seasonal adjustment）。进行季节调整有多种方法，而利用虚拟变量进行季节调整是较为简单的一种。 原模型： 引入虚拟变量： 2、虚拟变量模型在分段线性回归中的应用 在金融理论中，常常会出现一种情况：当某影响因素越过某一临界值，或时间过了某一临界点之后，因变量对影响因素的变化率将发生变化，在图形中就表现为斜率不同的两段连续折线。对构成折线的数据的回归即为分段线性回归。 例如： 利用虚拟变量，我们可以建立如下的回归模型： 图4-6 有两个转折点的联系折线 3、利用虚拟变量模型对平行数据进行混合回归 假定要研究某一类型上市公司资本结构与影响因素之间的关系，我们以总负债率（以Y表示）代表资本结构，其影响因素假设只有股权结构（以表示）、公司治理结构（以表示）、成长性（以表示）三个因素；遗憾的是，假设这一类型的上市公司只有两家，而每家也只有从1991-2004年共14年的年度数据。很明显，对每一年利用横截面数据回归是不能的（观测值个数小于待估参数的个数）。 而对每家公司利用时间序列数据回归，尽管可以得到系数估计值，但实际上由于两家公司类型相同，可能受某些相同因素的影响，所以两方程的随机误差项可能是同期相关的，对每个方程分别应用普通最小二乘回归是不合适的。 在此情况下，我们可以利用虚拟变量模型对时间序列和横截面数据的混合数据做出回归：  * * 第四章 多重共线性和 虚拟变量的应用 本章要点 多重共线性的含义 多重共线性产生的原因 多重共线性的后果 判断多重共线性的方法及其修正方法 虚拟变量的设置原则 虚拟变量模型的应用 邹氏检验的做法及缺陷 虚拟变量法检验结构稳定性的优点 多重共线性的概念 多重共线性（multicollinearity）一词最早由挪威经济学家弗瑞希（R.Frisch）于1934年提出。 其原义是指回归模型中的一些或全部解释变量中存在的一种完全(perfect)或准确(exact)的线性关系。而现在所说的多重共线性，除指上述提到的完全多重共线性（