第八章 多重共性：解释变量相关会有什么后果.pptVIP

第二部分 实践中的回归分析 基本假定违背：不满足基本假定的情况。 （1）模型设定有偏误；所选模型是正确设定的 （2）解释变量之间存在多重共线性； （3）随机误差项序列存在异方差性； （4）随机误差项序列存在序列相关性。 所选模型是正确设定的 解释变量之间不存在完全线性关系 误差项方差为常数 误差项之间不相关 基本假定 基本假定 基本假定 基本假定 第八章 多重共线性 Multi-Collinearity 一、多重共线性的性质 二、多重共线性的实际后果 三、多重共线性的诊断 四、克服多重共线性的方法 五、案例 一、多重共线性的性质 1、完全多重共线性 2、近似（不完全）多重共线性 对于模型 Yi=?0+?1X1i+?2X2i+?+?kXki+?i i=1,2,…,n 其基本假设之一是解释变量是互相独立的。 如果某两个或多个解释变量之间出现了相关性，则称为多重共线性(Multicollinearity)。 完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。 一个怪模型 商场销售额= B1营业面积+ B2店员人数+ B3铺租+ B4宣传费用+ui 何以怪？ 这样阐述事物，越说越乱，与其说是“解释”，毋宁是“蛊惑” 生产函数的多重共线性 如果技術不变，劳动与资本投入会是等比例的。比如，每增加一部缝纫机，就要增加一个工人。此时，投入品之间是完全共线性，即等比例变化。 多途径投放广告，销售额的变动到底来自哪种广告形式，无法区分。各广告形式之间经常存在共线性。 为什么不能容忍多重共线性？ 一个模型中的某个变量违背常识。比如某些积极因素被“算”成了消极因素 模型应该儘量简捷 奥卡姆剃刀：如无必要，毋增实体 产生多重共线性的背景 经济变量之间具有共同变化趋势 哲学观点：事物是普遍联繫的。联繫的紧密程度有所不同。多重共线性会经常出现 如果一个回归方程之中，幾个自变量之间具有比较强的相关性，则自变量之间可以互相解释，我们可以只留下一个自变量： 设y=x1+x2+c, 其中，x1=ax2, 则y=ax2+x2+c=(a+1)x2+c 模型中包含滞後变量 利用截面数据建模也可能出现多重共线性 经济学理论有“互补品”与“替代品” 样本数据自身的原因 心理学家的调查数据经常出自大学生 8.1 多重共线性的性质The nature of multicollinearity 表8-1中,x2每上升1，x3会下降2，这是完全的共线性，它们之间的函数关係是x3=300-2x2，也就是说，x3一列数字“完全”可以由x2取代，反之亦然。这时，无法按表12-1中的资料对回归方程进行估计 当解释变量之间存在完全线性相关或者完全多重共线性时，我们不可能獲得所有参数的惟一估计值。既然我们不能獲得它们的惟一估计值，也就不能根据某一样本做任何统计推论 在完全多重共线性的情况下，不可能对多元回归模型中的某一单个回归系数进行估计和假设检验 如果在解释变量X1，X2，…，Xk中，存在线性关係。 解释变量间的线性关係存在时，存在不全为零的常数 这種关係为完全多重共线性，变量间的相关係数为1。实际上更多的情况是，解释变量间有不完全的线性关係：存在不全为零的数： 其中vi 为随机项。解释变量间存在的完全或不完全的线性关係称为多重共线性。由於经济变量自身的性质，多重共线性或强或弱，普遍存在。 假定λ1≠0， 8.2接近或者不完全多重共线性的情形The case of near, or imperfect, multicollinearity X4的绝大部分信息包含在x2中，x2幾乎完全是重複信息 这样得到的回归方程很怪：在整体上存在较好的解释能力，但在每一个解释变量上却出现违背常识的现象 多重共线性的示意图 OLS估计量的方差与协方差 OLS估计量的方差与协方差提供了估计量b置信程度的信息。各样本间越是近似，其统计量的变异程度就越小，根据这种样本估计的参数就越准確 r23是T个XT2值和XT3值的相关系数 影响b2的方差的因素 OLS估计量的变异程度受什么因素影响 误差项u的方差σ2越大，OLS估计量的变异程度越大 样本量越大， OLS估计量的变异程度越小。var(b2)公式中的T大，分母也大， var(b2)就小 自变量对均值的变异程度越大， OLS估计量的变异程度越小 X2和X3之间的相关系数越大，b2的方差也越大。如果X2和X3完全相关，r23=1， var(b2)无法计算 如果存在c1X1i+c2X2i+…+ckXki=0 i=1,2,…