第四章 多重共线性..ppt

4.降低多重共线性的经验方法： (1)利用外部或先验信息； (2)横截面与时间序列数据并用； (3)剔除高度共线性的变量(如逐步回归)； (4)数据转换； (5)获取补充数据或新数据； (6)选择有偏估计量（如岭回归）。 经验方法的效果取决于数据的性质和共线性的严重程度。 第 四 章 结 束 了！ 注意： 较高的简单相关系数只是多重共线性存在的充分条件，而不是必要条件。特别是在多于两个解释变量的回归模型中，有时较低的简单相关系数也可能存在多重共线性。因此并不能简单地依据相关系数进行多重共线性的准确判断。 二、方差扩大（膨胀）因子法 统计上可以证明，解释变量 的参数估计式 的方差可表示为  其中的 是变量 (Variance Inflation Factor)，即 的方差扩大因子 其中 是多个解释变量辅助回归的可决系数 以二元线性模型 y=?2x2+?3x3+u 为例: 是X2对X3进行回归得到的可决系数R2 r2 0 1 X1和X2不相关 X1和X2完全相关 对比 在只有两个解释变量时(见前面的讨论) 当有多个解释变量时，作 对其他解释变量的辅助回 归，并计算可决系数 ， 注意： 是多个解释变量辅助回归的多重可决系数， 而相关系数 只是说明两个变量的线性关系 由 越大 多重共线性越严重 VIFj越大 VIFj的大小反映了解释变量之间存在多重共线性 的严重程度，方差膨胀因子越接近于1，多重共线性越弱。 优点：可从数量上判断多重共线性的程度 经验表明， VIFj ≥10时，说明该解释变量与其余解释变量之间有严重的多重共线性，且这种多重共线性可能会过度地影响最小二乘估计。 方差扩大因子的作用 三、直观判断法 1. 当增加或剔除一个解释变量，或者改变一个观测值时，回归参数的估计值发生较大变化，回归方程可能存在严重的多重共线性。 2. 从定性分析认为，一些重要的解释变量的回归系数的标准误差较大，在回归方程中没有通过显著性检验时，可初步判断可能存在严重的多重共线性。 3. 有些解释变量的回归系数所带正负号与定性分析结果违背时，很可能存在多重共线性。 4. 解释变量的相关矩阵中，自变量之间的相关系数较大时，可能会存在多重共线性问题。 总之，在OLS法下：R2与F值较大，但t 检验值较小，说明各解释变量对Y的联合线性作用显著，但各解释变量间存在共线性而使得它们对Y 的独立作用不能分辨，故t 检验不显著。 四、逐步回归检测法 逐步回归的基本思想 将变量逐个的引入模型，每引入一个解释变量后，都要进行Ｆ检验，并对已经选入的解释变量逐个进行t 检验，当原来引入的解释变量由于后面解释变量的引入而变得不再显著时，则将其剔除。以确保每次引入新的变量之前回归方程中只包含显著的变量。 在逐步回归中，高度相关的解释变量，在引入时会被剔除。因而也是一种检测多重共线性的有效方法。 第四节 多重共线性的补救措施 本节基本内容: ●修正多重共线性的经验方法 ●逐步回归法 岭回归法在本科教学中只是供选择使用 的内容。 一、修正多重共线性的经验方法 1. 剔除变量法 把方差扩大因子最大者所对应的自变量首先 剔除再重新建立回归方程，直至回归方程中 不再存在严重的多重共线性。 注意: 若剔除了重要变量，可能引起模型的设 定误差。 2. 增大样本容量 多重共线性的后果主要是方差变大，因为 式中 为常数， 确定后，当样本容量越大时， 越大，可使 变小，从而减轻多重共线性 的影响 注意： ●增大样本容量只能减轻多重共线性的影响，不能根本解决它，当 时，仍有 ●增大样本容量有时十分困难，受到数据来源的限制 3. 变换模型形式 对存在多重共线性的变量，进行对数变换、一阶差分变换等，有时可消除或减轻多重共线性的影响 注意： 一阶差分可能带来新的问题： ● 虽然 和 都是序列无关的，但 常常是序列相关的，可能会违反无自相关假定. ●一阶差分中减少了一个自由度 ●一阶差分不适于截面数据，因截面数据没有先后顺序 4. 利用非样本先验信息 通过经济理论分析能够得到某些参数之间的关系，可以将这种关系作为约