无多重共线性.pptVIP

* 四、直观判断法 根据回归结果判断也叫不显著系数检验法 1.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。 F检验大于给定显著性水平下的临界值.但模型中的全部或部分参数估计值却不显著,或系数估计值的符号不对,则模型自变量之间存在多重共线性. * 2. 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。 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。 * 五、逐步回归检测法 也称Frisch综合分析法其基本思想： 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。 * 六、特征值检验法 * 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 * 一、修正多重共线性的经验方法 1. 剔除变量法 是降低多重共线性最简便的方法. 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 样本容量增加，会减小回归参数的方差，标准误差也同样会减小。因此尽可能地收集足够多的样本数据可以改进模型参数的估计。 样本容量越小有近似多重共线性的可能性就越大,反之,样本容量越大,多重共线性的可能性就越小问题：增加样本数据在实际计量分析中常面临许多困难,受制于实际情况。 增大样本容量并不必然降低近似的多重共线性,如增加的数据也有类似的共线性,就不起作用 如果变量总体中本来就有共线性问题,再增大样本容量也无济于事. * 3. 变换模型形式 一般而言，差分后变量之间的相关性要比差分 前弱得多，所以差分后的模型可能降低出现共 线性的可能性，此时可直接估计差分方程。 问题：差分会丢失一些信息，差分模型的误差 项可能存在序列相关，可能会违背经典线性回 归模型的相关假设，在具体运用时要慎重。 * 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束条件，将此约束 条件和样本信息结合起来进行约束最小二乘估 计。 * 5. 横截面数据与时序数据并用 首先利用横截面数据估计出部分参数，再利用 时序数据估计出另外的部分参数，最后得到整 个方程参数的估计。 注意：这里包含着假设，即参数的横截面估计和 从纯粹时间序列分析中得到的估计是一样的。 * 6. 变量变换 变量变换的主要方法： (1)计算相对指标 (2)将名义数据转换为实际数据 (3)将小类指标合并成大类指标 变量数据的变换有时可得到较好的结果，但无 法保证一定可以得到很好的结果。 * 二、逐步回归法 （1）用被解释变量对每一个所考虑的解释变量做简单回归。 （2）以对被解释变量贡献最大的解释变量所对应的回归方程为基础，按对被解释变量贡献大小的顺序逐个引入其余的解释变量。 若新变量的引入改进了 和 检验，且回归参 数的t 检验在统计上也是显著的，则在模型中保 留该变量。 * 若新变量的引入未能改进 和 检验，且对其他回 归参数估计值的t 检验也未带来什么影响，则认为该 变量是多余变量。 若新变量的引入未能改进 和 检验，且显著地影 响了其他回归参数估计值的数值或符号，同时本身的 回归参数也通不过t 检验，说明出现了严重的多重共 线性。 * 三、其他方法(了解). 1.岭回归法 2.主成分回归. * 第五节 案例分析 一、研究的目的要求 提出研究的问题——为了规划中国未来国内旅游产业 的发展，需要定量地分析影响中国国内旅游市场发展 的主要因素。 二、模型设定及其估计 影响因素分析与确定——影响因素主要有国内旅游 人数 ，城镇居民人均旅游支出 ，农村居民人均 旅游支出 ，并以公路里程次 和铁路里程 作为相关基础设施的代表 理论模型的设定 其中 ： ——第 t 年全国国内旅游收入 * 数据的收集与处理 年 份 国内旅游收入Y（亿元） 国内旅游人数X2（万人次） 城镇居民人均旅游支出X3