1计量经济学作业多重共线性p171.docVIP

计量经济学作业 ——多重共线性 P171 8．下表是被解释变量Y，解释变量X1，X2，X3，X4的时间序列观测值： 时间序列观测值表 序号 Y X1 X2 X3 X4 1 6.0 40.1 5.5 108 63 2 6.0 40.3 4.7 94 72 3 6.5 47.5 5.2 108 86 4 7.1 49.2 6.8 100 100 5 7.2 52.3 7.3 99 107 6 7.6 58.0 8.7 99 111 7 8.0 61.3 10.2 101 114 8 9.0 62.3 14.1 97 116 9 9.0 64.7 17.1 93 119 10 9.3 66.8 21.3 102 121 采用适当的方法检验多重共线性。 多重共线性对参数估计值有何影响？ 用Frisch法确定一个较好的回归模型。 解：（1）采用参数估计值的统计检验法检验多重共线性。 用OLS最小二乘法，估计被解释变量Y与解释变量X1，X2，X3，X4的样本方程，如下所示： 图1-1 在Eviews中建立样本回归模型 图1-2 样本回归模型数据表 输入被解释变量与解释变量： 图1-3 整体样本回归模型建立 用最小二乘法求得结果如下所示： 图1-4 Eviews的结果分析 一元线性样本回归方程为： 1.拟合优度检验 由上表可知，样本可决系数为： R-squared=0.978915 修正样本可决系数为： Adjusted-squared=0.962046 即 R R 计算结果表明，估计的样本回归方程较好的拟合了样本观测值。 2．F检验 提出检验的原假设为 H 对立假设为 H 由图1-4，得F统计量为 F-statistic=58.03254 对于给定的显著性水平α=0.05，查出分子自由度为4，分母自由度为5的F分布上侧分位数F0.05(4,5)=5.19。因为F=58.032545.19，所以否定H0，总体回归方程显著。 3．t检验 提出检验的原假设为 H 由上表可知，t统计量为 β0的t-statistic=1.975329 β1的t-statistic=1.149646 β2的t-statistic=2.401806 β3的t-statistic=-0.662938 β4的t-statistic=0.472622 对于给定的显著性水平α=0.05，查出自由度v=5的t分布双侧分位数t0.05/2（5）=2.57。 t0=1.9753292.57= t0.05/2（5）,所以否定H1，β0显著等于0。 t1=1.1496462.57=t0.05/2（5），所以否定H1，β1显著等于0。 t2=2.4018062.57= t0.05/2（5）,所以否定H1，β0显著等于0。 |t3|=0.6629382.57= t0.05/2（5）,所以否定H1，β0显著等于0。 t4=0.4726222.57= t0.05/2（5）,所以否定H1，β0显著等于0。 该模型的拟合优度较大，总体线性关系显著，但回归系数在统计上均不显著，即t检验绝对值过小，说明模型存在多重共线性。 （2）多重共线性对参数估计值的影响 多元线性回归模型中如果存在完全的多重共线性，则参数的最小二乘估计量是不确定的，其标准差为无穷大；如果存在近似的多重共线性，则参数的最小二乘估计量是确定的，而且具有无偏性，但其方差较大，常导致参数估计值不精确，不稳定，样本观测值稍有变动，增加或减少的解释变量等都会使参数估计值发生较大变化，甚至出现符号错误，从而不能正确反映解释变量对被解释变量的影响，参数估计量的标准差较大，使参数t假烟增加了接受零假设的可能，从而舍去对被解释变量有显著影响的解释变量。 用Frisch法修正多重共线性 1．对Y分别关于X1，X2，X3，X4作最小二乘回归，其步骤与结果如下所示： 图1-5 Y与X1的最小二乘回归 图1-6 Eviews的结果分析 得： R 图1-7 Y与X2的最小二乘回归 图1-8 Eviews的结果分析 得： R 图1-9 Y与X3的最小二乘回归 图1-10 Eviews的结果分析 得： R 图1-11 Y与X4的最小二乘回归 图1-12 Eviews的结果分析 得： R 根据回归结果易知X1是最重要的解释变量，所以选取第一个回归方程为基本方程。 2．加入X2，对Y关于X1，X2作最小二乘回归，得： 图1-13 Y与X1，X2的最小二乘回归 图1-14 Eviews的结果分析 得： R 可以看出，加入X2后，拟合优度有所增加，参数估计值的符号也正确，并且没有影响X1的显著性，所以在模型中保留X1。 3．加入X.4，对Y关于