多重共线性的发现与检验.ppt

* 2、整合解释变量 以某种方式将经济意义相近、相关性较强的解释变量整合成一个新变量，也是降低共线性的有效方法。 当然整合解释变量要注意经济理论和实证的根据，如加权的权重要符合经济理论、经验结论，或者原模型回归分析的试算结果等。 * 3、先验信息参数约束 如果有关于模型或者其中参数的某些“先验信息”，也可以利用来克服模型的多重共线性问题。 例如已知生产函数为 ，经过对数变换建立了线性回归模型： 因为劳动力和资本的增长往往有同步性，因此上述模型往往有多重共线性问题。 * 不过，有时候根据对经济的实证研究，能够预先知道所研究的经济有规模报酬不变的性质，也就是上述模型中的参数和 满足 。这种先验信息就可以用来克服多重共线性问题。 把 代入模型，有： * 整理可得： 最后这个函数相当于两变量线性回归模型，当然不会有多重共线性问题。 * 四、分布估计参数 利用先验信息修正模型克服多重共线性的方法很有启发性。 如果先用某种方法估计出模型中的部分参数，就可以把它们作为先验信息简化模型，从而克服原模型的多重共线性问题。 分步估计参数方法的典型应用，是在时间序列数据模型中结合截面数据分析。 * 例如通常会考虑用模型： 作为研究需求规律的模型。其中Q 为消费需求，可以是针对特定商品的，也可以指总的消费需求，Y 为可支配收入或收入，P 为价格或价格指数。 由于价格只有时间序列数据，因此这种模型通常是分析时间序列数据规律的。 但问题是Y 和P 两个变量之间常常有共同的时间趋势，因此很容易存在共线性问题，从而影响回归分析的可靠性。 * 可以先利用截面数据得到模型中参数 的估计值。 例如通过调查得到不同收入组别居民在同一时点的平均需求，形成Q和Y的截面数据样本，利用这些数据对两变量模型 进行回归分析，得到参数估计值。 * 虽然这个模型与前一个时间序列数据回归模型不同，但这个模型的参数 反映的在不同居民之间随收入上升需求相应上升的弹性，与前一个模型的参数 反映的随着人们收入增长需求相应增长的弹性，是有一致性的。 因此可以把 的估计b作为前一个模型中 的估计。 * 这样前一个模型变为： 再整理这个方程，可得 这是一个两变量线性回归模型，当然不会有多重共线性问题。 * 通过这个模型估计出 和 的估计值 和 ，再结合用截面数据模型估的 就得到了原模型克服了多重共线性困难的回归直线： 例8－2。详见Eviews演示。 谢 谢！ 放映结束 感谢各位的批评指导！ 让我们共同进步 * 第八章 多重共线性 * 第一节 多重共线性及其影响 第二节 多重共线性的发现和检验 第三节 多重共线性的克服和处理 本章结构 * 第一节 多重共线形及其影响 一、多重共线形及其分类 二、严格多重共线形及其危害 三、近似多重共线形的原因及其影响 * 一、多重共线性及其分类 多元线性回归模型要求解释变量之间不存在线性关系，包括严格的线性关系和高度的近似线性关系。 但事实上由于模型设定和数据等各方面的问题，模型的解释变量之间很可能存在某种程度的线性关系。这时候称多元线性回归模型存在多重共线性问题。 * 多重共线性可以分为两类。 如果多元线性回归模型中，存在两个或多个解释变量之间存在严格的线性关系，则称为“完全多重共线性”，也称为“严格的多重共线性”。 而解释变量之间存在近似的而不是严格的线性关系，这种情况被称为“近似多重共线性”。 * 二、严格多重共线形及其危害 完全多重共线性不可能由于数据问题引起，通常是由于模型设定问题，把有严格联系的变量引进同一个模型，或者虚拟变量设置不当引起的。 设两个解释变量的线性回归模型为： 回归方程为： * 求参数最小二乘估计量的正规方程组为： 其中 、 和 分别是 、 和 的离差。 设 和 两个变量之间有严格的线性关系 ，这个模型当然就存在完全的多重共线性。 * 此时 也成立。把该关系式代入上述正规方程组中的第二式可得： 得到： 很显然，这个方程与上述正规方程组的第一个方程是完全相同的。 * 这意味着我们得到了包含两个未知参数估计量的两个相同的方程，这时该方程组有无穷组解而不是有唯一一组解。 这实际上意味着被解释变量究竟受哪些变量的影响变得很不清楚，变量关系是无法识别的。 有完全多重共线性的多元线性回归模型都无法顺利进行参数估计，会使多元线性回归模型参数估计失败，回归分析无法进行。 * 完全多重共