第6章多重共线性.pptVIP

信息系刘康泽 中南财经政法大学刘康泽 第6章 多重共线性 异方差和序列相关性都是随机误差项不满足经典回归分析条件假设的问题。本章将研究解释变量违背经典假设时的问题。 主要内容 第一节 多重共线性 第二节 多重共线性的后果 第三节 多重共线性的检验 第四节 多重共线性补救措施？ 第一节 多重共线性 对于模型 其基本假设之一是解释变量x1，x2，…，xk是相互独立的，如果其两个或多个解释变量之间出现了相关性，则成为多重共线性。 如果存在不全为零的c1，c2，…，ck，使得 称这些解释变量之间存在完全共线性。 如果出现这种情况，则说明存在某个解释变量可以由其余的解释变量线性表示。 当然完全的多重共线性的情况并不多见，往往出现的是一定程度上地近似共线性，即 在进行经济计量分析时，如果模型地设定出现失误，则容易导致完全共线性 例如：设定居民消费对工资收入S和非劳动收入N及总收入T 的回归模型为 则出现了多重共线性，这是因为总收入=工资收入+非劳动收入，这个糟糕的设定导致了完全共线性!!!!! 在实践中，许多经济变量之间往往存在着一定的相互联系，但各自又受到一些随机因素的影响，从而表现为高度相关，但又不是完全相关。 如：影响家庭消费支出的家庭收入及家庭财富两个变量就存在明显的高度相关； 又如：影响企业产出的劳动投入和资本投入二者之间也往往具有相当高的相关关系，这是因为这两个投入要素与产出成正比，产出高的企业，投入的要素自然多，这就导致投入要素呈线性相关性。另外，经济变量在时间上有共同变化的趋势。如在经济上升时期，收入、消费、就业率都在增长；当经济收缩期，收入、消费、就业率等都又都在下降。当这些变量同时进入模型就存在多重共线性。 再如：建立一个服装需求模型，影响服装需求量q的有收入I，服装价格p，按常规判断，收入和价格之间不应该相关。但细致地分析后发现，高收入者经常在高档商场购买服装，低收入者往往在低档商场购买，而同样的服装在高档商场和低档商场的价格是不同的，这样就产生了多重共线性。 有时候，模型中的某个变量和其滞后项同时作为解释变量。 第二节 多重共线性的后果 1、完全共线性时的参数估计不存在 而当完全共线性时，由于 ，故 不存在。 这是因为参数估计为： 2、一般共线性（近似）下OLS法的参数估计量是BLUE, 但是有大的方差和协方差，难以做出精确的估计。 由于此时 ，而 ，引起 主对角元素变大。 4、变量的显著性失去意义 3、参数估计量的经济含义不合理或不清晰 例如：x1和x2的系数并不能反映各自与被解释变量之间的结构关系，而是反映它们对被解释变量的共同影响，因而失去各自参数的应有经济含义，当这种状况出现时，其模型常出现反常现象，如本该出现正的系数，结果却是负系数等。 解释变量接近多重共线性的影响使回归系数的标准差增大，t-统计值减小，从而使系数显著性下降（甚至有时候可能不显著）。 多重共线性一定是坏事情吗？ 如果回归分析的唯一目的是预测或预报，则多重共线性不是一个严重的问题。因为，R2值越高，预测越准。 第三节 多重共线性的检验 首先，当模型的解释变量之间高度相关时，经常会出现以下的一些症状： 第一，尽管对模型的整体性检验值（如F值，判定系数R2）很高，但是各回归系数估计量的方差很大，这样会导致对各回归系数显著性的t检验值很低，从而使得对模型的取舍产生矛盾，这表明模型往往出现了多重共线性。 第二，每个回归系数的值很难精确估计，甚至可能出现估计出的回归系数值令人难以置信或符号错误的现象，这也导致我们难以精确鉴别各个解释变量对被解释变量的不同影响。 第三，模型阐述的估计量对删除或增添少量的观察值以及删除一个不显著的解释变量可能非常敏感，换句话说，样本数据得很小变化都会导致模型参数估计量的很大变化。 观察有无上述症状，将有助于判断解释变量之间是否存在较严重的多重共线性。 但是，要准确的测度解释变量之间的多重共线性还需要有一些专门的方法和专门地测度指标来进行。 （1）简单相关系数测度法