Lecture3浙江大学朱燕建中级计量经济学课件剖析.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 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 ●主成份回归法 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 如果样本容量增加，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。 问题：增加样本数据在实际计量分析中常面临 许多困难。 * 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。 第一步(横截面数据) 第二步(时间序列数据) * 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、岭回归法 * 岭回归分析实际上是一种改良的最小二乘法，是一种专门用于共线性数据分析的有偏估计回归方法（A.E.Hoerl提出） 当自变量间存在共线性时， 是奇异的，也就是说它的行列式的值也接近于零（或者说该矩阵有接近于零的特征根），此时OLS估计将失效。岭回归就是用 代替正规方程中的 。 r 为岭回归系数 * 岭回归的参数估计式为 r越大，则 对 的偏差越大，但方差越小，理论选择： 实际操作为：对r进行搜索，直到估计的系数趋于稳定 具体操作见SAS软件 四、主成份回归法 * 原理 主成分法是通过线性变换，将原来的多个指标组合成相互独立的少数几个能充分反映总体信息的指标，从而在不丢掉重要信息的前提下避开变量间共线性问题，便于进一步分析。 这些主成分从不同侧面反映解释变量的综合影响，并且互不相关。因此，可以将被解释变量关于这些主成分进行回归，再根据主成分与解释变量之间的对应关系，求得原回归模型的估计方程。 主成份定义 * * 求主成分步骤 计算解释变量的相关系数矩阵 计算R的 k 个特征值 ，以及相应的标准化正交特征向量 * 利用特征值检验多重共线性。模型存在多重共线性时，至少有一个特征值近似地等于零 计算主成分贡献率及累计贡献率 贡献率: 累计贡献率 一般取累计贡献率达85—95%的特征值 所对应的第一、第二、…、第m（m≤k）个主成分 * 解释变量前m个主成份表示为 各个观测值的综合得分 被解释变量与上面m个主成份进行回归 根据主成份与原解释变量的关系，将主成份关系式代入上面回归方程，得到y与x的回归方程 * 小结 1.多重共线性是指各个解释变量之间有近似准确的线性关系。