课件：多重共线性的发现和检验.ppt

* 因为多重共线性是通过对参数估计方差的放大作用对多元线性回归产生不利影响的，而解释变量的共线性程度与参数估计量方差的大小有一致性，因此可以根据参数估计方差被“放大”的程度，判断模型是否存在多重共线性问题，以及是由哪些变量引起的共线性问题。 以参数估计 为例。 的方差为： * 而 中的因子 ，正是第k个解释变量与其他解释变量之间的相关性导致方差 扩大的倍数。 我们把这个因子称为“方差扩大因子”，记为： 这个方差扩大因子正是反映各个解释变量与其他变量之间的相关性，对参数估计方差和模型有效性影响程度的关键指标，可以用来检验多重共线性的存在以及根源。 THANK YOU SUCCESS * * 可编辑 * 这种检验方法称为“方差扩大因子检验”，是检验多重共线性的常用方法。 通常以方差扩大因子 是否大于10，即 是否大于0.9，或第k个解释变量是否90%以上由其他解释变量反映，作为判断k个解释变量是否存在必须加以处理的多重共线性的标准。 事实上，当解释变量之间存在严重的共线性问题时，相关变量的方差扩大因子常常会达到几十、上百甚至更大。 例8－1。详见Eviews演示。 * 第三节 多重共线性的克服和处理 一、增加样本容量 二、差分模型 三、模型修正 四、分布估计参数 * 一、增加样本容量 由于近似多重共线性意味着 对任意i都必须成立，因此若样本容量较小，近似多重共线性的可能性就较大，若样本容量大，多重共线性的可能性就越小，因此增加样本容量常能降低解释变量之间的多重共线性。 增加样本容量是理论上降低多重共线性最简便的方法之一。 * 增加样本容量方法的缺陷 首先是增加样本容量并不必然降低多重共线性。事实上如果所增加的数据与原来的数据有基本相同的性质，即也有类似的共线性，那么就完全起不到作用。 其次在许多实际的计量经济分析中，数据数量会受到很大限制，增加样本容量事实上无法实现。因此增加样本容量的方法在解决多重共线性方面的作用是很有限的。 * 二、差分模型 因为多重共线性往往是经济变量的共同变化趋势引起的，差分变换常常能使数据中趋势性部分的比重降低，波动和变化部分的比重加强，从而降低多重共线性问题。 例如线性回归模型为： 且已知 和 之间存在多重共线性问题。 * 如果我们对数据作如下的一阶差分变换： 那么 和 之间的共线性通常会比 和 之间的共线性程度低。 * 因此若改用差分模型： 进行回归，受多重共线性的影响通常会比较小。采用增长率模型也能起到同样的作用。 需要注意的一个问题是，用差分模型解决多重共线性问题可能会导致误差项出现序列相关。 * 因为差分模型的误差项为 ， ，所以相邻两个误差项之间会有一定的相关性。 当然，如果原模型既有多重共线性问题，又有较强的一阶正自相关性，那么差分方法也可能会同时解决这两种问题。 运用差分模型往往还会使参数估计的方差扩大，样本信息也会有一些损失。 * 三、模型修正 由于近似多重共线性既是数据的问题，也是变量选择和模型设定问题，因此修改模型设定，也是克服多重共线性问题的基本方法。 修改模型的方法也有多种。 * 1、删减解释变量 引起多重共线性的直接原因之一，是在模型中引进过多相似有内在联系的解释变量，因此在根据方差扩大因子等判断导致共线性的变量中，如果删减掉一些与其他解释变量意义相近的变量，常可起到有效降低多重共线性的作用。 例如资产和流动资产两个指标之间，就常有较强的相关性，而且它们的意义也近似，因此同时引进这两个变量的线性回归模型常会因它们而有共线性问题，放弃其中一个指标往往能使共线性大大降低。 * 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