高级计量经济学之第4章线性回归经典假设的分析.docVIP

PAGE PAGE 47 第4章 线性回归经典假设的分析 §4.1 多重共线性 4.1.1 一、多重共线性的含义 “多重共线性”一词由R. Frisch 1934年提出，它原指模型的解释变量间存在线性关系。针对总体回归模型（2.2）式 , 的经典假设条件，要求 　　 （4.1） 即要求矩阵满秩。满秩就能保证行列式，从而可以得到参数的估计值。如果这个假设条件不满足，即，就表明某些解释变量之间存在完全的线性相关关系，在这种情形下，根本无法求出参数的估计值。然而，在实际问题中，某些解释变量之间不是完全线性相关的或接近完全线性相关的。就模型中解释变量的关系而言，有三种可能。 1、，解释变量间毫无线性关系，变量间相互正交。这时已不需要多重回归，每个参数?j都可以通过对的一元回归来估计。 2、，解释变量间完全共线性。此时模型参数将无法确定。直观地看，当两变量按同一方式变化时，要区别每个解释变量对被解释变量的影响程度就非常困难。 3、，解释变量间存在一定程度的线性关系。实际中常遇到的是这种情形。随着共线性程度的加强，对参数估计值的准确性、稳定性带来影响。因此我们关心的不是有无多重共线性，而是多重共线性的程度。 这里需要说明的是，在解决实际问题的过程中，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、就业率等都增长，当经济处于收缩期，收入、消费、就业率等都下降或增长率下降。当这些变量同时做解释变量就会给模型带来多重共线性问题。另外，解释变量与其滞后变量同作解释变量时，也会引起多重共线性。 二、多重共线性引起的后果 如果解释变量之间存在明显的相关关系，即存在严重的多重共线性，将会影响模型的构建。 1、当，为降秩矩阵，则 不存在，不可计算。 2、若，即使，仍具有无偏性，即 然而，当 时，接近降秩矩阵，即 ，变得很大。所以丧失有效性。以二元解释变量线性模型为例，当时， 为时方差的2.78倍。当时，为时的10.26倍。 4.1.2 多重共线性的检验 既然多重共线性会造成一些严重的后果，在建立线性回归模型的过程中，有必要检验样本是否存在多重共线性。检验样本是否存在严重的多重共线性常用的方法如下。 一、可决系数的值较大而回归系数的值较小。当模型的可决系数R2很高，总体显著性检验的F值很高，而每个回归参数估计值的方差又非常大，即值很低时，说明解释变量之间存在多重共线性。 二、 Klein判别法。计算多重可决系数R2及解释变量之间的简单相关系数。若有某个 R2，则，间的多重共线性是有害的。 三、特征值与病态指数。根据矩阵行列式的性质，矩阵的行列式等于其特征根的连乘积。因而当行列式时，矩阵至少有一个特征根近似等于零。反之，可以证明，当矩阵至少有一个特征根近似等于零时，的列向量之间必存在多重共线性。 实际上，设是矩阵的一个近似等于零特征根，是对应于该特征根的特征向量，则 （4.2） 对（4.2）式两边左乘，即有 即 从而 （4.3） 这里（4.3）式就反映出了前面所定义的多重共线性。我们应该注意到，矩阵有多少个特征根近似为零，设计矩阵就会有多少个类似（4.3）式多重共线性关系，并且这些多重共线关系系数向量就等于接近于零的那些特征根对应的特征向量。 另外，特征根近似为零的标准可以用下面的病态指数（condition index）来确定。记的最大特征根为，称 （4.4） 为特征根的病态指数。注意特征根的个数与病态指数都包含了常数项在内。 病态指数度量了矩阵的特征根散布程度，可以用来判断多重共线性是否存在以及多重共线性的严重程度。一般认为，当时，设计矩阵没有多重共线性；当时，认为设计矩阵存在较强的多重共线性；当时，则认为存在严重的多重共线性。 4.1.3 多重共线性的克服 如果多重共线性较为严重，我们该如何处理？一般来说没有一个十分严格的克服多重共线性的方法。但是，可以尽量的降低线性回归模型中存在的多重共线性。这里介绍一些经验规则和理论方法以便克服或降低多重共线性问题时参考。 一、克服多重共线性的经验方法 1、剔除变量。面对严重的多重共线性，最简单的克服方法之一就是剔除一个共线性的变量。但是，如果从模型中剔除的是重要的解释变量，可能会引起模型的设定误差。所谓设定误差是指在回归分析中使用了不正确的模型。我们知道，在解释