《第五章多重共线性》公开课件（设计）.pptVIP

说明： 说明模型的解释变量之间完全相关，因而多重共线性最为 严重，即存在完全多重共线性。 (1) 当 较大时， 较小 说明参数估计的精度较高，因而多重共线性不严重。 (3)　当 =0时，则 (2) 当 较小时， 较大 说明参数估计的误差较大，因此表明模型的多重共线性严重。 3．方差膨胀(扩大)因子法 对于多元线性回归模型来说，如果分别以每个解释变量为被解释 变量，做对其他解释变量的回归，这称为辅助回归。 Var( )= 以Xj为被解释变量做对其他解释变量辅助线性回归的可决系数，用Rj J 的方差可 表示，则可以证明(证明过程从略)，解释变量Xj参数估计量 表示为 其中，VIFj是变量Xj的方差膨胀因子，即 (5-6)拓展 由于Rj度量了Xj与其他解释变量的线性相关程度，这种相关程度越强，说明变量间多重共线性越严重，VIFj也就越大。 反之，Xj与其他解释变量的线性相关程度越弱，说明变量间的多重共线性越弱，VIFj也就越接近于1。 由此可见，VIFj的大小反映了解释变量之间是否存在多重共线性，可用它来度量多重共线性的严重程度。经验表明，VIFj≥10时，说明解释变量Xj与其余解释变量之间有严重的多重共线性，且这种多重共线性可能会过度地影响最小二乘估计。 4．逐步回归法 以Ｙ为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计。根据拟合优度的变化决定新引入的变量是否可以用其他变量的线性组合代替，而不是作为独立的解释变量。 如果拟合优度变化显著，则说明新引入的变量是一个独立的解释变量； 如果拟合优度变化很不显著，则说明新引入的变量不是一个独立的解释变量，它可以用其他变量的线性组合代替，也就是说它与其他变量之间存在多重共线性。 第四节 多重共线性的修正 常用的几种修正方法 ： 一、省略变量法 二、利用已知信息克服多重共线性 三、通过变换模型形式克服多重共线性 四、用增加样本容量来克服多重共线性 五、逐步回归法 一、省略变量法 找出引起多重共线性的解释变量，将其省略掉——最为有效的修正多重共线问题的方法。 当省略了某个或某些变量后，保留在模型中的变量的系数的 估计值及其经济意义均将发生变化。 这种方法虽然简单，但是当解释变量较多时，往往很难选准在模型中比较次要的解释变量以便省略。因此，在用这种方法克服多重共线问题时，又可能会犯遗漏重要解释变量的错误，以致使模型出现新的问题。所以，在从模型中去掉某一解释变量时，一定要全面考虑、慎重从事，避免顾此失彼。 定义: 注意: 缺点: 二、利用已知信息克服多重共线性 已知信息——就是指在建模之前根据经济理论、统计资料或经验分析，已知的解释变量之间存在的某种关系。 例: 为了克服多重共线性，可将解释变量按已知关系加以合并。 设消费函数 (5-8) 其中，Y为消费支出，X1为消费者的年平均收入，X2为消费者的年平均储蓄额。 三、通过变换模型形式克服多重共线性 不需要分析每个解释变量对被解释变量影响大小的模型： 例: 设需求函数 (5-12) 其中Y为需求量，X1为居民收入，X2为商品价格，X3为代用品价格。 X2/X3 差分法 时间序列数据、线性模型：将原模型变换为差分模型: ?Yi=?1 ? X1i+?2 ? X2i+?+?k ? Xki+ ? ?i 可以有效地消除原模型中的多重共线性。 一般讲，增量之间的线性关系远比总量之间的线性关系弱得多。 以时间序列数据为样本的模型： 例如： 由表中的比值可以直观地看到，增量的线性关系弱于总量之间的线性关系。 进一步分析： Y与C(-1)之间的判定系数为0.9988， △Y与△C(-1)之间的判定系数为0.9567 四、用增加样本容量来克服多重共线性 样本容量越大，出现多重共线性的可能性越小。 另外，多重共线性的主要问题在于(5-6)使参数估计量的方差变大，随机干扰项的方差、变量的变异程度与方差膨胀因子一起决定着参数估计量的方差。 如果存在多重共线性，但随机干扰项的方差很小，或变量的变异程度很大都可能得到较小的参数估计量的方差。这时，即使有较严重的多重共线性，也不会带来不良后果。因此，只要回归方程估计的参数标准差较小，t统计值较大，就没有必要过于关心是否存在多重共线性的问题。 五、逐步回归法 具体步骤 1）先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； 3）逐个引入其余的解释变量。 好处 将统计上不显著的解释变量剔除，最后保留在模型中的