多重共线性电子教案.pptVIP

§第6章 多重共线性; 一、多重共线性的概念 二、多重共线性的原因 三、多重共线性的后果 四、多重共线性的检验 五、多重共线性的解决办法 六、案例; 一、多重共线性的概念;也就是说，如果存在 λ1X1i+λ2X2i+…+λkXki=0 i=1,2,…,n 其中: λi不全为0，则称为解释变量间存在完全共线性（perfect multicollinearity）即某一个解释变量可以用其他解释变量的线性组合表示。; ，解释变量间毫无线性关系，变量间相互正交。这时已不需要???多元回归，每个参数?j都可以通过Y 对 Xj 的一元回归来估计。 ; 由于存在随机变量，完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。这时，列向量不是完全线性相关的，而是近似线性相关的。 ; 二、多重共线性产生的原因; 2 经济变量之间的内在联系 ; 3 滞后变量的引入; 4 样本资料的限制; 三、多重共线性的后果;例如，在农业生产函数中 如果耕地面积 和施肥量 之间存在完全的共线性，比如 (k为一非零常数)，我们再引入 一个任意非零常数 ，则 代入 模型中则有 虽然完全等价，但回归系数却显然不同 ,说明这时 参数值的估计不唯一确定 . 从经济意义上讲，如果取 ，那么（ ） 0 这表明，随耕地面积的增加农产量将会减少，这显然是十分荒谬的结论。 ;对于二元线性回归模 型 其参数?1的OLS估计式为： 由 得 ,则 ; 2.参数估计量经济含义不合理; 3.不完全共线性下OLS估计量非有效; 3.不完全共线性下OLS估计量非有效;仍以二元线性模型 Y=β0+?1X1+?2X2+? 为例: ;多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF)，它表明OLS的估计量的方差随着是多重共线性的增加而“膨胀”起来。; 4、参数的置信区间明显扩大; 5、变量的显著性检验失去意义; 6、参数估计量及其标准误差对于样本波动非常敏感; 注意： ;多重共线性表现为一种样本现象，即使总体不存在多重共线性，所得样本也可能出现多重共线性。而且由于抽样波动，对于同一总体，不同样本的共线性程度也不相同。因此，对于多重共线性的检验，可以直接对所得样本进行分析做出判断。 ;1.简单相关系数检验法; 较高的简单相关系数只是多重共线性存在的充分条件，而不是必要条件。特别是在多于两个解释变量的回归模型中，有时较低的简单相关系数也可能存在多重共线性。因此，并不能简单地依据相关系数进行多重共线性的准确判断。 [命令方式]COR 各个解释变量名 ，得两两简单相关系数矩阵如下 ;2.根据可决系数R2 、F检验、t检验的结果判断; 3、判定系数检验法;具体可进一步对上述回归方程作F检验：; 在模型中排除某一个解释变量Xj，估计模型； 如果拟合优度与包含Xj时十分接近，则说明Xj与其它解释变量之间存在共线性。; 4、方差扩大（膨胀）因子法 ;经验规则;与 等价的指标是“容许度”（Tolerance），其定义为：;5.条件数检验;5.条件数检验(特征值);5.条件数检验;附：回归系数方差分解:; 首先明确建立模型的目的：经济预测、结构分析或政策评价。如果建立模型的目的是进行预测，就可以忽略多重共线性。 1、直接剔除次要或可替代的变量 剔除时需注意产生新的问题: ①当模型存在共线性，若将某个共线性变量去掉，模型的经济意义不合理； ②可能使模型产生异方差性或自相关性； ③若剔除不当,可能会产生模型设定误差，造成参数估计严重有偏; 2、减小参数估计量的方差;⑴ 利用附加信息：“事前信息”也称“先验信息”，是指根据经济理论及实际的统计资料所获得的解释变量之间的关系。 例如，消费函数模型为 容易理解，收入 和财产 之间是高度相关的， 所以模型存在多重共线性。 如果根据“事前信息”已经知道 大约是 的 1/10，即 利用这一信息，可