多重共线性情形及其处理.pptVIP

第6章多重共线性的情形及其处理 6.1多重共线性产生的背景和原因 6.2多重共线性对回归模型的影响 6.3多重共线性的诊断 6.4消除多重共线性的方法 6.5主成分回归 6.6本章小结与评注 第六章多重共线性的情形及其处理 如果存在不全为0的p+1个数coc;C2y…Cn,使得 Co+C1xi+c2x2+…+cmx (6.1) 则称自变量x1,x2…,x2之间存在着完全多重共线性。 在实际经济问题中完全的多重共线性并不多见,常见的是 (6,1)式近似成立的情况,即存在不全为0的p+1个数 0:1525· ,使得 Co+C1xn+C2x2+.…+Cxp20,i=1,2,n(6.2) 称自变量x1x2…x之间存在着多重共线性 (Muli- collinearity),也称为复共线性。 §6.1多重共线性产生的经济背景和原因 当我们所研究的经济问题涉及到时间序列资料时,由于 经济变量随时间往往存在共同的变化趋势,使得它们之间就 容易出现共线性。 例如,我们要研究我国居民消费状况,影响居民消费的 因素很多,一般有职工平均工资、农民平均收入、银行利率、 全国零售物价指数、国债利率、货币发行量、储蓄额、前 期消费额等,这些因素显然既对居民消费产生重要影响,它 们之间又有着很强的相关性。 §6.1多重共线性产生的经济背景和原因 许多利用截面数据建立回归方程的问题常常也存在自 变量高度相关的情形 例如,我们以企业的截面数据为样本估计生产函数,由于 投入要素资本K,劳动力投入L,科技投入S,能源供应E等都与 企业的生产规模有关所以它们之间存在较强的相关性 §62多重共线性对回归模型的影响 设回归模型 y=Bo+Bux+B2x2+.+Bur,+e 存在完全的多重共线性即对设计矩阵X的列向量存在不全 为零的一组数coC1,C2…p,使得 Co+Cir: +Cox 设计矩阵X的秩rank(x)p+1,此时x=0,正规方程 组的解不唯一,(xx)1不存在,回归参数的最小二乘估计 表达式B=(XX)成立。 §62多重共线性对回归模型的影响 对非完全共线性,存在不全为零的一组数cpc1,C2,…Cn,使得 Co+Ci+c2xi2+.tCpip 0, i1, 2,, n 此时设计矩阵X的秩mk(X)=p+l虽然成立,但是此小xx0, (x’x)的对角线元素很大,B的方差阵D(B)=0(X′X)的 对角线元素很大,而D(B)的对角线元素即为va),var1)A,varn) 因而βωβ…;βp的估计精度很低。这样,虽然用OSE还能得到β的无偏 估计但估计量β的变差很大不能正确判断解释变量对被解释变量的影响程 度,甚至出现估计量的经济意义无法解释。 §62多重共线性对回归模型的影响 我们做y对两个自变量x1x2的线性回归,假定y与x1x2都 已经中心化,此时回归常数项为零,回归方程为 y=Bx,+B,x xixia ∑ 则x与x之间的相关系数为 §62多重共线性对回归模型的影响 B=(B1,B2)的协方差阵为 cow(B)=o2(x′x XX LI L (XX) XX(-L2 Li)L L1L2(1-n2) §62多重共线性对回归模型的影响 由此可得 var(u) (6.3) (1-n2)L var(B,) (6.4) (1-n2)L2 可知,随着自变量x与x的相关性增强β1和β2的方差将逐渐增大。 当x与x完全相关时,产=1,方差将变为无穷大 §62多重共线性对回归模型的影响 当给不同的r12值时,由表61可看出方差增大的速度。 为了方便,我们假设G2L1=1,相关系数从0.5变为09时, 回归系数的方差增加了295%,相关系数从05变为0.95时,回归 系数的方差增加了670% 表6.1 0.00.20.500.700.800.900.950.991.00 va6,)1.01.01.31.062385351026805