5.4 多元回归的几个基本假设和共线性解释.pdf

对外经济贸易大学 计量经济学 I n t r o d u c t i o n t o E c o n o m e t r i c s 导论 几个基本假设和解释 共线性 多元回归的最小二乘假设 假定MLR.1 (参数线性) 总体模型参数是线性的: y = β + β x + β x +…+ β x + u 0 1 1 2 2 k k 假定MLR.2 (随机抽样) 我们有一个包含n次观测的随机 样本, {(x , x ,…, x , y ): i=1, 2, …, n}, 它们来自MLR1中 i1 i2 ik i 的总体模型 y = β + β x + β x +…+ β x + u i 0 1 i1 2 i2 k ik i 多元回归的最小二乘假设 假定MLR.3 (不存在完全共线) 在样本中，没有一个自变量是常数，自变量之间也不存 在严格的线性关系。 假定MLR.4 (条件均值为0) E(u|x , x ,… x ) = 0, 这意味着所有的自变量都是外生的。 1 2 k 完全多重共线 定义：如果一个自变量恰好是其他自变量的线性 组合。 例如： Weight =  +  Inch+ MM 0 1 2 2 x =ax , 或者Log(x) 与Log(x ) 2 1 x = +  x +  x +…+  x k o 1 1 2 2 k-1 k-1 x 对所有观测值来说是一样的 i n k+1 虚拟变量陷阱 虚拟变量陷阱 假设回归变量中包含多个虚拟变量，彼此互斥且 覆盖所有范畴，每一观测值都落入有且只有一个 范畴内（例：春、夏、秋、冬四个季节的虚拟变 量）。若回归方程涵盖所有虚拟变量以及截距项， 将会出现完全多重共线性——此种情况称为虚拟变 量陷阱。 虚拟变量陷阱 解决虚拟变量陷阱的方法: 01 将其中一个二元变量剔除 (例如 春季) ，即当 需要刻画有k个状态的定性变量时，只需要k-1 个虚拟变量； 02 剔除截距项。 对于系数的解释， (1) 或 (2) 有什么含义? 完全多重共线性 01 完全多重共线性通常反馈的是回归变量的定 义错误或数据的异常 02 若存在完全多重共线性，统计软件要么崩溃， 要么给一个错误信息，要么自行丢掉一个变量 03 完全多重共线性的解决办法是修正回归变量 清单以致于消除完全多重共线性 不完全多重共线性 01 尽管完全多重共线性与不完全多重共线性的 名称相似，但实质是完全不同的 02 不完全多重共线性是指两个或多个回归变量间是 高度相关的 03 为什么是“多重共线性”？若两个回归变量高度 相关 ，则其散点图看上去非常像一条直（共 线），但除非相关系数是 ±1, 否则共线性是非 完全的。 不完全多重共线性 回归变量间存在着不完全多重共线性意味着至少 其中一个回归变量的系数无法精确估计。 思路： x 的系数是在x 不变时，x 变化对y 的效应；若x 与x 1 2