第5章多元线性回发归分析2.pptVIP

11 下面再用模型参数说明完全多重共线性的后果。 对于上述二元线性回归模型： 12 二、不完全多重共线性产生的后果 如果模型中存在不完全的多重共线性，可以得到参数的估计值，但是对计量分析可能会产生一系列的影响。 1.参数估计值的方差增大 当 增大时 也增大 13 2.对参数区间估计时，置信区间趋于变大 3.假设检验容易作出错误的判断 4.可能造成可决系数较高，但对各个参数单独的 t 检验却可能不显著，甚至可能使估计的回归系数符号相反，得出完全错误的结论。 14 第三节 多重共线性的检验 ● 简单相关系数检验法 ● 方差扩大（膨胀）因子法 ● 直观判断法 ● 逐步回归法 15 一、简单相关系数检验法 含义：简单相关系数检验法是利用解释变量之间的线性相关程度去判断是否存在严重多重共线性的一种简便方法。 判断规则：一般而言，如果每两个解释变量的简单相关系数(零阶相关系数)比较高，例如大于0.8，则可认为存在着较严重的多重共线性。 16 17 注意： 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。 18 现在的统计分析软件一般采用容忍度和方差膨胀因子度量变量之间的共线性问题。一般模型的共线性的容忍度（tolerance）与方差膨胀因子（Variance Inflation Factor，VIF）互为倒数——方程膨胀因子也被译为方程扩大因子等。简单地说，容忍度可以定义为 二、方差扩大（膨胀）因子法 这里 Rj 是参与回归的第j 个自变量与其它参与回归的自变量的复相关系数。相应地，VIF 定义为 19 统计上可以证明，解释变量 的参数估计式 的方差可表示为  其中的 是变量 (Variance Inflation Factor)，即 的方差扩大因子 20 如果不存在共线性，则 Rj=0，从而容忍度和VIF 都为1。一般用VIF 判断共线性的强度。严格地说，要求VIF10。不过，这一点在实际中有时很难做到。因此，在具体操作中应该将VIF 与P 值或者t 值结合起来进行综合判断。 举例说来，假如我们要计算三元线性模型 21 如何计算VIF？ 借助矩阵知识，可以非常方便地算出 VIF 值。首先对m 个自变量分别进行标准化，表示为矩阵n×m 矩阵X*。于是变量间简单相关系数的矩阵可以表示为： 22 经验规则 ●方差膨胀因子越大，表明解释变量之间的多重共性越严重。反过来，方差膨胀因子越接近于1，多重共线性越弱。 ●经验表明，方差膨胀因子≥10时，说明解释变量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。 23 三、直观判断法 1. 当增加或剔除一个解释变量，或者改变一个观测值时，回归参数的估计值发生较大变化，回归方程可能存在严重的多重共线性。 2. 从定性分析认为，一些重要的解释变量的回归系数的标准误差较大，在回归方程中没有通过显著性检验时，可初步判断可能存在严重的多重共线性。 24 3. 有些解释变量的回归系数所带正负号与定性分析结果违背时，很可能存在多重共线性。 4. 解释变量的相关矩阵中，自变量之间的相关系数较大时，可能会存在多重共线性问题。 25 四、逐步回归检测法 逐步回归的基本思想 将变量逐个的引入模型，每引入一个解释变量后，都要进行Ｆ检验，并对已经选入的解释变量逐个进行t 检验，当原来引入的解释变量由于后面解释变量的引入而变得不再显著时，则将其剔除。以确保每次引入新的变量之前回归方程中只包含显著的变量。 在逐步回归中，高度相关的解释变量，在引入时会被剔除。因而也是一种检测多重共线性的有效方法。 26 第四节 多重共线性的补救措施 ●修正多重共线性的经验方法 ●逐步回归法 27 1. 增大样本容量 如果样本容量增加，会减小回归参数的方差， 标准误差也同样会减小。因此尽可能地收集足 够多的样本数据可以改进模型参数的估计。 问题：增加样本数据在实际计量分析中常面临 许多困难。 一、修正多重共线性的经验方法 28 29 2. 剔除变量法 把方差扩大因子最大者所对应的自变量首先 剔除再重新建立回归方程，直至回归方程中 不再存在严重的多重共线性。 注意: 若剔除了重要变量，可能引起模型的设 定误差。 30 3. 变换模型形式