多重共线性课件.pptVIP

由表中的比值可以直觀地看到，兩變數增量的線性關係弱於總量之間的線性關係。進一步分析：Y與C(-1)之間的判定係數為0.9845，△Y與△C(-1)之間的判定係數為0.7456。一般認為：兩個變數之間的判定係數大於0.8時，二者之間存在線性關係。所以，原模型經檢驗地被認為具有多重共線性，而差分模型則可認為不具有多重共線性。3、第三類方法：減小參數估計量的方差多重共線性的主要後果是參數估計量具有較大的方差，所以採取適當方法減小參數估計量的方差，雖然沒有消除模型中的多重共線性，但確能消除多重共線性造成的後果。例如，增加樣本容量，可使參數估計量的方差減小。再如：嶺回歸法（RidgeRegression）70年代發展的嶺回歸法，以引入偏誤為代價減小參數估計量的方差，受到人們的重視。具體方法是：引入矩陣D，使參數估計量為其中矩陣D一般選擇為主對角陣，即D=aI(2.6.6)a為大於0的常數。顯然，與未含D的參數B的估計量相比，(2.6.5)的估計量有較小的方差。五、案例一：服裝市場需求函數□1、建立模型根據理論和經驗分析，影響居民服裝類支出的主要因素有：可支配收入、居民流動資產擁有量、服裝價格指數、物價總指數。已知某地區的有關資料，根據散點圖判斷，建立線性服裝消費支出模型：Y=?0+?1X+?2K+?3P1+?4P0+?2、樣本數據由於R2較大且接近於1，而且F=638.4，大於臨界值：F0.05(4,5)=15.19，故認為服裝支出與上述解釋變數間總體線性關係顯著。但由於參數K的估計值的t檢驗值較小（未能通過檢驗），故解釋變數間存在多重共線性。3、估計模型（2）檢驗簡單相關係數各解釋變數間存在高度相關性，其中尤其以P1，P0間的相關係數為最高。多重共線性

Multi-Collinearity一、多重共線性的概念1、多重共線性對於模型Yi=?0+?1X1i+?2X2i+?+?kXki+?ii=1,2,…,n(2.6.1)其基本假設之一是解釋變數是互相獨立的。如果某兩個或多個解釋變數之間出現了相關性，則稱為多重共線性。如果存在c1X1i+c2X2i+…+ckXki=0i=1,2,…,n(2.6.2)其中:ci不全為0，即某一個解釋變數可以用其他解釋變數的線性組合表示，則稱為解釋變數間存在完全共線性。如果存在c1X1i+c2X2i+…+ckXki+vi=0i=1,2,…,n(2.6.3)其中ci不全為0，vi為隨機誤差項，則稱為一般共線性(近似共線性)或交互相關(intercorrelated)。在矩陣表示的線性回歸模型

Y=XB+N

中，完全共線性指：秩(X)k+1，即矩陣例如，X2=?X1，這時X1與X2的相關係數為1，解釋變數X2對因變數的作用完全可由X1代替。注意：完全共線性的情況並不多見，一般出現的是在一定程度上的共線性，即近似共線性。2、實際經濟問題中的多重共線性現象經濟變數的共同變化趨勢時間序列樣本：經濟繁榮時期，各基本經濟變數（收入、消費、投資、價格）都趨於增長；衰退時期，又同時趨於下降。橫截面數據：生產函數中，資本投入與勞動力投入往往出現高度相關情況，大企業二者都大，小企業都小。滯後變數的引入在計量經濟模型中，往往需要引入滯後經濟變數來反映真實的經濟關係。例如，消費=f(當期收入,前期收入）顯然，兩期收入間有較強的線性相關性。一般經驗對於採用時間序列數據作樣本、以簡單線性形式建立的計量經濟學模型，往往存在多重共線性。以