多重共线性课件.pptVIP

在模型中排除某一個解釋變數Xj，估計模型；如果擬合優度與包含Xj時十分接近，則說明Xj與其它解釋變數之間存在共線性。另一等價的檢驗是:(2)逐步回歸法以Y為被解釋變數，逐個引入解釋變數，構成回歸模型，進行模型估計。根據擬合優度的變化決定新引入的變數是否獨立。如果擬合優度變化顯著，則說明新引入的變數是一個獨立解釋變數；如果擬合優度變化很不顯著，則說明新引入的變數與其它變數之間存在共線性關係。找出引起多重共線性的解釋變數，將它排除出去。以逐步回歸法得到最廣泛的應用。注意：這時，剩餘解釋變數參數的經濟含義和數值都發生了變化。如果模型被檢驗證明存在多重共線性，則需要發展新的方法估計模型，最常用的方法有三類。四、克服多重共線性的方法1、第一類方法：排除引起共線性的變數2、第二類方法：差分法時間序列數據、線性模型：將原模型變換為差分模型:?Yi=?1?X1i+?2?X2i+?+?k?Xki+??i可以有效地消除原模型中的多重共線性。一般講，增量之間的線性關係遠比總量之間的線性關係弱得多。例

如：由表中的比值可以直觀地看到，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0.9988，△Y與△C(-1)之間的判定係數為0.95673、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：①增加樣本容量，可使參數估計量的方差減小。*②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=aIa為大於0的常數。（*）顯然，與未含D的參數B的估計量相比，(*)式的估計量有較小的方差。多重共線性Multi-Collinearity一、多重共線性的概念對於模型Yi=?0+?1X1i+?2X2i+?+?kXki+?ii=1,2,…,n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(Multicollinearity)。如果存在c1X1i+c2X2i+…+ckXki=0i=1,2,…,n其中:ci不全為0，則稱為解釋變數間存在完全共線性（perfectmulticollinearity）。如果存在c1X1i+c2X2i+…+ckXki+vi=0i=1,2,…,n其中ci不全為0，vi為隨機誤差項，則稱為近似共線性（approximatemulticollinearity）或交互相關(intercorrelated)。在矩陣表示的線性回歸模型

Y=X?+?

中，完全共線性指：秩(X)k+1，即中，至少有一列向量可由其他列向量（不包括第一列）線性表出。如：X2=?X1，則X2對Y的作用可由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。二、實際經濟問題中的多重共線性一般地，產生多重共線性的主要原因有以下三個方面：（1）經濟變數相關的共同趨勢時間序列樣本：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