第四讲之一多重共线性问题.pptVIP

3.第三类方法：减小参数估计量的方差多重共线性的主要后果是参数估计量具有较大的方差，所以采取适当方法减小参数估计量的方差，虽然没有消除模型中的多重共线性，但确能消除多重共线性造成的后果。例如：①增加样本容量，可使参数估计量的方差减小。第29页，共53页，星期日，2025年，2月5日*②岭回归法（RidgeRegression）70年代发展的岭回归法，以引入偏误为代价减小参数估计量的方差，受到人们的重视。具体方法是：引入矩阵D，使参数估计量为其中矩阵D一般选择为主对角阵，即D=aIa为大于0的常数。（*）显然，与未含D的参数B的估计量相比，(*)式的估计量有较小的方差。第30页，共53页，星期日，2025年，2月5日六、案例——中国粮食生产函数根据理论和经验分析，影响粮食生产（Y）的主要因素有：农业化肥施用量（X1）粮食播种面积(X2)成灾面积(X3)农业机械总动力(X4)农业劳动力(X5)已知中国粮食生产的相关数据，建立中国粮食生产函数：Y=?0+?1X1+?2X2+?3X3+?4X4+?4X5+?第31页，共53页，星期日，2025年，2月5日第32页，共53页，星期日，2025年，2月5日1.用OLS法估计上述模型：R2接近于1；给定?=5%，得F临界值F0.05(5,12)=3.11F=638.415.19，故认上述粮食生产的总体线性关系显著成立。但X4、X5的参数未通过t检验，且符号不正确，故解释变量间可能存在多重共线性。(-0.91)(8.39)(3.32)(-2.81)(-1.45)(-0.14)第33页，共53页，星期日，2025年，2月5日2.检验简单相关系数发现：X1与X4间存在高度相关性。列出X1，X2，X3，X4，X5的相关系数矩阵：第34页，共53页，星期日，2025年，2月5日3.找出最简单的回归形式可见，应选第一个式子为初始的回归模型。分别作Y与X1，X2，X4，X5间的回归：(25.58)(11.49)R2=0.8919F=132.1DW=1.56(-0.49)(1.14)R2=0.075F=1.30DW=0.12(17.45)(6.68)R2=0.7527F=48.7DW=1.11(-1.04)(2.66)R2=0.3064F=7.07DW=0.36第35页，共53页，星期日，2025年，2月5日4.逐步回归将其他解释变量分别导入上述初始回归模型，寻找最佳回归方程。第36页，共53页，星期日，2025年，2月5日回归方程以Y=f(X1，X2，X3)为最优：5.结论第37页，共53页，星期日，2025年，2月5日1.分部回归法(PartitionedRegression)对于模型:在满足解释变量与随机误差项不相关的情况下，可以写出关于参数估计量的方程组：将解释变量分为两部分，对应的参数也分为两部分：*七、分部回归与多重共线性第38页，共53页，星期日，2025年，2月5日东北财经大学数学与数量经济学院第四讲之一多重共线性问题第1页，共53页，星期日，2025年，2月5日二、经典线性回归模型：最小二乘法的基本假定1.线性回归模型，即模型是对参数线性的；2.在重复抽样中X的值是固定的，即非随机的；3.干扰项u的均值为零；4.同方差性或干扰项u的方差相等；5.各干扰项u之间无自相关；第2页，共53页，星期日，2025年，2月5日6.干扰项u与解释变量X的协方差为零；7.观测的次数必须大于待估参数的个数；8.X的值要有变异性；9.正确地设定模型；10.没有完全的多重共线性；11.随机误差项服从正态分布。第3页，共53页，星期日，2025年，2月5日第一节多重共线性的