第三版参考课件第四章多重共线性(1595KB).pptVIP

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。 二、方差扩大（膨胀）因子法 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 其中 是多个解释变量辅助回归的可决系数 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。 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。 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。 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。 第四节 多重共线性的补救措施 本节基本内容: ●修正多重共线性的经验方法 ●逐步回归法 岭回归法在本科教学中只是供选择使用 的内容。 一、修正多重共线性的经验方法 1. 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。 2. 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。 3. 变换模型形式 一般而言，差分后变量之间的相关性要比差分 前弱得多，所以差分后的模型可能降低出现共 线性的可能性，此时可直接估计差分方程。 问题：差分会丢失一些信息，差分模型的误差 项可能存在序列相关，可能会违背经典线性回 归模型的相关假设，在具体运用时要慎重。 4. 利用非样本先验信息 通过经济理论分析能够得到某些参数之间的关 系，可以将这种关系作为约束条件，将此约束 条件和样本信息结合起来进行约束最小二乘估 计。 5. 横截面数据与时序数据并用 首先利用横截面数据估计出部分参数，再利用 时序数据估计出另外的部分参数，最后得到整 个方程参数的估计。 注意：这里包含着假设，即参数的横截面估计和 从纯粹时间序列分析中得到的估计是一样的。 6. 变量变换 变量变换的主要方法： (1)计算相对指标 (2)将名义数据转换为实际数据 (3)将小类指标合并成大类指标 变量数据的变换有时可得到较好的结果，但无 法保证一定可以得到很好的结果。 二、逐步回归法 （1）用被解释变量对每一个所考虑的解释变量做简单回归。 （2）以对被解释变量贡献最大的解释变量所对应的回归方程为基础，按对被解释变量贡献大小的顺序逐个引入其余的解释变量。 若新变量的引入改进了 和 检验，且回归参 数的t 检验在统计上也是显著的，则在模型中保 留该变量。 若新变量的引入未能改进 和 检验，且对其他回 归参数估计值的t 检验也未带来什么影响，则认为该 变量是多余变量。 若新变量的引入未能改进 和 检验，且显著地影 响了其他回归参数估计值的数值或符号，同时本身的 回归参数也通不过t 检验，说明出现了严重的多重共 线性。 第五节 案例分析 一、研究的目的要求 提出研究的问题——为了规划中国未来国内旅游产业 的发展，需要定量地分析影响中国国内旅游市场发展 的主要因素。 二、模型设定及其估计 影响因素分析与确定——影响因素主要有国内旅游 人数 ，城镇居民人均旅游支出 ，农村居民人均 旅游支出 ，并以铁路里程 作为相关基础设 施的代表 理论模型的设定 其中 ：