第四章 多重共线性

合集下载

第四章 多重共线性

第四章 多重共线性
5
二、产生多重共线性的背景
多重共线性产生的经济背景主要有几种情形: 1.经济变量之间具有相同的变化趋势。 2.模型中包含滞后变量。 3.利用截面数据建立模型也可能出现多重共线性。 4.样本数据的原因。
6
第二节 多重共线性的后果
一、完全多重共线性产生的后果
1.参数的估计值不确定 2.参数估计值的方差无限大
Cov( ˆ2 ,
ˆ3 )

(1

r223 )
r23 2
x22i

x32i
随着共线性增加,r23趋于1,方差将增大。同样 协方差的绝对值也增大,它们增大的速度决定于
方差扩大(膨胀)因子(variance inflation factor, VIF)
VIF

1
1 r223
这时
Var(ˆ2 )
4.多重共线性严重时,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。(如引例)
18
第三节 多重共线性的检验
本节基本内容: 简单相关系数检验法 方差扩大因子法 直观判断法 病态指数检验法 逐步回归法
19
一、简单相关系数检验法 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。适用于只有两个变量的情形。

2

x32i 0

同理
ˆ3
这说明完全多重共线性时,参数估计量的方差将 变成无穷大。
9
关于方差的推导
Var(ˆ2 )

x32i (x22i ) (x32i )
(x2i x3i )2

2
1 X21 X 1 X22
1 X2n

《计量经济学》第四章精选题及答案

《计量经济学》第四章精选题及答案

第四章:多重共线性二、简答题1、导致多重共线性的原因有哪些?2、多重共线性为什么会使得模型的预测功能失效?3、如何利用辅回归模型来检验多重共线性?4、判断以下说法正确、错误,还是不确定?并简要陈述你的理由。

(1)尽管存在完全的多重共线性,OLS 估计量还是最优线性无偏估计量(BLUE )。

(2)在高度多重共线性的情况下,要评价一个或者多个偏回归系数的个别显著性是不可能的。

(3)如果某一辅回归显示出较高的2i R 值,则必然会存在高度的多重共线性。

(4)变量之间的相关系数较高是存在多重共线性的充分必要条件。

(5)如果回归的目的仅仅是为了预测,则变量之间存在多重共线性是无害的。

12233i i i Y X X βββ=++来对以上数据进行拟合回归。

(1) 我们能得到这3个估计量吗?并说明理由。

(2) 如果不能,那么我们能否估计得到这些参数的线性组合?可以的话,写出必要的计算过程。

6、考虑以下模型:231234i i i i i Y X X X ββββμ=++++由于2X 和3X 是X 的函数,那么它们之间存在多重共线性。

这种说法对吗?为什么? 7、在涉及时间序列数据的回归分析中,如果回归模型不仅含有解释变量的当前值,同时还含有它们的滞后值,我们把这类模型称为分布滞后模型(distributed-lag model )。

我们考虑以下模型:12313233i t t t t t Y X X X X βββββμ---=+++++其中Y ——消费,X ——收入,t ——时间。

该模型表示当期的消费是其现期的收入及其滞后三期的收入的线性函数。

(1) 在这一类模型中是否会存在多重共线性?为什么? (2) 如果存在多重共线性的话,应该如何解决这个问题? 8、设想在模型12233i i i i Y X X βββμ=+++中,2X 和3X 之间的相关系数23r 为零。

如果我们做如下的回归:1221i i i Y X ααμ=++ 1332i i i Y X γγμ=++(1)会不会存在22ˆˆαβ=且33ˆˆγβ=?为什么? (2)1ˆβ会等于1ˆα或1ˆγ或两者的某个线性组合吗? (3)会不会有22ˆˆvar()var()βα=且33ˆˆvar()var()γβ=? 9、通过一些简单的计量软件(比如EViews 、SPSS ),我们可以得到各变量之间的相关矩阵:2323232311 1k k k k r r r r R r r ⎛⎫⎪ ⎪=⎪ ⎪ ⎪⎝⎭L L M M M M L 。

计量经济学第四章多重共线性

计量经济学第四章多重共线性

R-squared
0.989654
Adjusted R-squared 0.986955 S.E. of regression 1437.448 Sum squared resid 47523916 Log likelihood -256.7013 Durbin-Watson stat 1.654140
4
(二)不完全的多重共线性
实际中,常见的情形是解释变量之间存在不 完全的多重共线性。
对于解释变量 X 2 , X 3, X k,存在不全为0的数
1
,

2
,
,使得
k
1 2X2 3X3 ...k Xk u 0
5
(三)解释变量的关系小节
可能表现为三种情形: r为相关系数 (1) rxixj 0 ,解释变量间毫无线性关系。这时多元
Var(ˆ2 )
9
二、不完全多重共线性产生的后果
1、参数估计值的方差增大
Var( βˆ 2 ) = σ 2
1 x22i (1-
r223 )
=
σ2
1
x22i (1 - r223 )
当 r23增大时,
^
Var( 2)
也增大
10
方差膨胀因子 (Variance Inflation Factor)
17 17
2、交叉相关系数(Cross correlation)
相关系数计算的是两组样本的同期相关程 度,交叉相关则可以表示不同期之间的相关 程度。
Eviews操作: Group窗口的view/cross correlation/输入 滞后期设定/ 输出结果阅读:看是否超出2倍标准差线
18
2倍 标准 差线
1、参数估计值有很大的偶然性。 2、参数显著性检验未通过。 3、经济意义检验未通过。 4、相关系数大。

第四章多重共线性

第四章多重共线性

第四章 多重共线性一、单项选择题1、完全的多重共线性是指解释变量的数据矩阵的秩( )(A )大于k (B )小于k(C )等于k (D )等于k+12、当模型存在严重的多重共线性时,OLS 估计量将不具备( )(A )线性 (B )无偏性(C )有效性 (D )一致性3、如果每两个解释变量的简单相关系数比较高,大于( )时则可认为存在着较严重的多重共线性。

(A )0.5 (B )0.6(C )0.7 (D )0.84、方差扩大因子VIF j 可用来度量多重共线性的严重程度,经验表明,VIF j ( )时,说明解释变量与其余解释变量间有严重的多重共线性。

(A )小于5 (B )大于1(C )小于1 (D )大于105、对于模型01122i i i i Y X X u βββ=+++,与r 23等于0相比,当r 23等于0.5时,3ˆβ的方差将是原来的( )(A )2倍 (B )1.5倍(C )1.33倍 (D )1.25倍6、无多重共线性是指数据矩阵的秩( )(A )小于k (B )等于k(C )大于k (D )等于k+17、无多重共线性假定是假定各解释变量之间不存在( )(A )线性关系 (B )非线性关系(C )自相关 (D )异方差8、经济变量之间具有共同变化的趋势时,由其构建的计量经济模型易产生( )(A )异方差 (B )自相关(C )多重共线性 (D )序列相关9、完全多重共线性产生的后果包括参数估计量的方差( )(A )增大 (B )减小(C )无穷大 (D )无穷小10、不完全多重共线性产生的后果包括参数估计量的方差( )(A )增大 (B )减小(C )无穷大 (D )无穷小11、不完全多重共线性下,对参数区间估计时,置信区间趋于( )(A )变大 (B )变小(C )不变 (D )难以估计12、较高的简单相关系数是多重共线性存在的( )(A )必要条件 (B )充分条件(C )充要条件 (D )并非条件13、方差扩大因子VIF j是由辅助回归的可决系数R j2计算而得,R j2越大,方差扩大因子VIF j就()(A)越大(B)越小(C)不变(D)无关14、解释变量间的多重共线性越弱,方差扩大因子VIF j就越接近于()(A)1 (B)2(C)0 (D)1015、多重共线性是一个()(A)样本特性(B)总体特性(C)模型特性(D)以上皆不对二、多项选择题1、多重共线性包括()(A)完全的多重共线性(B)不完全的多重共线性(C)解释变量间精确的线性关系(D)解释变量间近似的线性关系(E)非线性关系2、多重共线性产生的经济背景主要由()(A)经济变量之间具有共同变化趋势(B)模型中包含滞后变量(C)采用截面数据(D)样本数据自身的原因3、多重共线性检验的方法包括()(A)简单相关系数检验法(B)方差扩大因子法(C)直观判断法(D)逐步回归法(E)DW检验法4、修正多重共线性的经验方法包括()(A)剔除变量法(B)增大样本容量(C)变换模型形式(D)截面数据与时间序列数据并用(E)变量变换5、严重的多重共线性常常会出现下列情形()(A)适用OLS得到的回归参数估计值不稳定(B)回归系数的方差增大(C)回归方程高度显著的情况下,有些回归系数通不过显著性检验(D)回归系数的正负号得不到合理的经济解释三、名词解释1、多重共线性2、完全的多重共线性3、辅助回归4、方差扩大因子VIF j5、逐步回归法6、不完全的多重共线性四、简答题1、多重共线性的实质是什么?2、为什么会出现多重共线性?3、多重共线性对回归参数的估计有何影响?4、判断是否存在多重共线性的方法有那些?5、针对多重共线性采取的补救措施有那些?6、具有严重多重共线性的回归方程能否用来进行预测?五、辨析题1、在高度多重共线性的情形中,要评价一个或多个偏回归系数的单个显著性是不可能的。

第四章多重共线性

第四章多重共线性

2
x2j VIFj
注意:R2j 是多个解释变量辅助回归的多重可决系数,
而相关系数 r223只是说明两个变量的线性关系 。
(一元回归中可决系数的数值等于相关系数的平方)
17
方差扩大因子的作用

R2j 越大
VIFJ 1 (1 R2j ) 多重共线性越严重
VIFj越大
VIFj的大小可以反映解释变量之间存在多重共线性的严重
1 x22i (1
r223 )
2
x22i
1 (1 r223)
2
x22i
VIF2
当 r23 增大时,VIF2 增大, Var(ˆ2 ) 也会增大 ,
思考: 当 r23 0 时 Var(ˆ2) 2
x22i
(与一元回归比较)
当 r23 1 时 Var(ˆ2 )
(见前页结论) 8
三、当多重共线性严重时,甚至可能使估计
在总体中部分或全部解释变量可能没有线性关系,但是 在具体获得的样本中仍可能有共线性关系,因此多重共线 性问题本质上是一种样本现象。
正因为如此,我们无法对多重共线性问题进行统计假设 检验,只能设法评价解释变量之间多重共线性的严重程度。
5
第二节 多重共线性产生的后果
从参数估计看,在完全无多重共线性时,各解释变量都独
Kt
Kt
ln Qt ln A ln Lt ln Kt ln u
(ln Lt 与 ln Kt 有多重共线性) ln Qt ln A ln Lt ln u
Kt
Kt 22
三、截面数据与时间序列数据的结合
有时在时间序列数据中多重共线性严重的变量,在截 面数据中不一定有严重的共线性
假定前提:截面数据估计出的参数在时间序列中变化不大

第4章多重共线性

第4章多重共线性

计量经济学课程教案第四章 多重共线性§ 什么是多重共线性 一、多重共线性的概念 对于模型Y i =1+2X 2i +3X 3i++k X ki+ii=1,2,…,n其基本假设之一是解释变量是互相独立的。

如果存在c 1X 1i +c 2X 2i +…+c k X ki =0 i=1,2,…,n其中: c i 不全为0,则称为解释变量间存在完全共线性(perfectmulticollinearity )。

在矩阵表示的线性回归模型 Y=X+中,完全共线性指:秩(X)<k+1,即⎪⎪⎪⎪⎪⎭⎫⎝⎛=kn nn k k X X XX X X X X X X 212221212111111二、实际经济问题中的多重共线性一般地,产生多重共线性的主要原因有以下三个方面: (1)经济变量相关的共同趋势时间序列样本:经济繁荣时期,各基本经济变量(收入、消费、投资、价格)都趋于增长;衰退时期,又同时趋于下降。

横截面数据:生产函数中,资本投入与劳动力投入往往出现高度相关情况,大企业二者都大,小企业都小。

(2)滞后变量的引入在经济计量模型中,往往需要引入滞后经济变量来反映真实的经济关系。

例如,消费=f(当期收入, 前期收入) 显然,两期收入间有较强的线性相关性。

(3)样本资料的限制由于完全符合理论模型所要求的样本数据较难收集,特定样本可能存在某种程度的多重共线性。

一般经验:时间序列数据样本:简单线性模型,往往存在多重共线性。

截面数据样本:问题不那么严重,但多重共线性仍然是存在的。

§ 多重共线性产生的后果一、完全共线性下参数估计量不存在μX βY +=的OLS 估计量为:Y X X X β''=-1)(ˆ如果存在完全共线性,则(X’X)-1不存在,无法得到参数的估计量。

二、近似共线性下OLS 估计量非有效 近似共线性下,可以得到OLS 参数估计量, 但参数估计量方差的表达式为12)()ˆ(-'=X X βσCov由于|X’X|0,引起(X’X)-1主对角线元素较大,使参数估计值的方差增大,OLS参数估计量非有效。

多重共线性

多重共线性

第四章 多重共线性第一节 什么是多重共线性一、多重共线性的含义所谓多重共线性,不仅包括解释变量之间完全(精确)的线性关系,还包括解释变量之间近似的线性关系。

对于解释变量23,,,k X X X ,如果存在不全为零的数123,,,,k λλλλ ,能使得12233i i k ki X X X λλλλ++++ =0 ,(i =1,2,,n )——即解释变量的数据矩阵的列向量组线性相关。

则称解释变量23,,,k X X X 之间存在着完全的线性关系。

用数据表示,解释变量的数据矩阵为X =213112232223111k k nnkn X X X XX X X X X ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦当()r X <k 时,也说明解释变量23,,,k X X X 之间存在着完全的线性关系。

当存在完全共线性时,至少有一个变量(列向量)可以用其余的变量(列向量)线性表出。

在实际问题中,完全的共线性并不多见。

常见的情形是解释变量23,,,k X X X 之间存在不完全的共线性,这是指存在不全为零是数123,,,,k λλλλ ,使得12233λλλλ+++++ i i k ki i X X X v =0(i =1,2,,n )其中i v 是随机变量。

这表明此时解释变量之间只是一种近似的线性关系。

二、产生多重共线性的背景1.经济变量之间具有共同的变化趋势2.模型中包含滞后变量3.利用截面数据建立模型也可能出现共线性4. 样本数据自身的原因第二节 多重共线性产生的后果完全共线性时,矩阵X X '不可逆,参数估计式ˆβ=1()X X X Y -''不存在,OLS 无法应用。

不完全的共线性时,1()X X -'也存在,可以得到参数的估计值,但是对计量经济分析可能会产生一系列影响。

一、参数估计量的无偏性依然成立不完全共线性时ˆ()E β=1()E X X X Y -''⎡⎤⎣⎦=1()()E X X X X U β-''⎡⎤+⎣⎦=β+()1()X X X E U -''=β二、参数OLS 估计值方差扩大 如二元回归模型i Y =12233i i i X X u βββ+++中的2X 与3X 为不完全的共线性时,2X 与3X 之间的相关系数23r 可由下式给出223r=2232223()x x x x∑∑∑容易证明2ˆ()Var β=222223(1)i x r σ-∑3ˆ()Var β=222323(1)ixr σ-∑随着共线性的程度增加,23r 的绝对值趋于1,两个参数估计量的方差也增大。

第四章第二节 多重共线性产生的后果

第四章第二节  多重共线性产生的后果

Y E(Y ) 1 2 X2 3 X3

二元线性回归模型 Y 1 2 X 2 3 X3 u
其离差形式为: y 2 x2 3x3 u


y 2 x2 3 x3 e
2和 3 的估计式
ˆ2 (
yx2 )( x32 ) ( yx3 )( x2 x3 ) ( x22 )( x32 ) ( x2 x3 )2

x31x32 x3n xk1xk 2xkn (k1)n



y x e, xy xx xe xx ,即为正规方程组
x21x22 x2n y1 x31x32 x3n y2 xk1xk2 xkn yn
r24 0.9632 r35 0.8435 r46 0.9248
r25 0.4569 r36 0.5494 r56 0.5438
r26 0.8569
表明一些解释变量之间确实存在共线性。
***离差形式的最小二乘估计量
多元线性总体回归模型有:
Yi 1 2 X 2i 3 X 3i k X ki ui Y 1 2 X2 3 X3 k Xk Yi Y 2 ( X 2i X 2 ) 3 ( X 3i X 3 ) k ( X ki X k ) ui yi 2 x2i 3 x3i k xki ui
x22 )2
x22 )

(
yx2
) 2 ( y)( ( x22 )( 2 )
x22 )
通过上式可以看出,随着 X2、X3 共线性程度的越
高,即 愈向零靠近,从而 ˆ2 就会愈趋向于不确定

计量经济学(第四章多重共线性)

计量经济学(第四章多重共线性)

06
总结与展望
研究结论总结
多重共线性现象普遍存在于经济数据中,对计量 经济学模型的估计和解释产生了重要影响。
通过使用多种诊断方法,如相关系数矩阵、方差膨 胀因子(VIF)和条件指数(CI),可以有效地识别 多重共线性问题。
在存在多重共线性的情况下,普通最小二乘法 (OLS)估计量虽然仍然是无偏的,但其方差可能 变得很大,导致估计结果不稳定。
主成分分析法的优点
可以消除多重共线性的影响,同 时降低自变量的维度,简化模型。
岭回归法
岭回归法的基本思想
通过在损失函数中加入L2正则化项(即所有自变量的平方和),使得回归系数的估计更加稳定, 从而消除多重共线性的影响。
岭回归法的步骤
首先确定正则化参数λ的值,然后求解包含L2正则化项的损失函数最小化问题,得到岭回归系数的估 计值。
逐步回归法的优点
可以自动选择重要的自变量,同时消除多重共线性的影响。
主成分分析法
主成分分析法的基本思想
通过正交变换将原始自变量转换 为互不相关的主成分,然后选择 少数几个主成分进行回归分析。
主成分分析法的步骤
首先对原始自变量进行标准化处理, 然后计算相关系数矩阵并进行特征值 分解,得到主成分及其对应的特征向 量。最后,选择少数几个主成分作为 新的自变量进行回归分析。
岭回归法的优点
可以有效地处理多重共线性问题,同时避免过拟合现象的发生。此外,岭回归法还可以提供对所 有自变量的系数进行压缩估计的功能,使得模型更加简洁易懂。
05
实证研究与结果分

数据来源及预处理
数据来源
本研究采用的数据集来自于公开的统 计数据库,涵盖了多个经济指标和影 响因素的观测值。
数据预处理

计量经济学第四章 多重共线性

计量经济学第四章 多重共线性

x2i


3 2
x3i

x3i
参数的估计值为:
ˆ2
x32i x2i yi x2i x3i x3i yi
(
x22i )(
x32i ) (
x2i
x 3i
)2
x32i
2
x3i yi x32i 2 2
x32i x32i
x2i x3i x22i
x2i x3i
ˆ1 Y ˆ2 X 2 ˆ3 X 3
ˆ2
x32i x2i yi x2i x3i x3i yi ( x22i )( x32i ) ( x2i x3i )2
ˆ3
x22i x3i yi x2i x3i x2i yi •
(
x22i )(
x32i ) (
x2i
x 3i
)
2
x2i yi x3i yi
x2i x3i x32i
4.2多重共线性的后果
如果X1和X2完全线性相关,则存在非0的λ使得:
1 2 X 2i 3 X 3i 0
则有:
1 2 X 2 3 X 3 0
2 X 2i X 2 3 X3i X3 0
X 2i X3i X 2iYi
X
2 3i

X
3iYi


VAR
COV
(βˆ )


2
(XX)1


2

N X 2i


X 3i
X2i
X
2 2i
X 2i X 3i

第四章 多重共线性

第四章  多重共线性
2 X2 3 X3 k Xk 0;或秩(XX)=k,得XX可逆
6.正态性,即 ui ~ N (0,。2 )
Yi 1 2 Xi ui E(Yi ) 1 2 Xi E(ui ) 1 2 Xi c (1 c) 2 Xi
不完全多重共线性的矩阵描述:
设矩阵
1 X 21
X 1 X 22

1 X 2n
Xk1
X
k
2


X kn

不完全多重共线性就是:X ' X 0
即 Rank(X ) k
表明在向量矩阵X中,没有一个列 向量可以由其余的列向量精确线性表 出。
2 X 2 3 X3 k X k 0
3. 在模型中采用大量的滞后变量也容易产生多重共 线性。这是因为滞后变量从经济性质上看与原来的变 量无区别,只是时间上有所不同,从经济意义上这些 变量之间的关联度比较紧密。
例如:在研究消费函数时,作为影响消费行为的
因素,我们不仅要考虑在模型中引入当期的可支配收
入,同时还可能引入以往各期的可支配收入。如果记
对于假定(1)的违反,假设一元线性回归方程, 这时会对截距 1 的估计产生影响,而对 2 的估 计没有影响,详细内容可见第八章;
对于假定(6)的违反,即 ui 不服从正态分布, 这时最小二乘估计仍然是最佳线性无偏估计,并 且在大样本的情况下,随机误差 ui 是渐进服从 正态分布的。
对于违反假定2、3、4、5,我们将在第四 章到第六章以及第八章分布讨论。
以上各种情况只是在建模过程中对多重共线性产 生原因的总结。在建模时对于不同的问题,需要运用 经济学的原理和具体的经济状况加以认真分析,以判 断模型中解释变量是否存在共线性。

第四章第四节 多重共线性的补救措施

第四章第四节  多重共线性的补救措施
Yt 1 2 X 2t 3 X 3t ut
其中, Yt 为商品的消费量, X 2t 为商品的价格,X3t 为消费者收入,若通过抽样调查得到截面数据从而
求得消费者收入的边际消费倾向估计量 ˆ3 ,则上式
变为:
Yt ˆ3 X3t 1 2 X2t ut
令 Yt* Yt ˆ3X3t ,则 Yt* 1 2 X 2t ut
如果原模型(4.4.13)式存在严重的多重共 线性,那么一般情况下,经过差分变换后 会对减轻或消除多重共线性。但是在对一 阶差分式的估计中极有可能会出现 ut 序 列相关的问题,将不满足高斯-马尔可夫 定理(古典假设)。所以,一般情况下, 差分形式应慎用。
五、逐步回归法
基本做法:1.将被解释变量Y对每一个解 释变量 Xi (i 1,2,, k) 分别进行回归,对每一个 回归方程根据经济理论和统计检验进行综合分 析判断,从中挑选出一个最优的基本回归方程。 2.在此基础上,再逐一引入其他解释变量,重 新作回归,逐步扩大模型的规模,直至从综合 情况看出现最好的模型估计形式。
但是劳动力的增长同资本的增长随时间的变换呈高
度相关。如果已知规模报酬不变,即 1 ,则 生产函数变为:
Qt

ALt
K
1 t
从而有:
ห้องสมุดไป่ตู้
Qt Kt

A( Lt ) Kt
Qt
Lt
其中 Kt 为资本产出率, Kt 为劳动对资本的
投入率。将上式两边去对数得:
ln( Qt ) ln A ln( Lt )

1


* 2
X 3t X 2t
ut
可回避原模型的多重共线性。

第四章多重共线性实例

第四章多重共线性实例

Yˆ 30867 .64 4.576 X1
(25.58) (11.49)
R2=0.8919 F=132.1 DW=1.56
Yˆ 33821 .18 0.699 X 2
(-0.49) (1.14) R2=0.075 F=1.30 DW=0.12
Yˆ 31919 .0 0.380 X 4
(17.45) (6.68) R2=0.7527 F=48.7 DW=1.11
Yˆ 28259.19 2.240X5
(-1.04) (2.66) R2=0.3064 F=7.07 DW=0.36
• 可见,应选第1个式子为初始的回归模型。
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。
2930.2
110560 25894.7
30308
3151.9
110509 23133.0
31817
3317.9
109544 31383.0
33802
3593.7
110060 22267.0
36118
3827.9
112548 21233.0
38547
3980.7
112912 30309.0
42016
年份
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
粮食产量
Y
(万吨) 38728 40731 37911 39151 40208 39408 40755 44624 43529 44264 45649 44510 46662 50454 49417 51230 50839 46218

第四章 多重共线性

第四章 多重共线性
第四章 多重共线性
多重共线性的定义 产生多重共线性的背景 多重共线性产生的后果 多重共线性的检验 多重共线性的补救措施
第四章 多重共线性
一、多重共线性的定义:案例1 能源消费 多重共线性的定义:案例1
1、完全多重共线性: 、完全多重共线性: 对于 变 量 X 2 , X 3 ,L, X k ,如 果 存在 不全 为零 的数 λ2,λ3, ,λk , 使 L
年份 财政收 农业增 工业增 建筑业 总人口/ 最终消 入CS 加值NZ 加值GZ 增加值 万人 费CUM
1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1132.3 1146.4 1159.9 1175.8 1212.3 1367 1642.9 2004.8 2122 2199.4 2357.2 2664.9 2937.1 3149.48 3483.37 1018.4 1258.9 1359.4 1545.6 1761.6 1960.8 2295.5 2541.6 2763.9 3204.3 3831 4228 5017 5288.6 5800 1607 1769.7 1996.5 2048.4 2162.3 2375.6 2789 3448.7 3967 4585.8 5777.2 6484 6858 8087.1 10284 138.2 143.8 195.5 207.1 220.7 270.6 316.7 417.9 525.7 665.8 810 794 859.4 1015.1 1415 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 2239.1 2619.4 2976.1 3309.1 3637.9 4020.5 4694.5 5773 6542 7451.2 9360.1 10556.5 11365.2 13145.9 15952.1

第四章-多重共线性-答案

第四章-多重共线性-答案

第四章 多重共线性一、判断题1、多重共线性是一种随机误差现象。

(F )2、多重共线性是总体的特征。

(F )3、在存在不完全多重共线性的情况下,回归系数的标准差会趋于变小,相应的t 值会趋于变大。

(F )4、尽管有不完全的多重共线性,OLS 估计量仍然是最优线性无偏估计量。

(T )5、在高度多重共线的情形中,要评价一个或多个偏回归系数的个别显著性是不可能的。

(T )6、变量的两两高度相关并不表示高度多重共线性。

(F )7、如果分析的目的仅仅是预测,则多重共线性一定是无害的。

(T )8、在多元回归中,根据通常的t 检验,每个参数都是统计上不显著的,你就不会得到一个高的2R 值。

(F ) 。

9、如果简单相关系数检测法证明多元回归模型的解释变量两两不相关,则可以判断解释变量间不存在多重共线性。

( F )10、多重共线性问题的实质是样本问题,因此可以通过增加样本信息得到改善。

(T ) 11、虽然多重共线性下,很难精确区分各个解释变量的单独影响,但可据此模型进行预测。

(T )12、如果回归模型存在严重的多重共线性,可不加分析地去掉某个解释变量从而消除多重共线性。

(F )13、多重共线性的存在会降低OLS 估计的方差。

(F )14、随着多重共线性程度的增强,方差膨胀因子以及系数估计误差都在增大。

(T ) 15、解释变量和随机误差项相关,是产生多重共线性的原因。

(F ) 16、对于模型i ni n i 110i u X X Y ++++=βββ ,n 1i ,, =;如果132X X X -=,模型必然存在解释变量的多重共线性问题。

(T )17、多重共线性问题是随机扰动项违背古典假定引起的。

(F ) 18、存在多重共线性时,模型参数无法估计。

(F ).二、单项选择题1、在线性回归模型中,若解释变量1X 和2X 的观测值成比例,既有12i i X kX =,其中k 为 非零常数,则表明模型中存在 ( B ) A 、异方差 B 、多重共线性 C 、序列相关 D 、随机解释变量2、 在多元线性回归模型中,若某个解释变量对其余解释变量的可决系数接近1,则表明模型中存在 ( C ) A 、异方差性 B 、序列相关 C 、多重共线性 D 、拟合优度低3、对于模型i i 22i 110i u X X Y +++=βββ,与0r 12=相比,当50r 12.=时,估计量1βˆ的方差()1βˆvar 将是原来的 ( B ) A 、 1 倍 B 、 倍 C 、 倍 D 、 2 倍>4、如果方差膨胀因子VIF =10,则认为什么问题是严重的( C )A 、异方差问题B 、序列相关问题C 、多重共线性问题D 、 解释变量与随机项的相关性 5、经验认为某个解释与其他解释变量间多重共线性严重的情况是这个解释变量的VIF ( C )。

第四章 多重共线性

第四章 多重共线性

三、产生的后果
• 概括地讲,其后果是参数估计量失去应有含义;方差增大, t检验失效;预测结论不准确。 具体地讲, • 由于参数估计量的方差增大,使得估计量的精度大大降低, 因而不能正确地判断各解释变量对被解释变量影响大小,即 参数估计量经济含义不合理(参数不反映各自与被解释变量
之间的结构关系,而是反映对被解释变量的共同影响)
(二)多重共线性的类型
如果多元线性回归模型中,存在两个或多个解释变量之 间存在严格的线性关系,则称为完全(exact)多重共 线性,如前例。 有时解释变量之间存在近似的、而不是严格的线性关系, 则称为近似(near)多重共线性。前者是由于模型引进 变量不当引起,后果是回归分析完全失效;而后者既与 变量选择有关,也与数据存在共同趋势有关,但更多的 是与数据有关。其后果是参数无法唯一确定(即参数估
计不稳定);错误的结论(即数据较小变化引起参数估 计量较大变化);参数估计量方差增大;参数估计量符 号与实际结果相反。
二、多重共线性产生的原因
• 1.截面数据(或面板数据)建立的回归模型,选择的 经济变量往往从经济上存在密切关联。 • 如:以截面数据建立的生产函数,从投入要素看 (劳动力、资金),都与企业生产规模密切相关。 则各要素间存在较强的相关性;又如,农业生产过 程中,土地面积与施肥量存在密切联系,即面积越 大,施肥量越多。 • 2.许多经济变量在随时间变化过程中,往往存在共同 的变化趋势,则经济变量间易产生多重共线性。 如:经济增长 、收入增长、商品销售增长、物价提 高、货币发行增多、储蓄增加
1、相关系数检验
• 确定相关系数的方法:(比较简单) COR 解释变量名称 如:COR x1 x2 x3 • 以相关系数的大小确定解释变量之间是否相关

第四章 多重共线性

第四章 多重共线性

建筑业增加值JZZ
总人口TPOP 最终消费CUM 受灾面积SZM
-1.527089
0.151160 0.101514 -0.036836
1.206242
0.033759 0.105329 0.018460
-1.265989
4.477646 0.963783 -1.995382
0.2208
0.0003 0.3473 0.0605
计量经济学
第四章 多重共线性
1
基本假定是否现实?
假定1:零均值假定 或 相关假定
E ( u i ) 0 ( i 1, 2, , n )
E (u) = 0
假定2和假定3:同方差和无自
C ov ( u i , u j ) E[( u i - E u i )( u j - E u j )] E ( u i u j )
632.0999
0.000000 6
模型估计与检验结果分析
●可决系数为0.995,校正的可决系数为0.993,模型 拟合很好。模型对财政收入的解释程度高达99.5%。 ●F统计量为632.10,说明0.05水平下回归方程整体 上显著。 ● t 检验结果表明,除了工业增加值和总人口以外, 其他因素对财政收入的影响均不显著。 ●农业增加值和建筑业增加值的回归系数是负数。 农业和建筑业的发展反而会使财政收入减少吗?! 这样的异常结果显然与理论分析和实践经验不相符。 若模型设定和数据真实性没问题,问题出在哪里呢?
2
( y x )( x 3i) y i x 3i)( x 3 i x 3 i ) ( 0 ˆ i 3i 3 2 2 2 2 2 ( x i )( x 3 i ) ( x 3 i x 3 i ) 0
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第四章 多重共线性
●什么是多重共线性 ●多重共线性产生的后果 ●多重共线性的检验 ●多重共线性的补救措施
1
第一节 什么是多重共线性
●多重共线性的含义 ●产生多重共线性的背景
2
一、多重共线性的含义
在计量经济学中所谓的多重共线性 (Multi-Collinearity),不仅包括完全的多 重共线性(X之间存在精确的线性关系), 还包括不完全的多重共线性(X之间存在 近似的线性关系) 。
超出2倍标准差线→有严重的交叉相关性
未超出2倍标准差线→没有严重的交叉相关性
19
滞后
先行 交叉相 关系数
2倍标 准差线
结论:x2 和x3滞后 值存在严 重的1阶交 叉相关; 反向则存 在0阶交叉 相关。
20
结论: m1和m2滞 后之间存 在严重10 阶交叉相 关; 反向 存在严重 的10阶交 叉相关。
2、增大样本容量 ——常面临许多实际困难。
28
3、变换形式——模型差分法
一般而言,一般讲,增量之间的线性关系远 比总量之间的线性关系弱得多,以data4 为例,
29
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(将Y和X、u都取 差分),
Yi 1X 1i 2 X 2i
回归中每个参数j都可以通过Y 对 Xj 的一元回归来估 计。
(2) rxi x j 1 ,解释变量间完全共线性。此时模型参 数将无法确定。
(3) 0<rxi x j < 1 ,解释变量间存在一定程度的线性关 系。实际中常遇到的情形。
6
二、产生多重共线性的背景
多重共线性产生的主要原因:
1.经济变量之间具有共同变化趋势。 2.在截面数据中,变量间从经济意义上具有密切 的关联度。 3.模型中包含滞后变量。 4.样本数据自身的原因。
2
没有多重共线性时,相关系数为0,方差膨 σ2 胀因子为1,从而表现为参数估计量的方差是 x22i (符合第二章满足古典假定条件下的内容)。

2
3

11
2、置信区 间趋于变大
3、假设检验容易 做出错误的判断
存在多重共线性时 参数估计值的方差与标准差变大
ˆ se( ˆ) ˆ t 2 2
P[ 2 t se( 2 ) 2 2 t se( 2 )] 1
23
三、直观判断法
1、参数估计值有很大的偶然性。 2、参数显著性检ቤተ መጻሕፍቲ ባይዱ未通过。 3、经济意义检验未通过。 4、相关系数大。
24
例:财政收入模型的Eviews估计结果
Variable
农业增加值 工业增加值 建筑业增加值 总人口 最终消费 受灾面积 截距
Coefficient
-1.907548
Std. Error
k X ki ui
可以有效地消除原模型中的多重共线性。 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,在具体运用时 要慎重。
30
4、利用约束条件——先验信息法 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
0.045947 6.458374 0.096022 0.003108 -0.027627 -5432.507
R-squared 0.989654 Adjusted R-squared 0.986955 S.E. of regression 1437.448 Sum squared resid 47523916 Log likelihood -256.7013 Durbin-Watson stat 1.654140
2、参数估计值的方差无限大
ˆ ) Var( 2
9
二、不完全多重共线性产生的后果
1、参数估计值的方差和协方差增大
2 1 σ 1 2 ˆ Var( β 2 ) = σ = 2 2 2 2 x (1r ) x (1r 2i 23 2i 23 )
ˆ , ˆ =σ 2 Cov 2 3 =
2 2 ^ ^ ^ ^ ^ ^
使t统计量值变小, 误导作出参数为0的推断 可能将重要的解释变量 排除在模型之外
使区间预测的“区间”变大
12
4、参数估计量经济含义不合理
对 X 的系数而言,当 X1 和 X2 具有一定的线性 相关性时,难以完全区分两者对Y增长的影响, ——i的估计式会趋向于不确定的形式。
21
二、方差膨胀因子法
以 X j 为被解释变量,对其他解释变量做辅助 回归。该辅助回归的可决系数为 R 2 , j
VIFj 是变量 X j 的方差扩大因子
(Variance Inflation Factor)
1 VIFj = 2 1- R j
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。 方差膨胀因子越接近于1,多重共线性越弱。 ●一般用来判断严重多重共线性的标准: VIF ≥10( VIF ≥10,R2≥ 0.9)
0.342045 0.042746 0.765767 0.091660 0.042807 0.048904 8607.753
t-Statistic
-5.576888 1.074892 8.433867 1.047591 0.072609 -0.564916 -0.631118
Prob.
0.0000 0.2936 0.0000 0.3057 0.9427 0.5776 0.5342
最小二乘估计。
31
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。 方法实用性较差。 6、变量变换
(1) 相对指标 (2) 实际值 (3) 大类指标
32
二、逐步回归法
逐步回归法的步骤
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、根据检验确定一个最优的基本回归方程; 以此方程为基础,逐步扩大模型规模。
多重共线性情况。
16
一、简单相关系数检验法
1、简单相关系数
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。 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(这个
数字并不是通用的标准),则可认为存在着较严
重的多重共线性。
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。因此并不能简单地
4
(二)不完全的多重共线性
实际中,常见的情形是解释变量之间存在不 完全的多重共线性。 对于解释变量 X 2 , X 3 , 1 , 2 , k,使得
X k,存在不全为0的数
1 2 X 2 3 X 3 ... k X k u 0
5
(三)解释变量的关系小节
r为相关系数 可能表现为三种情形: (1) rxi x j 0 ,解释变量间毫无线性关系。这时多元
(1)保留变量的情况
若新变量的引入改进了 R 2 和F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。
33
(2)剔除变量的情况 若新变量的引入未能改进 R 2和 F 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,不需加入模型。 若新变量的引入使得 R 2和 F 值显著降低,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。
7
第二节 多重共线性产生的后果
完全多重共线性产生的后果 不完全多重共线性产生的后果
8
一、完全多重共线性产生的后果
1、参数的估计值不确定
在 X 2 和 X 3 完全共线性时,无法保持要 X 2
不变,而单独考虑 X 3变动对
Y 的影响。
——即 X 和 X 的影响不可区分,参数的估 2 3 计值无意义。
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,就存在多重共线性。 逐步回归法也是一种补救多重共线性的方法。
26
第四节 多重共线性的补救措施
3
(一)完全的多重共线性
对于解释变量 X 2 , X 3 , , X k ,如果存在不全为 0的 λ 数 ,使得 λ 1, 2 ,...λ k
1 2 X 2i 3 X 3i ... k X ki 0
i 1, 2,..., n
则称解释变量 X 2 , X 3 , X k 之间存在着完全的多重 共线性,此时x2对Y的解释作用能完全被x3替代。
• 综上,不完全多重共线性通常一般性表现为方 程整体可信(F检验和拟合优度检验通过)而 某些参数不可信(t检验或经济意义检验)不通 过的情况。
13
第三节 多重共线性的检验
● 简单相关系数检验法 ● 方差膨胀因子法 ● 直观判断法 ● 逐步回归检测法
14
哪些情形应关注多重共线性检验
(1)参数估计值不稳定;
解释变量间不能进行有效的“分工”。
39
(2)相关系数法
计算各解释变量的简单相关系数
40

简单相关系数矩阵表明除了x6以外,各解释变 量间确实存在严重的多重共线性。
41
计算各解释变量的交叉相关系数
●修正多重共线性的经验方法 ●逐步回归法
27
一、修正多重共线性的经验方法
1、剔除变量法
(1)简单相关系数法下, 选择相关系数较大的两个变量中相对不重 要的变量进行剔除。 (2)方差膨胀因子法下, 首先剔除最大的 方差膨胀因子对应的变量; 如果仍存在多重共线性,剔除第二大的。 ——要注意,如果去掉的是重要变量,通 常会导致偏误。
相关文档
最新文档