五多重共线性(计量经济学,南开大学).pptVIP

我们关于经典线性回归模型（CLRM）有如下假定： 假定1：回归模型对参数是线性的 假定2：在重复抽样中X的值是固定的（非随机） 假定3：干扰项的均值为零。即，E(ui|Xi)=0 假定4：同方差性或ui的方差相等。即 Var(ui|Xi)=E[ui-E(ui)|Xi]2 = E(ui2|Xi]2 = ?2 假定5：各个干扰项无自相关。即 Cov(ui,uj|Xi,Xj)=E[ui-E(ui|Xi) ][uj-E(uj|Xj)] = E(ui|Xi)(uj|Xj) = 0 假定6：ui和Xi的协方差为零。即 Cov(ui,Xi) = E[ui – E(ui)][ Xi – E(Xi)] = E[ui (Xi – E(Xi))] =E(ui Xi) – E(ui)E(Xi） = E(ui Xi) = 0 假定7：观测次数必须大于待估计的参数个数。 假定8：解释变量X的只要有变异性。即一个样本中，Xi不能完全相同。 假定9：模型没有设定误差。 假定10：没有完全的多重共线性，即解释变量之间没有完全的线性关系。 在现实中，以上假定不一定得到满足。本章讨论某些假定不成立时的估计问题。 第五章 多重共线性 第一节 违背古典假定的估计问题 第二节 多重共线性（multi-collinearity） 如果假定10不成立，即在解释变量X1，X2，…，Xk中，存在线性关系。 解释变量间的确定线系关系存在时，存在不全为零的常数 这种关系为完全多重共线性，变量间的相关系数为1。实际上更多的情况是，解释变量间有不完全的线性关系：存在不全为零的数： 其中vi 为随机项。我们把这种解释变量间存在的完全或不完全的线性关系称为多重共线性。由于经济变量自身的性质，它们之间这种多重共线性或强或弱，普遍存在的。 假定λ10， 第三节 多重共线性的影响 一、完全多重共线性 以两个解释变量的回归模型为例，假定回归模型为： 如果采用OLS估计，则有： 根据最小平方和原则，并求解正规方程组，可得到： 如果X2与X3存在完全共线性，即 则： 因此，存在完全共线性时，不能利用OLS估计参数，参数的方差变为无限大。 二、不完全多重共线性 假定X2，X3 间存在不完全多重共线性， 以离差形式表示为： 。 其中vi 为随机项。则 显然，当解释变量X2、X3 之间的相关系数 r23 的绝对值越大，共线性程度就越高，参数估计值的方差就越大，越不准确，且随着相关系数的增大，方差以更大的幅度增加。 三、多重共线性的影响 （1）参数估计值的方差增大，估计量的精度大大降低。影响预测结果（准确度和置信区间）。 （2）参数估计值的标准差增大，使的 t 检验值变小，增大了接受H0，舍弃对因变量有显著影响的变量。 （3）尽管t 检验不显著，但是R2仍可能非常高。 （4）OLS估计量对观测值的轻微变化相当敏感。 一、多重共线性的探查 由于多重共线性使一种普遍现象，而多重共线性的程度影响了参数估计结果，因此我们关心的是共线性的程度，而不是共线性是否存在。 第三节 多重共线性的探查和解决 在双边量回归模型中，可以直接对解释变量的相关系数进行显著性检验，以确定线性相关的程度（此时相关系数的平方等于样本决定系数）。而对于多于两个结束变量的回归模型，则不能利用俩俩相关系数来检验。 对于有多个变量的回归模型，可以采用辅助回归的方法，分别以k-1个解释变量中的第i个对其他变量进行回归，可得到k-2个回归方程的判定系数： R22，R32，…，Rk2。假定这些判定系数中Rj2最大且接近1，则变量Xj 与其他解释变量中的一个或多个有较高相关程度，因此回归方程出现高度多重共线性。 可以进行F检验确定其显著性： 根据第三章的结果，检验R2显著性的F检验值为： 可以采用类似的方法检验： 选择显著水平α ，计算F 统计量的值，与F分布表中的临界值进行比较，若F检验值小于临界值，则多重共线性不显著，反之，则多重共线性显著。 二、解决多重共线性的方法 如果发现监视变量之间存在高度得多重共线性，就必须消除这种多重共线性的影响，保证模型的正确性和估计的有效性。有以下几种解决方法。 1、除去不重要的变量 把回归模型中引起多重共线性，而对因变量的影响不大的变量。但是变量的剔除可能导致模型的设定偏误。 服从t (n-k+1)。给定显著水平α，若统计量大于临界值tα/2，则说明