计量经济学多重共线性.ppt

第7章 多重共线性 file:li-7-1file:b1e4file:nonli1417.1 非多重共线性假定（第3版第161页）Y(T 1)=XT (k+1)(k+1)1+u(T 1)2（第3版第162页）7.2 多重共线性的经济解释 37.3 多重共线性的后果 （第3版第163页）45（第3版第164页）7.4 多重共线性的检验 67.5 多重共线性的克服方法5.1 直接合并解释变量当模型中存在多重共线性时，在不失去实际意义的前提下，可以把有关的解释变量直接合并，从而降低或消除多重共线性。如果研究的目的是预测全国货运量，那么可以把重工业总产值和轻工业总产值合并为工业总产值，甚至还可以与农业总产值合并，变为工农业总产值。解释变量变成了一个，自然消除了多重共线性。5.2 利用已知信息合并解释变量通过经济理论及对实际问题的深刻理解，对发生多重共线性的解释变量引入附加条件从而减弱或消除多重共线性。比如有二元回归模型 yt=0+1 xt1+2 xt2+ut x1与x2间存在多重共线性。如果能给出 1与 2的某种关系，2=1其中 为常数。yt=0+1 xt1+1 xt2+ut=0+1(xt1+xt2)+ut 令 xt=xt1+xt2 得yt=0+1 xt+ut 模型是一元线性回归模型，所以不再有多重共线性问题。（第3版第166页）7 7.5 多重共线性的克服方法（第3版第166页）8 5.3 增加样本容量或重新抽取样本这种方法主要适用于那些由测量误差而引起的多重共线性。当重新抽取样本时，克服了测量误差，自然也消除了多重共线性。有时，增加样本容量也可以减弱多重共线性的程度。5.4 利用解释变量之间的关系如果解释变量之间存在多重共线性，那么可以利用它们之间的关系，引入附加方程，从而将单方程模型转化为联立方程模型，克服多重共线性。5.5 变换模型形式通过变换模型形式克服多重共线性。例如某产品销量Y取决于其出厂价格X1，市场价格X2，和市场供应量X3。模型为 LnY=0+1X1+2X2+3X3+ut通常，X1与X2是高度相关的，如果研究的目的是预测销售量Y，则可以用相对价格X1/X2代替X1与X2对销售量Y的影响，LnY=0+1(X1/X2)+3X3+ut从而克服了X1与X2的多重共线性。7.5 多重共线性的克服方法（第3版第166页）97.5 多重共线性的克服方法（第3版第166页）107.5 多重共线性的克服方法5.7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。按可决系数大小给解释变量重要性排序。（2）以可决系数最大的回归方程为基础，按解释变量重要性大小为顺序逐个引入其余的解释变量。这个过程会出现3种情形。若新变量的引入改进了R2，且回归参数的t检验在统计上也是显著的，则该变量在模型中予以保留。若新变量的引入未能改进R2，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的，应该舍弃。若新变量的引入未能改进R2，且显著地影响了其他回归参数估计值的符号与数值，同时本身的回归参数也通不过t检验，这说明出现了严重的多重共线性。舍弃该变量。（第3版第167页）11 7.6 案例分析（3例）例7.1：天津市粮食需求模型（1974-1987）（file:li-7-1）y：粮食销售量（万吨/年），x1：市常住人口数（万人），x2：人均收入（元/年），x3：肉销售量（万吨/年），x4：蛋销售量（万吨/年），x5：鱼虾销售量（万吨/年）。（第3版第168页）122024/4/22 周一13 7.6案例分析（例7.1）（第3版第168页）14把解释变量换成对数形式建模还是存在多重共线性。y=-134.248+0.013x1+33.611Lnx2+34.363Lnx3+27.280Lnx4 34.906Lnx5 (-2.0)(0.1)(1.7)(1.8)(1.3)(-1.6)R2=0.97,F=50.2,DW=1.96,T=14,t0.05(8)=2.31,(1974-1987)用Klein判别法进行分析。首先给出解释变量间的简单相关系数矩阵。因为其中有两个简单相关系数大于R2=0.97，所以根据Klein判别法，模型中存在严重的多重共线性。7.6 案例分析（3例）（第3版第168页）15 7.6 案例分析（3例）用逐步回归法筛选解释变量。（1）用每个解释变量分别对被解释变量做简单回归，以可决系数为标准确定解释变量的重要程度，为解释变量排序。y=-90.921+0.317 x1 (-4.7)(12.2)R2=0.92,F=147.6,T=14,(1974-1987)y=99.613+0.082 x2 (15.4)(7.6)R2=0.83,F=57.6,T=14,(1974-1987)y=74.648+4.893 x3 (9.0)(8.7)R2=0.86,F=75.4,T=14,(1974-1987)y=108.865+5.740 x4 (18.3)(6.8)R2=0.80,F=46.8,T=14,(1974-1987)y=113.375+3.081 x5 (18.7)(6.0)R2=0.75,F=36.1,T=14,(1974-1987)解释变量的重要程度依次为x1,x3,x2,x4,x5。（第3版第169页）167.6 案例分析（3例）（2）以第一个回归方程y=-90.921+0.317 x1为基础，依次引入x3,x2,x4,x5。首先把x3引入模型，y=-39.795+0.212 x1+1.909 x3 (-1.6)(4.7)(2.6)R2=0.95,F=114,T=14,(1974-1987)因为R2从0.92增至0.95，且x3的系数通过显著性检验，所以在模型中保留x3。再把x2引入模型，y=-34.777+0.207 x1+0.009 x2+1.456 x3 (-1.3)(4.3)(0.5)(1.2)R2=0.96,F=70.8,T=14,(1974-1987)因为x2的引入没有使R 2得到改善，同时还使各回归系数的t值下降，所以应剔除x2。把x4引入模型，y=-37.999+0.210 x1+1.746 x3+0.235 x4 (-1.4)(4.4)(1.5)(0.2)R2=0.95,F=69,T=14,(1974-1987)同理，应剔除x4。（第3版第170页）17把x5引入模型，y=-40.823+0.211 x1+2.145 x3 0.157 x5 (-1.5)(4.4)(1.6)(-0.2)R2=0.95,F=69,T=14,(1974-1987)同理，应剔除x5。最后确定的模型是 y=0.141 x1+2.80 x3 (14.6)(5.8)R2=0.94,F=119.8,T=14,(1974-1987)或者以y与x1,x3,x2,x4,x5的相关系数大小排序。按如上的方法逐步回归，得最终结果：y=0.164 x1+0.042 x2 (26.3)(5.4)R2=0.94,F=182.0,T=14,(1974-1987)7.6 案例分析（3例）（第3版第168页）18 补充案例1：1998年农村居民食品支出（file:B1E4）1998年31省市自治区农村居民人均年食品支出（food，元）、人均年总支出（EX，元）和人均年可支配收入（IN，元）。见散点图，food与EX 和IN都是正相关的，19 补充案例1：1998年农村居民食品支出（file:B1E4）建立2元回归模型：估计结果IN回归系数是负的。与事实不符、与经济理论不符。原因是EX和IN之间的多重共线性（高度相关）r(EX,IN)=0.9537大于可决系数0.9482。按Klein判别准则模型存在严重的多重共线性。20 另外，如果用food只对IN回归，回归系数是正的。这也说明上述二元回归结果中存在多重共线性。Foodt=285.5945+0.2571 Int (4.7)(10.5)R2=0.79,F=110,T=31处理方法是用food只对EX回归。效果很好。补充案例1：1998年农村居民食品支出（file:B1E4）21 补充案例2：中国私人轿车拥有量决定因素分析（file:nonli14）1985-2002年中国私人轿车拥有量以年增长率23%，年均增长55万辆的速度飞速增长。考虑到目前农村家庭购买私人轿车的现象还很少，在建立中国私人轿车拥有量模型时，主要考虑如下因素：（1）城镇居民家庭人均可支配收入；（2）城镇总人口；（3）轿车产量；（4）公路交通完善程度；（5）轿车价格。定义变量名如下：Y：中国私人轿车拥有量（万辆）X1：城镇居民家庭人均可支配收入（元）X2：全国城镇人口（亿人）X3：全国汽车产量（万辆）X4；全国公路长度（万公里）227.6 案例分析 补充案例2中国私人轿车拥有量决定因素分析23 7.6 案例分析看相关系数阵，Y与X1，X2，X3，X4的相关系数都在0.9以上，但输出结果中，解释变量X1，X2，X3的回归系数却通不过显著性检验。这预示着解释变量之间一定存在多重共线性。补充案例2中国私人轿车拥有量决定因素分析247.6 案例分析看散点图，把Y与X3，X4处理成线性关系，把Y与X1，X2处理成幂函数（抛物线）关系，得结果如下，补充案例2中国私人轿车拥有量决定因素分析252024/4/22 周一26