多重共线性
多重共线性的概念:模型解释变量之间存在完全线性相关或不完全线性相关关系 产生的原因: (1)特征变量之间的内在联系 (2)特征变量在时间上有同方向变动的趋势 (3)某些变量的滞后 检验的方法: (1)相关性分析 (2) 方差膨胀因子 方差膨胀因子(Variance Inflation Factor,VIF):容忍度的倒数,VIF越大,显示共线性越严重。经验判断方法表明:当0<VIF<10,不存在多重共线性;当10≤VIF<100,存在较强的多重共线性;当VIF≥100,存在严重多重共线性 (3)条件系数检验 带来的影响: (1)ols估计量的方差增大 (2)难以区分每个解释变量的单独影响 解释变量之间的相关性,无法‘保证其它变量不变’ (3)变量的显著性检验失去意义 在多重共线性的影响下,系数估计标准差的增大将导致t统计量值的减小,是原来显著的t值变成不显著的,容易将重要的解释变量误认为是不显著的变量。 (4)回归模型缺乏稳定性 不同样本对模型的影响较大,若出现不合理的系数,首先考虑是否存在多重共线性 处理方法: (1)删除不重要的自变量 偏相关系数检验证实为共线性原因的那些变量中删除.。 (2)追加样本信息 多重共线性问题的实质是样本信息的不充分而导致模型参数的不能精确估计,因此追加样本信息是解决该问题的一条有效途径。 (3)利用非样本先验信息 (4)改变解释变量的心酸