去中心化後仍然存在多重共線性

❶ eviews多重共線性處理的問題。

你好 多重共線性的問題是指線性回歸模型中的解釋變數之間由於存在精確相關關系或高度相關關系而使模型估計失真或難以估計准確。最常用的解決方法就是 逐步回歸。就是你做的踢出變數了。你把所有變數加回去他們相關程度仍然高 還是存在多重共線性的問題
或者你可以嘗試下
差分法
嶺回歸法
也許可以解決~~~

❷ 數據中心化為什麼能夠消除多重共線性

一篇JA的論文。應該還是很權威。可能我的表述沒清楚。另外我看教程有的地方講如果解決多重共線性問題時候，也有提到通過「數據中心化」來達到的。但是為什麼呢？原理是什麼？

原文是
為了減少連續變數「經驗/理性導向理解過程」（此變數在此研究中是自變數）與其他自變數「圖片類型」間交互影響產生的多重共線性，自變數在回歸中都進行了均值中心化處理。

「Because indivial difference is a continuous variable, the hypotheses tests used multiple regression analyses. To rece problems with multicollinearity among the continuous variable (experiential–rational processing) and its interaction term with the other variable (picture type), the independent variables were mean centered for the regressions.

❸ 虛擬變數回歸中的多重共線性問題

多重共線性的典型表現是線性回歸模型中的解釋變數之間由於存在精確相關關系或高度相關關系而使模型估計失真或難以估計准確。由於經濟數據的限制使得模型設計不當，導致設計矩陣中解釋變數間存在普遍的相關關系。主要產生原因是經濟變數相關的共同趨勢，滯後變數的引入，樣本資料的限制。
判斷是否存在多重共線性的方法有特徵值，存在維度為3和4的值約等於0，說明存在比較嚴重的共線性。條件索引列第3第4列大於10，可以說明存在比較嚴重的共線性。比例方差內存在接近1的數，可以說明存在較嚴重的共線性。

❹ 為什麼當模型存在嚴重的多重共線性時，ols估計量將不具備一致性

在現實經濟運行中，許多經濟變數在隨時間的變化過程中往往存在共同的變化趨勢，使之產生多重共線性；使用截面數據建立回歸模型時，根據研究的具體問題選擇的解釋變數常常從經濟意義上存在著密切的關聯度；在建模過程中由於認識上的局限性造成便來那個選擇不當，從而引起變數之間的多重共線性；在模型中大量採用滯後變數也容易產生多重共線性。

多重共線性的危害有幾個方面：

一是在完全共線性下參數估計量不存在，理由是;1()XX-不存在；

二是近似共線性下OLS參數估計量非有效，理由是參數估計量的方差將可能變得很大；

三是參數估計量經濟意義不合理，如當2X和3X存在線性關系時，2X和3X前的參數並不能反映各自與被解釋變數之間的結構關系；四是變數的顯著性檢驗失去意義，因為無論是t檢驗還是F檢驗，都與參數估計量的方差有關；五是模型的預測功能失效。

檢驗多重共線性的方法思路：用統計上求相關系數的原理，如果變數之間的相關系數較大則認為它們之間存在多重共線性。

克服多重共線性的方法主要有：增加樣本觀測值，略去不重要的解釋變數，用被解釋變數的滯後值代替解釋變數的滯後值，利用參數之間的關系，利用解釋變數之間的關系，變換模型的形式，對數據進行中心化處理，修正Frisch法等。

❺ 經濟模型中的多重共線性和異方差問題，急求！！！！

應該做異方差檢驗！你的導師應該因此給你加分！

首先，如果模型的誤差項是heteroskedastic的，而你卻用了普通的OLS去計算。計算出的coefficients，從長期上看是consistent的。但是，針對系數做的顯著性檢驗（比如t-test）確實極具誤導性，是無效率的（asymptoticly consistent but not efficient，但不是錯的）。我建議你去查一下比較著名的計量教材，比如Greene，或者J.MacKinnon的。裡面有固定的章節專門講為什麼要做heteroskedastic檢驗，以及不做的危害。你可以引用上面的說法，在答辯的時候使用。

也就是說，如果不做異方差檢驗，盲目使用OLS做出的顯著性結果是不可信的。即使t-test證明系數顯著，但是如果誤差項是hetero的，整個t-test都是誤導性的。所以，必須先做異方差檢驗，排除掉heteroskedastic error term的可能性，然後使用OLS和t-test，結果才是有效率的。

這問題看似簡單，但很多搞應用經濟學的學者，都會糊塗。

❻ 多重共線性的原因及其產生的主要後果有哪些

原因主要有3個方面：
（1）經濟變數相關的共同趨勢
（2）滯後變數的引入
（3）樣本資料的限制
主要後果：
（1）完全共線性下參數估計量不存在
（2）近似共線性下OLS估計量非有效
多重共線性使參數估計值的方差增大，1/(1-r2)為方差膨脹因子(Variance Inflation Factor, VIF)
（3）參數估計量經濟含義不合理
（4）變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外
（5）模型的預測功能失效。變大的方差容易使區間預測的「區間」變大，使預測失去意義。

❼ spss如何消除多重共線性

SPSS用逐步回歸分析可以消除多重共線性。

1、用被解釋變數對每一個所考慮的解釋變數做簡單回歸。並給解釋變數的重要性按可決系數大小排序。

2、以對被解釋變數貢獻最大的解釋變數所對應的回歸方程為基礎，按解釋變數重要性大小為順序逐個引入其餘的解釋變數。這個過程會出現3種情形。

（1）若新變數的引入改進了R平方，且回歸參數的t檢驗在統計上也是顯著的，則該變數在模型中予以保留。

（2）若新變數的引入未能改進R平方，且對其他回歸參數估計值的t檢驗也未帶來什麼影響，則認為該變數是多餘的，應該舍棄。

（3）若新變數的引入未能改進R平方，且顯著地影響了其他回歸參數估計值的符號與數值，同時本身的回歸參數也通不過t檢驗，這說明出現了嚴重的多重共線性，舍棄該變數。

(7)去中心化後仍然存在多重共線性擴展閱讀：

消除多重共線性的其他方法：

1、 直接合並解釋變數 

當模型中存在多重共線性時，在不失去實際意義的前提下，可以把有關的解釋變數直接合並，從而降低或消除多重共線性。

2 、利用已知信息合並解釋變數 

通過理論及對實際問題的深刻理解，對發生多重共線性的解釋變數引入附加條件從而減弱或消除多重共線性。

3、增加樣本容量或重新抽取樣本 

這種方法主要適用於那些由測量誤差而引起的多重共線性。當重新抽取樣本時，克服了測量誤差，自然也消除了多重共線性。另外，增加樣本容量也可以減弱多重共線性的程度。

❽ 怎麼判斷多重共線性

多重共線性,Multi-collinearity,是指線性回歸模型中的解釋變數之間由於存在精確相關關系或高度相關關系而使模型估計失真或難以估計准確。一般來說，由於經濟數據的限制使得模型設計不當，導致設計矩陣中解釋變數間存在普遍的相關關系。完全共線性的情況並不多見，一般出現的是在一定程度上的共線性，即近似共線性。 多重共線性產生的原因主要有3方面： 1. 經濟變數相關的共同趨勢 2.滯後變數的引入 3.樣本資料的限制 多重共線性的影響有: 1.完全共線性下參數估計量不存在 2.近似共線性下OLS估計量非有效. 多重共線性使參數估計值的方差增大,1/(1-r2)為方差膨脹因子(Variance Inflation Factor, VIF) 3.參數估計量經濟含義不合理 4.變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外 5.模型的預測功能失效, 變大的方差容易使區間預測的「區間」變大，使預測失去意義. 需要注意：即使出現較高程度的多重共線性,OLS估計量仍具有線性性等良好的統計性質.但是OLS法在統計推斷上無法給出真正有用的信息. 多重共線性的解決方法有: 1.排除引起共線性的變數, 找出引起多重共線性的解釋變數,將它排除出去,以逐步回歸法得到最廣泛的應用. 2.差分法, 時間序列數據,線性模型: 將原模型變換為差分模型 3.減小參數估計量的方差: 嶺回歸法（Ridge Regression）

❾ 出現多重共線性怎麼辦

在多元線性回歸模型經典假設中，其重要假定之一是回歸模型的解釋變數之間不存在線性關系，也就是說，解釋變數X1，X2，……，Xk中的任何一個都不能是其他解釋變數的線性組合。如果違背這一假定，即線性回歸模型中某一個解釋變數與其他解釋變數間存在線性關系，就稱線性回歸模型中存在多重共線性。多重共線性違背了解釋變數間不相關的古典假設，將給普通最小二乘法帶來嚴重後果。

所謂多重共線性是指線性回歸模型的解釋變數之間由於存在精確相關關系或者高度相關關系而使模型評估失真或者不準確。這里，我們總結了8個處理多重共線性問題的可用方法，大家在遇到多重共線性問題時可作參考：

1、保留重要解釋變數，去掉次要或可替代解釋變數

自變數之間存在共線性，說明自變數所提供的信息是重疊的，可以刪除不重要的自變數減少重復信息。但從模型中刪去自變數時應該注意：從實際經濟分析確定為相對不重要並從偏相關系數檢驗證實為共線性原因的那些變數中刪除。如果刪除不當，會產生模型設定誤差，造成參數估計嚴重有偏的後果。

2、改變解釋變數的形式

改變解釋變數的形式是解決多重共線性的一種簡易方法，例如對於橫截面數據採用相對數變數，對於時間序列數據採用增量型變數。

3、差分法

4、逐步回歸分析

逐步回歸（Stepwise Regression）是一種常用的消除多重共線性、選取「最優」回歸方程的方法。其做法是將逐個引入自變數，引入的條件是該自變數經F檢驗是顯著的，每引入一個自變數後，對已選入的變數進行逐個檢驗，如果原來引入的變數由於後面變數的引入而變得不再顯著，那麼就將其剔除。引入一個變數或從回歸方程中剔除一個變數，為逐步回歸的一步，每一步都要進行F 檢驗，以確保每次引入新變數之前回歸方程中只包含顯著的變數。這個過程反復進行，直到既沒有不顯著的自變數選入回歸方程，也沒有顯著自變數從回歸方程中剔除為止。

5、主成份分析

主成分分析作為多元統計分析的一種常用方法在處理多變數問題時具有其一定的優越性，其降維的優勢是明顯的，主成分回歸方法對於一般的多重共線性問題還是適用的，尤其是對共線性較強的變數之間。

6、偏最小二乘回歸

7、嶺回歸

嶺回歸估計是通過最小二乘法的改進允許回歸系數的有偏估計量存在而補救多重共線性的方法，採用它可以通過允許小的誤差而換取高於無偏估計量的精度, 因此它接近真實值的可能性較大。靈活運用嶺回歸法, 可以對分析各變數之間的作用和關系帶來獨特而有效的幫助。

8、增加樣本容量

多重共線性問題的實質是樣本信息的不充分而導致模型參數的不能精確估計，因此追加樣本信息是解決該問題的一條有效途徑。但是，由於資料收集及調查的困難，要追加樣本信息在實踐中有時並不容易。

這次我們主要研究逐步回歸分析方法是如何處理多重共線性問題的。

逐步回歸分析方法的基本思想是通過相關系數r、擬合優度R2和標准誤差三個方面綜合判斷一系列回歸方程的優劣，從而得到最優回歸方程。具體方法分為兩步：

第一步，先將被解釋變數y對每個解釋變數作簡單回歸:

對每一個回歸方程進行統計檢驗分析（相關系數r、擬合優度R2和標准誤差），並結合經濟理論分析選出最優回歸方程，也稱為基本回歸方程。

第二步，將其他解釋變數逐一引入到基本回歸方程中，建立一系列回歸方程，根據每個新加的解釋變數的標准差和復相關系數來考察其對每個回歸系數的影響，一般根據如下標准進行分類判別：

1.如果新引進的解釋變數使R2得到提高,而其他參數回歸系數在統計上和經濟理論上仍然合理，則認為這個新引入的變數對回歸模型是有利的，可以作為解釋變數予以保留。

2.如果新引進的解釋變數對R2改進不明顯，對其他回歸系數也沒有多大影響，則不必保留在回歸模型中。

3.如果新引進的解釋變數不僅改變了R2，而且對其他回歸系數的數值或符號具有明顯影響，則認為該解釋變數為不利變數，引進後會使回歸模型出現多重共線性問題。不利變數未必是多餘的，如果它可能對被解釋變數是不可缺少的，則不能簡單舍棄，而是應研究改善模型的形式，尋找更符合實際的模型，重新進行估計。如果通過檢驗證明回歸模型存在明顯線性相關的兩個解釋變數中的其中一個可以被另一個很好地解釋，則可略去其中對被解釋變數影響較小的那個變數，模型中保留影響較大的那個變數。