去中心化后仍然存在多重共线性

❶ eviews多重共线性处理的问题。

你好 多重共线性的问题是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。最常用的解决方法就是 逐步回归。就是你做的踢出变量了。你把所有变量加回去他们相关程度仍然高 还是存在多重共线性的问题
或者你可以尝试下
差分法
岭回归法
也许可以解决~~~

❷ 数据中心化为什么能够消除多重共线性

一篇JA的论文。应该还是很权威。可能我的表述没清楚。另外我看教程有的地方讲如果解决多重共线性问题时候，也有提到通过“数据中心化”来达到的。但是为什么呢？原理是什么？

原文是
为了减少连续变量“经验/理性导向理解过程”（此变量在此研究中是自变量）与其他自变量“图片类型”间交互影响产生的多重共线性，自变量在回归中都进行了均值中心化处理。

“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 虚拟变量回归中的多重共线性问题

多重共线性的典型表现是线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。主要产生原因是经济变量相关的共同趋势，滞后变量的引入，样本资料的限制。
判断是否存在多重共线性的方法有特征值，存在维度为3和4的值约等于0，说明存在比较严重的共线性。条件索引列第3第4列大于10，可以说明存在比较严重的共线性。比例方差内存在接近1的数，可以说明存在较严重的共线性。

❹ 为什么当模型存在严重的多重共线性时，ols估计量将不具备一致性

在现实经济运行中，许多经济变量在随时间的变化过程中往往存在共同的变化趋势，使之产生多重共线性；使用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义上存在着密切的关联度；在建模过程中由于认识上的局限性造成便来那个选择不当，从而引起变量之间的多重共线性；在模型中大量采用滞后变量也容易产生多重共线性。

多重共线性的危害有几个方面：

一是在完全共线性下参数估计量不存在，理由是;1()XX-不存在；

二是近似共线性下OLS参数估计量非有效，理由是参数估计量的方差将可能变得很大；

三是参数估计量经济意义不合理，如当2X和3X存在线性关系时，2X和3X前的参数并不能反映各自与被解释变量之间的结构关系；四是变量的显著性检验失去意义，因为无论是t检验还是F检验，都与参数估计量的方差有关；五是模型的预测功能失效。

检验多重共线性的方法思路：用统计上求相关系数的原理，如果变量之间的相关系数较大则认为它们之间存在多重共线性。

克服多重共线性的方法主要有：增加样本观测值，略去不重要的解释变量，用被解释变量的滞后值代替解释变量的滞后值，利用参数之间的关系，利用解释变量之间的关系，变换模型的形式，对数据进行中心化处理，修正Frisch法等。

❺ 经济模型中的多重共线性和异方差问题，急求！！！！

应该做异方差检验！你的导师应该因此给你加分！

首先，如果模型的误差项是heteroskedastic的，而你却用了普通的OLS去计算。计算出的coefficients，从长期上看是consistent的。但是，针对系数做的显著性检验（比如t-test）确实极具误导性，是无效率的（asymptoticly consistent but not efficient，但不是错的）。我建议你去查一下比较著名的计量教材，比如Greene，或者J.MacKinnon的。里面有固定的章节专门讲为什么要做heteroskedastic检验，以及不做的危害。你可以引用上面的说法，在答辩的时候使用。

也就是说，如果不做异方差检验，盲目使用OLS做出的显著性结果是不可信的。即使t-test证明系数显著，但是如果误差项是hetero的，整个t-test都是误导性的。所以，必须先做异方差检验，排除掉heteroskedastic error term的可能性，然后使用OLS和t-test，结果才是有效率的。

这问题看似简单，但很多搞应用经济学的学者，都会糊涂。

❻ 多重共线性的原因及其产生的主要后果有哪些

原因主要有3个方面：
（1）经济变量相关的共同趋势
（2）滞后变量的引入
（3）样本资料的限制
主要后果：
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS估计量非有效
多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF)
（3）参数估计量经济含义不合理
（4）变量的显著性检验失去意义，可能将重要的解释变量排除在模型之外
（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。

❼ spss如何消除多重共线性

SPSS用逐步回归分析可以消除多重共线性。

1、用被解释变量对每一个所考虑的解释变量做简单回归。并给解释变量的重要性按可决系数大小排序。

2、以对被解释变量贡献最大的解释变量所对应的回归方程为基础，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。

（1）若新变量的引入改进了R平方，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。

（2）若新变量的引入未能改进R平方，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。

（3）若新变量的引入未能改进R平方，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。

(7)去中心化后仍然存在多重共线性扩展阅读：

消除多重共线性的其他方法：

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。

2 、利用已知信息合并解释变量 

通过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。

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。另外，增加样本容量也可以减弱多重共线性的程度。

❽ 怎么判断多重共线性

多重共线性,Multi-collinearity,是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。 多重共线性产生的原因主要有3方面： 1. 经济变量相关的共同趋势 2.滞后变量的引入 3.样本资料的限制 多重共线性的影响有: 1.完全共线性下参数估计量不存在 2.近似共线性下OLS估计量非有效. 多重共线性使参数估计值的方差增大,1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF) 3.参数估计量经济含义不合理 4.变量的显著性检验失去意义，可能将重要的解释变量排除在模型之外 5.模型的预测功能失效, 变大的方差容易使区间预测的“区间”变大，使预测失去意义. 需要注意：即使出现较高程度的多重共线性,OLS估计量仍具有线性性等良好的统计性质.但是OLS法在统计推断上无法给出真正有用的信息. 多重共线性的解决方法有: 1.排除引起共线性的变量, 找出引起多重共线性的解释变量,将它排除出去,以逐步回归法得到最广泛的应用. 2.差分法, 时间序列数据,线性模型: 将原模型变换为差分模型 3.减小参数估计量的方差: 岭回归法（Ridge Regression）

❾ 出现多重共线性怎么办

在多元线性回归模型经典假设中，其重要假定之一是回归模型的解释变量之间不存在线性关系，也就是说，解释变量X1，X2，……，Xk中的任何一个都不能是其他解释变量的线性组合。如果违背这一假定，即线性回归模型中某一个解释变量与其他解释变量间存在线性关系，就称线性回归模型中存在多重共线性。多重共线性违背了解释变量间不相关的古典假设，将给普通最小二乘法带来严重后果。

所谓多重共线性是指线性回归模型的解释变量之间由于存在精确相关关系或者高度相关关系而使模型评估失真或者不准确。这里，我们总结了8个处理多重共线性问题的可用方法，大家在遇到多重共线性问题时可作参考：

1、保留重要解释变量，去掉次要或可替代解释变量

自变量之间存在共线性，说明自变量所提供的信息是重叠的，可以删除不重要的自变量减少重复信息。但从模型中删去自变量时应该注意：从实际经济分析确定为相对不重要并从偏相关系数检验证实为共线性原因的那些变量中删除。如果删除不当，会产生模型设定误差，造成参数估计严重有偏的后果。

2、改变解释变量的形式

改变解释变量的形式是解决多重共线性的一种简易方法，例如对于横截面数据采用相对数变量，对于时间序列数据采用增量型变量。

3、差分法

4、逐步回归分析

逐步回归（Stepwise Regression）是一种常用的消除多重共线性、选取“最优”回归方程的方法。其做法是将逐个引入自变量，引入的条件是该自变量经F检验是显著的，每引入一个自变量后，对已选入的变量进行逐个检验，如果原来引入的变量由于后面变量的引入而变得不再显著，那么就将其剔除。引入一个变量或从回归方程中剔除一个变量，为逐步回归的一步，每一步都要进行F 检验，以确保每次引入新变量之前回归方程中只包含显著的变量。这个过程反复进行，直到既没有不显著的自变量选入回归方程，也没有显著自变量从回归方程中剔除为止。

5、主成份分析

主成分分析作为多元统计分析的一种常用方法在处理多变量问题时具有其一定的优越性，其降维的优势是明显的，主成分回归方法对于一般的多重共线性问题还是适用的，尤其是对共线性较强的变量之间。

6、偏最小二乘回归

7、岭回归

岭回归估计是通过最小二乘法的改进允许回归系数的有偏估计量存在而补救多重共线性的方法，采用它可以通过允许小的误差而换取高于无偏估计量的精度, 因此它接近真实值的可能性较大。灵活运用岭回归法, 可以对分析各变量之间的作用和关系带来独特而有效的帮助。

8、增加样本容量

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。但是，由于资料收集及调查的困难，要追加样本信息在实践中有时并不容易。

这次我们主要研究逐步回归分析方法是如何处理多重共线性问题的。

逐步回归分析方法的基本思想是通过相关系数r、拟合优度R2和标准误差三个方面综合判断一系列回归方程的优劣，从而得到最优回归方程。具体方法分为两步：

第一步，先将被解释变量y对每个解释变量作简单回归:

对每一个回归方程进行统计检验分析（相关系数r、拟合优度R2和标准误差），并结合经济理论分析选出最优回归方程，也称为基本回归方程。

第二步，将其他解释变量逐一引入到基本回归方程中，建立一系列回归方程，根据每个新加的解释变量的标准差和复相关系数来考察其对每个回归系数的影响，一般根据如下标准进行分类判别：

1.如果新引进的解释变量使R2得到提高,而其他参数回归系数在统计上和经济理论上仍然合理，则认为这个新引入的变量对回归模型是有利的，可以作为解释变量予以保留。

2.如果新引进的解释变量对R2改进不明显，对其他回归系数也没有多大影响，则不必保留在回归模型中。

3.如果新引进的解释变量不仅改变了R2，而且对其他回归系数的数值或符号具有明显影响，则认为该解释变量为不利变量，引进后会使回归模型出现多重共线性问题。不利变量未必是多余的，如果它可能对被解释变量是不可缺少的，则不能简单舍弃，而是应研究改善模型的形式，寻找更符合实际的模型，重新进行估计。如果通过检验证明回归模型存在明显线性相关的两个解释变量中的其中一个可以被另一个很好地解释，则可略去其中对被解释变量影响较小的那个变量，模型中保留影响较大的那个变量。