内容发布更新时间 : 2024/5/29 5:45:08星期一 下面是文章的全部内容请认真阅读。
原因 后果 完全：1、参数的估计值不确定 2、参数估计值的方差无限大 不完全：1、参数估计值的方差增大 2、变量的显著性检验失去意义 3、区间估计和区间预测预测功能失效 4、参数估计量经济含义不合理 检验方法 1、简单相关系数检验法 2、方差膨胀因子法 3、直观判断法 4、逐步回归检测法 补救措施 1、经验方法 2、逐步回归法 3、岭回归法 多重共线性 1.经济变量之间具有共同变化趋势。 2. 在截面数据中，变量间从经济意义上具有密切的关联度。 3.模型中包含滞后变量。 4.样本数据自身的原因。 异方差性 1、模型设定误差 2、数据的测量误差 3、截面数据中总体各单位的差异 参数估计式统计特性： 1、仍然具有线性性 2、仍然具有无偏性 3、仍然具有一致性 4、不再具有最小方差性 参数显著性检验：使t统计量值变小。而且，异方差情况下，通常由OLS法得到的t统计量不再服从t分布，F统计量也不再服从F分布。t检验和F检验失去存在的基础。 预测：会扩大估计区间和预测区间，降低精度。 参数估计: 1、无偏性仍成立 2、不再具有最小方差性 模型检验和预测： 1、参数显著性检验失效 2、区间预测和预测区间的精度降低 1、图示检验法 2、Goldfeld-Quanadt检验 3、White检验 4、ARCH检验 5、Glejser检验 1、模型变换法 2、加权最小二乘法 3、模型的对数变换 自相关 1、经济系统的惯性 2、经济活动的滞后效应 3、数据处理造成的相关 4、蛛网现象 5、模型设定偏误 1、图示检验法 2、DW检验法 3、相关图和Q统计量 4、序列相关LM检验 1、广义差分法 2、科克伦－奥克特迭代法 3、一阶差分法
1
多重共线性 检验方法 简单相关系数检验法： 1、简单相关系数 2、交叉相关系数 方差膨胀因子法 严重多重共线性。 2、相关系数计算的是两组样本的同期相关程度，交叉相关则可以表示不同期之间的相关程度。 以基本方法 1、利用解释变量之间的线性相关程度去判断是否存在特点 较高的简单相关系数只是多重共线性存在的充分条件，而不是必要条件。因此并不能简单地依据相关系数进行多重共线性的准确判断，可以结合交叉相关系数。 E views操作 1、Group窗口的view/covariance analysis/correlation 2、Group窗口的view/cross correlation/； 输入滞后期设定/ 输出结果阅读：看是否超出2倍标准差线 Xj为被解释变量，对其他解释变量做辅助回归。21（1）引入方差扩大因子，即VIFj?1?R2j（2）Rj度量了2该辅助回归的可决系数为Rj。 Xj与其他解释变量的线性相关程度，这种相关程度越强，说明变量之间的多重共线性越严重，VIFj也就越大；方差膨胀因子越接近于1，多重共线性越弱。 直观判断法 根据经验判断： 1、当增加或剔除一个解释变量，或者改变一个观测值时，回归参数的估计值发生较大变化时，回归方程可能存在严重的多重共线性； 2、从定性分析认为，一些重要的解释变量的回归系数的标准误差较大，在回归方程中没有通过显著性检验，可初步判断可能存在严重的多重共线性； 3、有些解释变量的回归系数所带正负号与定性分析结果违背时，可能存在多重共线性； 4、解释变量的相关矩阵中，自变量之间的相关系数较大时，可能存在多重共线性； 逐步回归检测法 将变量逐个的引入模型，每引入一个解释变量后，都检验。当原来引入的解释变量由于后面解释变量的引当原来引入的解释变量由于后面解释变量的引入而变得高度相关的，则先前引入的解释变量可能会因为后来引（1）参数估计值有很大的偶然性。 （2）参数显著性检验未通过。 （3）经济意义检验未通过。 （4）相关系数大。 要进行Ｆ检验，并对已经选入的解释变量逐个进行t 不再显著时，就存在多重共线性。如果解释变量之间是入而变得不再显著时，将其剔除。（这是一个反复过程） 入与之相关的解释变量而被剔除。
2
异方差性 检验方法 图示检验法： 1、相关图形分析 2、残差图形分析 Goldfeld-Quanadt检验 基本方法 特点 1、以X为横轴，Y为纵轴，画散点图，可以粗略地看到Y的离散程度与X之间是否有相关关系，以及Y与其样本均值的离散程度。 2、绘制出ei对2Xi的散点图，如果ei2不随Xi而变化，则表明不存在异方差；如果ei2随Xi而变化，则表明存在异方差。 （1）适用于大样本； （2）检验递增型或递减型异方差； （3）只能判断异方差是否存在，在多个解释变量的情下，对哪一个变量引起异方差的判断存在局限； （4）该检验的功效取决于C，C值越大，检验功效越好； （5）两个子样回归所用的观测值个数如果不相等时，也可以用该检验，需要通过改变自由度和统计量的计算公式来调整； （6）当模型中包含多个解释变量时，应对每个可能引起异方差的解释变量都进行检验。 将样本分为两部分；然后分别对两个样本进行回归；并通过计算两个子样的残差平方和的比来判断两子样的剩余平方和是否存在明显差异，以此为统计量来判断是否存在异方差。 White检验 构造残差平方序列与解释变量之间的辅助函数，通过判断辅助函数的显著性来判断原方程是否存在异方差。（一般而言，辅助回归的解释变量包括常数项、（1）要求变量的取值为大样本； （2）适用于各种类型的异方差检验； （3）不仅能够检验异方差的存在性，同时在多变量的 情况下，还能判断出是哪一个（4）辅助回归中可引入解释变量的相对于原模型的更高次幂； （5）在多元回归中，由于解释变量个数太多，可去掉辅助回归式中解释变量的交叉项。 原模型中的解释变量、解释变量平方、其交叉乘积。） 变量引起的异方差； ARCH检验 在时间序列数据中，可认为存在的异方差性为ARCH过程，并通过检验这一过程是否成立来判断是否存在异方差。 （1）变量的样本值为大样本； （2）数据是时间序列数据； （3）只能判断模型中是否存在异方差，而不能诊断出哪一个变量引起的异方差。 （1）可用于各种类型的异方差检验； （2）由于异方差形式未知，因此需要进行各种测试； （3）不仅能对异方差的存在进行判断，还能给出异方差的具体形式； （4）该检验要求变量的观测值为大样本。 Glejser检验 由OLS法得到残差ei，取得绝对值，然后将对某个解释变量回归，根据回归模型的显著性和拟合优度来判断是否存在异方差。
3