什么事多重共线性

Question

如题所述

Answer 1

多重共线性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

产生原因

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

扩展资料

影响

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)如果方差膨胀因子值越大，说明共线性越强。相反 因为，容许度是方差膨胀因子的倒数，所以，容许度越小，共线性越强。

解决方法

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）。

参考资料来源：百度百科——多重共线性

Answer 2

您好！

经济学是非实验型科学，经济数据是被动生成和由从事经济研究的人员被动获得，而且经济数据的获得是不可控的，大多数情况下，人们并不能按照自己的设计与要求获得相应的经济数据。所以，为建模研究而取得的样本数据常常不能提供足够的信息，以至于导致多重共线性的产生。

多重共线性的概念

所谓多重共线性（Multicollinearity）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。

抱歉，只能查到一点，希望能帮的到您...

Answer 3

就是你的自变量的相关性太高，有时候根本就是可以合并的。这样会影响到分析结果的准确性。在回归中可以检查一下共线性，如果太高，一般大于0.85以上吧。就存在共线性。这时可以建议用因子分析，降维。

Answer 4

所谓的多重共线性是指一些自变量之间存在较强的线性关系。这种情况在实际应用中非常普遍，如研究高血压与年龄、吸烟年限、饮白酒年限等因素的关系，这些自变量通常是相关的，如果这种相关程度非常高，使用最小二乘法建立回归方程就有可能失效，引起下列不良后果：
1、参数估计值的标准误变得很大，从而t值变得很小。
2、回归方程不稳定，增加或减少某几个观察值，估计值可能会发生很大的变化。
3、t检验不准确，误将应保留在方程中的重要变量舍弃。
4、估计值的正负符号与客观实际不一致。
多重共线性的识别：
当出现一下情况时可认为自变量之间存在多重共线性。
1、若两个自变量之间的相关系数接近于1，则可认为模型存在多重共线性。
2、如果决定系数R的平方很大（一般大于0.8），但模型中全部或部分偏回归系数的检验却不显著，那么，此时自变量之间往往存在多重共线性。
3、用自变量之间所构成的回归方程的决定系数R平方进行识别。设自变量为m个，即x1、x2、......、xm，分别以其中的一个对其他所有的自变量进行回归，得m个回归方程，对每个回归方程求其决定系数，在这些决定系数中寻其最大而且接近于1者，比如说R1的平方最大且接近于1，则可以判定自变量x1与其他自变量中的一个或多个线性相关性很强。
4、用方差膨胀因子VIF判别法，方差膨胀因子也称为方差膨胀系数或称方差膨胀值（Variance Inflation），一般当VIF大于10时，可认为模型存在较严重的多重共线性。
多重共线性问题的处理：
1、精简变量法：在自变量中若某个变量对应变量的影响不大且是造成共线性的变量则应删去。
2、逐步回归判别法：用逐步回归法建立回归方程，其中所包含的自变量之间不存在多重共线性。
3、主成分回归法：在多元线性回归中，若自变量之间存在较强的共线性，则得出的回归模型很不稳定，这时，可用少数几个主成分与应变量建立回归方程能避免上述情况的发生。由于主成分之间互不相关，保证了回归方程的稳定性。这种将主成分与多元共线性回归结合使用的方法称为主成分回归法。本回答被网友采纳