实验六多元线性回归和多重共线性Word格式.docx

实验六多元线性回归和多重共线性Word格式.docx

《实验六多元线性回归和多重共线性Word格式.docx》由会员分享，可在线阅读，更多相关《实验六多元线性回归和多重共线性Word格式.docx（11页珍藏版）》请在冰豆网上搜索。

Year

Y

X1

X2

X3

X4

X5

1994

1023.5

52400

414.7

54.9

111.78

5.9

1995

1375.7

62900

464

61.5

115.7

5.97

1996

1638.4

63900

534.1

70.5

118.58

6.49

1997

2112.7

64400

599.8

145.7

122.64

6.6

1998

2391.2

69450

607

197

127.85

6.64

1999

2831.9

71900

614.8

249.5

135.17

6.74

2000

3175.5

74400

678.6

226.6

140.27

6.87

2001

3522.4

78400

708.3

212.7

169.8

7.01

2002

3878.4

87800

739.7

209.1

176.52

7.19

2003

3442.3

87000

684.9

200

180.98

7.3

1、请用普通最小二乘方法估计模型参数；

2、检验模型是否存在多重共线性，如果存在共线性，试采用适当的方法消除共线性。

1.用普通最小二乘方法估计模型参数

1.1设定并估计多元线性回归模型

-------（1-1）

1.2建立工作工作文件并录入数据，得到图1.1。

图1.1

点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入YCX1X2X3X4X5，点击确定即可得到回归结果图1.2。

图1.2

由图1.2数据结果，可得到模型（1-1）的估计结果为

（-0.208384）（1.031172）（3.939591）（3.465073）（3.108296）（-1.752685）

其中，括号的数为相应的t检验值。

从以上回归结果可以看出，拟合优度很高，整体效果的F检验通过，但有重要变量X1、X5的t检验不显著，而且符合的经济意义也不合理，故认为解释变量之间存在多重共线性。

2．检验模型是否存在多重共线性，如果存在共线性，试采用适当的方法消除共线性。

2.1多重共线性模型的识别

2.1.1综合判断法

由模型（1-1）的估计结果可以看出，

，可决系数很高，说明模型对样本的拟合很好；

检验值很大，相应的

，说明回归方程显著，即各自变量联合起来确实对因变量“国旅游收入”有显著影响；

给定显著性水平

但变量X1、X5系数的t统计量分别为1.031172、-1.752685，相应的p值分别为0.8451、0.1545，说明变量X1、X5对因变量影响不显著，而且符号的经济意义也不合理。

综合上述分析，表明模型（1-1）存在严重的多重共线性。

2.1.2简单相关系数检验法

计算解释变量X1、X2、X3、X4、X5的简单相关系数矩阵。

将解释变量X1、X2、X3、X4、X5选中，双击OpenGroup（或点击右键，选择Open\asGroup），然后再点击View\Covarianceanalysis\仅勾选Correlation，点击OK即可得出相关系数矩阵（图2.1.1）。

再点击顶部的Freeze按钮，可以得到一个Table类型独立的Object（图2.1.2）。

图2.1.1

图2.1.2

由图2.1.1相关系数矩阵可以看出，各解释变量之间的相关系数较高，特别是X2和X5之间的高度相关，证实解释变量之间存在多重共线性。

根据综合判别法与简单相关系数法分析的结果可以知道，回归变量间确实存在多重共线性。

注意，多重共线性是一个程度问题而不是存在与否的问题。

下面我们将采用逐步回归法来减少共线性的严重程度而不是彻底地消除它。

2.2多重共线性模型的修正

这里仅用向前逐步回归法，来减少共线性的严重程度。

第一步：

运用OLS方法分别求Y对各解释变量X1、X2、X3、X4、X5进行一元回归。

五个方程的回归结果详见图2.2.1——图2.2.5，再结合经济意义和统计检验选出拟合效果好的一元线性回归方程。

图2.2.1图2.2.2

图2.2.3图2.2.4

图2.2.5

通过一元回归结果图2.2.1——2.2.5进行对比分析，依据调整可决系数

最大原则，选择X2作为进入回归模型的第一个解释变量，形成一元回归模型。

第二步：

逐步回归。

将剩余解释变量分别加入模型，得到分别如图2.2.6——图2.2.9所示的二元回归结果。

图2.2.6图2.2.7

图2.2.8图2.2.9

通过观察比较图2.2.6——图2.2.9所示结果，并根据逐步回归的思想，我们可以看到，新加入变量X4的二元回归方程

最大，并且各参数的检验显著，参数符号也符合经济意义，因此，保留变量X4。

第三步：

在保留变量X2、X4的基础上，继续进行逐步回归，分别得到图2.2.10——2.2.12所示的回归结果。

图2.2.10图2.2.11

图2.2.12

结果分析:

观察图2.2.11，我们可以看到，在X2、X4的基础上加入X3后的方程

明显增大，F统计量也很大，说明模型对样本的拟合很好并且回归方程显著；

同时各解释变量的系数所对应的t值较大，相应的p<

0.05，说明各解释变量对因变量的影响显著，并且参数的符号也符合经济意义，只是DW值落入了无法判断的区域，但由LM检验知仍不存在一阶自相关性。

因此，根据逐步回归的思想，模型应保留自变量X2、X3、X4。

进行拉格朗日乘数检验（LM检验）：

在图6.14中，点击：

View\ResidualDiagnostics\SerialCorrelationLMTest…，在弹出对话框中输入：

1，点击OK，得到图2.2.11.2所示结果。

图2.2.11.2

由图2.2.11.2中数据得到

其所对应的伴随概率为

说明在5%的显著性水平下不存在1阶序列相关性。

但通过图2.2.10，我们可以看到，在X2、X4基础上加入X1后，方程的修正拟合优度

，度略有提下降，但变量X1系数的t值很小，相应的p值大于显著性水平0.05，没有通过显著性检验，说明自变量X1对因变量的影响不显著；

同样，由图2.2.12可知，加入X5后拟合优度虽有所提高，但X5参数的t值很小，相应的p值远大于显著性水平0.05，说明X5对因变量的影响不显著。

因此，根据逐步回归的思想，说明X1、X5的出现引起严重的多重共线性。

第四步：

在保留变量X2、X3、X4的基础上，继续进行逐步回归，分别得到如图2.2.13、图2.2.14所示的回归结果。

图2.2.13图2.2.14

类似第三步的结果分析，由图2.2.13，我们可以看到，在X2、X3、X4的基础上加入X1后

略有降低，而且X1参数的t检验变得不显著。

由图2.2.14，我们可以看到，在X2、X3、X4的基础上加入X5后

略有改进，但X5参数的t检验变得不显著，而且参数符号不符合经济意义。

这说明X1、X5引起多重共线性，应当予以剔除。

因此，本案例最后应保留的变量是X2、X3、X4，相应的回归结果为：

（-8.246086）（3.944983）（3.06767）（4.692961）

由综合判断法知，上述回归结果基本上消除了多重共线性。

此题存在的问题是样本容量过小，其可靠性受到影响，如果增大样本容量，效果将会好一些。

对《计量经济学》的感想与建议：

经过快一个学期对计量经济学的学习，我收获了很多，也懂得了很多。

最初接触计量经济学时，一点头绪也没有，随着学习的深入，联系其他学科如统计学，数学，经济学等学，以及对一些软件的应用，我对计量经济学有了更深刻的认识。

计量经济学是一门涉及很多学科的科学，但并不晦涩难懂，相反运用它可以分析很多经济现象，而这些经济现象就在我们身边。

比如计量经济学可以分析学校数量与经济发展的关系，私家车拥有量与国民收入的关系。

这种神奇的经济分析方法有助于我们更好的了解一些现象并进行预测。

学习计量经济学给我印象和帮助最大的就是对Eviews软件的熟练操作与应用，Eviews软件是属于那种有价无市的软件，如果没有老师的传授我不可能从市场上或是从思想上认识到它；

虽然这个课堂已经让人向往了，但是美中不足的地方也还有。

我的建议就是在以后的讲课中间更多的是要着手分析案例，给大家的运用指点一下；

应该分组进行实验汇报，让大家在聆听与汇报中发现自己的不足，并加以学习进步。