多重共線性解決方法

A. eviews怎麼解決多重共線性

多重共線性是指在回歸模型中，自變數之間存在高度相關性，導致模型估計中的方差變大，系數估計不準確。解決多重共線性的方法有以下幾種：
1. 去除高度相關的自變數：根據經驗或領域知識，篩選出最具代表性的自變數，去除其餘高度相關的自變數。
2. 合並高度相關的自變數：將高度相關的自變數合並成一個新的自變數，例如將多個身高指標合並為一個綜合身高指標。
3. 正交化處理：使用正交化方法將自變數進行正交化，使得自變數之間不再存在相關性。
4. 引入懲罰項：在回歸模型中引入懲罰項，例如嶺回歸、lasso回歸等，可以減小自變數之間的相關性。
在eviews中，可以使用「變數」菜單下的「多重共線性測試」功能來檢測多重共線性，同時還可以使用「變數」菜單下的「主成分分析」功能對自變數進行正交化處理。
此外，還可以使用eviews中的嶺回歸、lasso回歸等方法來解決多重共線性問題。

B. 多重共線性問題及處理流程

多重共線性問題及處理流程如下：
在多元線性回歸模型中，自變數X之間線性相關現象即為多重共線性。當模型存在此問題時，某一自變數可以被其他自變數的線性組合表示。
多重共線性分為兩類：
（1）完全共線性：存在不全為0的系數，使得自變數間線性關系成立，這種情況在實際研究中較少見。
（2）近似共線性：自變數間存在多重共線性，但並非完全線性相關。
共線性的檢驗包括相關系數與VIF值分析。
（1）相關系數檢驗法：相關系數接近1表示共線性問題，SPSSAU操作簡單。
（2）VIF檢驗法：VIF值大於10表示存在多重共線性問題。
解決共線性問題的常見方法有手動移除變數、逐步回歸與嶺回歸等。
（1）移除共線性變數：篩選並保留重要變數，刪除重復信息。
（2）逐步回歸：SPSSAU提供三種方法，逐步法結合了向前法與向後法，可選擇與剔除變數。
（3）嶺回歸：適用於多重共線性數據，改進最小二乘法，降低精度以獲得穩定系數。
總結：多重共線性影響模型預測與變數顯著性檢驗，需要通過相關系數、VIF值檢驗，以及移除共線性變數、逐步回歸或嶺回歸等方法解決。

C. 多重共線性解決方法是什麼

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）。

4、簡單相關系數檢驗法。

(3)多重共線性解決方法擴展閱讀：

相關影響

（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

（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。

D. 多重共線性問題的幾種解決方法

多重共線性問題的幾種解決方法

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。
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
2、用相對數變數替代絕對數變數
3、差分法
4、逐步回歸分析
5、主成份分析
6、偏最小二乘回歸
7、嶺回歸
8、增加樣本容量
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。
下邊我們通過實例來說明逐步回歸分析方法在解決多重共線性問題上的具體應用過程。
具體實例
例1 設某地10年間有關服裝消費、可支配收入、流動資產、服裝類物價指數、總物價指數的調查數據如表1，請建立需求函數模型。
表1 服裝消費及相關變數調查數據
年份
服裝開支
C
（百萬元）
可支配收入
Y
（百萬元）
流動資產
L
（百萬元）
服裝類物價指數Pc
1992年=100
總物價指數
P0
1992年=100
1988
8.4
82.9
17.1
92
94
1989
9.6
88.0
21.3
93
96
1990
10.4
99.9
25.1
96
97
1991
11.4
105.3
29.0
94
97
1992
12.2
117.7
34.0
100
100
1993
14.2
131.0
40.0
101
101
1994
15.8
148.2
44.0
105
104
1995
17.9
161.8
49.0
112
109
1996
19.3
174.2
51.0
112
111
1997
20.8
184.7
53.0
112
111
（1）設對服裝的需求函數為

用最小二乘法估計得估計模型：

模型的檢驗量得分，R2=0.998，D·W=3.383，F=626.4634
R2接近1，說明該回歸模型與原始數據擬合得很好。由得出拒絕零假設，認為服裝支出與解釋變數間存在顯著關系。
（2）求各解釋變數的基本相關系數

上述基本相關系數表明解釋變數間高度相關，也就是存在較嚴重的多重共線性。
（3）為檢驗多重共線性的影響，作如下簡單回歸：

各方程下邊括弧內的數字分別表示的是對應解釋變數系數的t檢驗值。
觀察以上四個方程，根據經濟理論和統計檢驗（t檢驗值=41.937最大，擬合優度也最高），收入Y是最重要的解釋變數，從而得出最優簡單回歸方程。
（4）將其餘變數逐個引入，計算結果如下表2：
表2服裝消費模型的估計
結果分析：
①在最優簡單回歸方程中引入變數Pc，使R2由0.9955提高到0.9957；根據經濟理論分析，正號，負號是合理的。然而t檢驗不顯著（），而從經濟理論分析，Pc應該是重要因素。雖然Y與Pc高度相關，但並不影響收入Y回歸系數的顯著性和穩定性。依照第1條判別標准，Pc可能是「有利變數」，暫時給予保留。
②模型中引入變數L ，R2 由0.9957提高到0.9959， 值略有提高。一方面，雖然Y 與L ，Pc與L 均高度相關，但是L 的引入對回歸系數、的影響不大（其中的值由0.1257變為0.1387，值由-0.0361變為-0.0345，變化很小）；另一方面，根據經濟理論的分析，L與服裝支出C之間應該是正相關關系，即的符號應該為正號而非負號，依照第2條判別標准，解釋變數L不必保留在模型中。
③捨去變數L ，加入變數P0 ，使R2 由0.9957提高到0.9980，R2 值改進較大。、、均顯著（這三個回歸系數的t檢驗值絕對值均大於），從經濟意義上看也是合理的（服裝支出C與Y,P0之間呈正相關，而與服裝價格Pc之間呈負相關關系）。根據判別標准第1條，可以認為Pc、P0皆為「有利變數」，給予保留。
④最後再引入變數L ，此時R2 ＝0.9980沒有增加（或幾乎沒有增加），新引入變數對其他三個解釋變數的參數系數也沒有產生多大影響，可以確定L 是多餘變數，根據判別標准第2條，解釋變數L 不必保留在模型中。
因此我們得到如下結論：回歸模型為最優模型。
通過以上案例的分析，我們從理論和實際問題兩方面具體了解了逐步回歸分析是如何對多重共線性問題進行處理的。事實上，一般統計軟體如SPSS，在回歸模型的窗口中都會提供變數逐步進入的選項，勾選後實際上就是選擇了運用逐步回歸的思想來構建回歸模型。運用SPSS軟體不需要我們懂得其背後的運行規律，然而作為分析師，了解並理解模型背後的理論知識，將更有助於我們理解模型、解釋結論背後的內在含義，從而達到更好地分析問題的目的。

E. 多重共線性問題

VIF值用於檢測共線性問題,一般VIF值小於10即說明沒有共線性(嚴格的標準是5)，有時候會以容差值作為標准,容差值=1/VIF，所以容李櫻掘差值大於0.1則說明沒有共線性(嚴格是大於0.2)，VIF和容差值有邏輯對應關系,因此二選一,一般描述VIF值。 如果出現多重共線性問題，一般可有3種解決辦法，一是用逐步回歸分析（頌滑讓模型自動剔除掉共線性過高項）,SPSSAU進階方法裡面的逐步回歸；二是用嶺回歸分析（用數學方法解決共線性問題），SPSSAU進階方法裡面有嶺哪核回歸，三是進行相關分析，手工移出相關性非常高的分析項（通過主觀分析解決），然後再做線性回歸分析。