多重共线性解决方法

A. eviews怎么解决多重共线性

多重共线性是指在回归模型中，自变量之间存在高度相关性，导致模型估计中的方差变大，系数估计不准确。解决多重共线性的方法有以下几种：
1. 去除高度相关的自变量：根据经验或领域知识，筛选出最具代表性的自变量，去除其余高度相关的自变量。
2. 合并高度相关的自变量：将高度相关的自变量合并成一个新的自变量，例如将多个身高指标合并为一个综合身高指标。
3. 正交化处理：使用正交化方法将自变量进行正交化，使得自变量之间不再存在相关性。
4. 引入惩罚项：在回归模型中引入惩罚项，例如岭回归、lasso回归等，可以减小自变量之间的相关性。
在eviews中，可以使用“变量”菜单下的“多重共线性测试”功能来检测多重共线性，同时还可以使用“变量”菜单下的“主成分分析”功能对自变量进行正交化处理。
此外，还可以使用eviews中的岭回归、lasso回归等方法来解决多重共线性问题。

B. 多重共线性问题及处理流程

多重共线性问题及处理流程如下：
在多元线性回归模型中，自变量X之间线性相关现象即为多重共线性。当模型存在此问题时，某一自变量可以被其他自变量的线性组合表示。
多重共线性分为两类：
（1）完全共线性：存在不全为0的系数，使得自变量间线性关系成立，这种情况在实际研究中较少见。
（2）近似共线性：自变量间存在多重共线性，但并非完全线性相关。
共线性的检验包括相关系数与VIF值分析。
（1）相关系数检验法：相关系数接近1表示共线性问题，SPSSAU操作简单。
（2）VIF检验法：VIF值大于10表示存在多重共线性问题。
解决共线性问题的常见方法有手动移除变量、逐步回归与岭回归等。
（1）移除共线性变量：筛选并保留重要变量，删除重复信息。
（2）逐步回归：SPSSAU提供三种方法，逐步法结合了向前法与向后法，可选择与剔除变量。
（3）岭回归：适用于多重共线性数据，改进最小二乘法，降低精度以获得稳定系数。
总结：多重共线性影响模型预测与变量显着性检验，需要通过相关系数、VIF值检验，以及移除共线性变量、逐步回归或岭回归等方法解决。

C. 多重共线性解决方法是什么

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）。

4、简单相关系数检验法。

(3)多重共线性解决方法扩展阅读：

相关影响

（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

（3）参数估计量经济含义不合理

（4）变量的显着性检验失去意义，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。

D. 多重共线性问题的几种解决方法

多重共线性问题的几种解决方法

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。
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
2、用相对数变量替代绝对数变量
3、差分法
4、逐步回归分析
5、主成份分析
6、偏最小二乘回归
7、岭回归
8、增加样本容量
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。
下边我们通过实例来说明逐步回归分析方法在解决多重共线性问题上的具体应用过程。
具体实例
例1 设某地10年间有关服装消费、可支配收入、流动资产、服装类物价指数、总物价指数的调查数据如表1，请建立需求函数模型。
表1 服装消费及相关变量调查数据
年份
服装开支
C
（百万元）
可支配收入
Y
（百万元）
流动资产
L
（百万元）
服装类物价指数Pc
1992年=100
总物价指数
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）设对服装的需求函数为

用最小二乘法估计得估计模型：

模型的检验量得分，R2=0.998，D·W=3.383，F=626.4634
R2接近1，说明该回归模型与原始数据拟合得很好。由得出拒绝零假设，认为服装支出与解释变量间存在显着关系。
（2）求各解释变量的基本相关系数

上述基本相关系数表明解释变量间高度相关，也就是存在较严重的多重共线性。
（3）为检验多重共线性的影响，作如下简单回归：

各方程下边括号内的数字分别表示的是对应解释变量系数的t检验值。
观察以上四个方程，根据经济理论和统计检验（t检验值=41.937最大，拟合优度也最高），收入Y是最重要的解释变量，从而得出最优简单回归方程。
（4）将其余变量逐个引入，计算结果如下表2：
表2服装消费模型的估计
结果分析：
①在最优简单回归方程中引入变量Pc，使R2由0.9955提高到0.9957；根据经济理论分析，正号，负号是合理的。然而t检验不显着（），而从经济理论分析，Pc应该是重要因素。虽然Y与Pc高度相关，但并不影响收入Y回归系数的显着性和稳定性。依照第1条判别标准，Pc可能是“有利变量”，暂时给予保留。
②模型中引入变量L ，R2 由0.9957提高到0.9959， 值略有提高。一方面，虽然Y 与L ，Pc与L 均高度相关，但是L 的引入对回归系数、的影响不大（其中的值由0.1257变为0.1387，值由-0.0361变为-0.0345，变化很小）；另一方面，根据经济理论的分析，L与服装支出C之间应该是正相关关系，即的符号应该为正号而非负号，依照第2条判别标准，解释变量L不必保留在模型中。
③舍去变量L ，加入变量P0 ，使R2 由0.9957提高到0.9980，R2 值改进较大。、、均显着（这三个回归系数的t检验值绝对值均大于），从经济意义上看也是合理的（服装支出C与Y,P0之间呈正相关，而与服装价格Pc之间呈负相关关系）。根据判别标准第1条，可以认为Pc、P0皆为“有利变量”，给予保留。
④最后再引入变量L ，此时R2 ＝0.9980没有增加（或几乎没有增加），新引入变量对其他三个解释变量的参数系数也没有产生多大影响，可以确定L 是多余变量，根据判别标准第2条，解释变量L 不必保留在模型中。
因此我们得到如下结论：回归模型为最优模型。
通过以上案例的分析，我们从理论和实际问题两方面具体了解了逐步回归分析是如何对多重共线性问题进行处理的。事实上，一般统计软件如SPSS，在回归模型的窗口中都会提供变量逐步进入的选项，勾选后实际上就是选择了运用逐步回归的思想来构建回归模型。运用SPSS软件不需要我们懂得其背后的运行规律，然而作为分析师，了解并理解模型背后的理论知识，将更有助于我们理解模型、解释结论背后的内在含义，从而达到更好地分析问题的目的。

E. 多重共线性问题

VIF值用于检测共线性问题,一般VIF值小于10即说明没有共线性(严格的标准是5)，有时候会以容差值作为标准,容差值=1/VIF，所以容李樱掘差值大于0.1则说明没有共线性(严格是大于0.2)，VIF和容差值有逻辑对应关系,因此二选一,一般描述VIF值。 如果出现多重共线性问题，一般可有3种解决办法，一是用逐步回归分析（颂滑让模型自动剔除掉共线性过高项）,SPSSAU进阶方法里面的逐步回归；二是用岭回归分析（用数学方法解决共线性问题），SPSSAU进阶方法里面有岭哪核回归，三是进行相关分析，手工移出相关性非常高的分析项（通过主观分析解决），然后再做线性回归分析。