多重共线性的消除：不相关法

如何采用相应的办法来消除经济计量模型中的多重共线性,一直是经济计量研究中人们关注的焦点问题之一。对此,本文提出了一种新的多重共线性消除的方法——不相关法,并就该方法的基本思想、计算步骤和实际应用进行了讨论,这对于不断完善多重共线性的消除方法体系有着一定的意义。     

利用EViews软件检验和处理模型的多重共线性

异方差性、自相关性、多重共线性是计量经济检验的三项主要内容,对于模型中的异方差性和自相关性问题,可以利用EViews软件很方便的进行检验和处理;但是对多重共线性问题,在EViews5.x版本之前却一直无法有效地予以处理。文章介绍了如何直接利用EViews软件检验和处理模型的多重共线性问题。     

基于不同计量经济学软件的逐步回归法

逐步回归法通过变量的筛选来处理多重共线性问题,在实证研究中得到了广泛的应用。本文梳理了逐步回归法的基本思想和操作,结合实例给出了运用计量经济软件EViews和SPSS所进行的逐步回归分析,经过比较得出结论,在处理多重共线性问题时运用SPSS软件比运用E-Views软件的效率要高。     

Logistic模型多重共线性问题的诊断及改进

文章诊断并改进了logistic回归模型多重共线性问题方法,采用条件指数和方差分解比例两项指标进行共线性诊断、应用主成分改进和偏最小二乘回归两种方法进行多重共线性变量的改进处理:去除了回归模型中变量间的多重共线性影响,建立了较为理想的关系模型.结果表明,在Logisdc回归模型分析中,应用上述方法进行多重共线性的诊断和处理是有效及可行的.     

几种处理多重共线性方法的比较研究

一、引言多重共线性(简称共线性)是多元线性回归分析中一个非常棘手的问题。共线性问题最早是由R.Frisch提出。如何消除共线性的危害,一直是回归分析的一个重点。     

岭回归在资本结构影响因素回归建模中的应用

自多重共线性是资本结构影响因素线性回归模型中迫切需要解决的问题,本文运用岭回归方法,以医药制造类上市公司的统计资料为基础,对影响资本结构的主要因素进行了实证分析,有效地解决了回归模型中的多重共线性问题.     

线性回归模型几何分析:基于估计结果及检验统计量的考察

文章对普通最小二乘估计中形成的相关系数、回归系数、可决系数R2、F统计量,以及多重共线性问题作出几何分析,指出该分析方法表现为向量的长度和角度关系.这种分析过程使普通最小二乘法及估计结果变得更直观.     

多重共线性下的线性回归方法综述

多重共线性（简称共线性）是回归分析中一个非常棘手的问题。多重共线性由R．Frisch在1934年引入的，主要研究是在上世纪六、七十年代进行的，但直到现在仍然没有完全解决。     

基于粗集理论的线性回归方法及实证分析

通过分析实际问题中经济变量间往往出现多重共线性的现象，将粗集理论的约简思想引入线性回归分析，提出了基于粗集理论的线性回归模型来解决多重共线性问题，并通过实证分析来验证模型的可行性，为人们进行科学的预测和决策提供了一种新的思想和方法。     

局部线性估计中的多重共线性问题

各解释变量之间存在多重共线性是现实中很普遍的现象。本文对局部线性估计多重共线性问题进行了讨论,发现多重共线性造成局部线性估计精度下降的原因,并提出了一个补救方法:当变量之间高度相关时采用主成分回归可以有效提高估计精度。本文还通过模拟的方式证明了此方法的有效性。     

GMDH与PLS解决多重共线性问题的比较研究

本文通过理论分析、数据试验以及实证研究三种途径,对GMDH与PLS两种算法解决多重共线性问题的特点进行了比较分析,发现了使用GMDH对于解决多重共线性数据建模问题的贡献,为解决多重共线性问题提供了新的途径。     

岭回归分析在解决多重共线性问题中的独特作用

多重共线性指的是多元回归模型的自变量间存在近似的线性关系,它的存在使得估计的精确性大幅降低,估计值稳定性变差,甚至在回归方程整体高度显著时,一些回归系数通不过显著性检验,正负号倒置,使得无法从回归方程得到合理的经济解释,降低回归方程的应用价值.然而,现实问题中又很难在众多因素中找到一组互不相关又对因变量有显著影响的变量,也就不可避免地会出现程度不同的共线性问题.     

解决多重共线性的新思路:路径分析

文章在回顾多重共线性产生的原因、后果、解决思路的基础上,文章提出了用路径分析解决多重共线性的新思路,实证分析结果表明:在解决多重共线性方面,路径分析可以得到和逐步回归相同的结果.     

多重共线性问题及其补救措施

一、多重共线性的性质 　　多重共线性(multicollinearity)一词原意是指一个回归模型中的一些或全部解释变量之间存在有一种"完全"的"线性"关系.……     

基于Lasso改进的一般因果关系检验

通常所说的Granger因果关系检验，实际上是对线性因果关系的检验，无法检验非线性因果关系。Peguin和Terasvirta（1999）进行了基于泰勒展式的一般性扩展，应用于非线性因果关系检验，并采用提取主成分的方法解决其中的多重共线性问题。但是，提取主成分对解决多重共线性的效果并不太好。Lasso回归是目前处理多重共线性的主要方法之一，相对于其他方法，更容易产生稀疏解，在参数估计的同时实现变量选择，因而可以用来解决检验中的多重共线性问题，以提高检验的效率。对检验程序的模拟结果表明，基于Lasso回归的检验取得较好的效果。     

对我国寿险经济需求模型的改进

文章结合国外有关寿险需求的分析与研究,将影响寿险需求的几个因素作为解释变量,运用多元线性回归的方法进行模型拟合,并针对所得模型中存在的严重的多重共线性问题,运用岭回归方法降低其共线性,建立新模型,尝试性的探讨影响我国寿险经济需求的因素。     

一类新的多重共线性检验方法

解释变量间的相关性导致了多元线性回归模型的多重共线性问题,由于考察相关性的角度和方法不同,产生了不同的多重共线性的检验方法。由阿达马不等式可以构建多个变量的综合相关性度量指标,将该指标用于度量多元线性回归模型的解释变量的综合相关程度,用以作为多元线性回归模型多重共线性的一类检验方法。     

复共线性诊断方法的比较

随着回归分析的深入应用,特别是计算机技术的飞速发展,人们愈来愈多地处理含较多自变量的大型回归问题,许多应用实践表明,在一些情况下,例如存在异常值和复共线性(多重共线性)等,经典最小二乘方法并不很理想:如果诸X之间有完全的共线性,则它们的回归系数是不确定的,并且它们的标准误没有定义;如果有高度共线性,回归系数有较大的标准误,系数的总体值不能准确地加以估计.     

基于提取综合特征因素的投影寻踪多元线性回归分析

文章针对多元线性回归分析中经常遇到小样本、多自变量以及所产生的多重共线性这一问题,提出了基于投影寻踪(PP-RAGA)提取自变量综合特征因素的多元线性回归分析方法.该方法在自变量过多时,根据自变量所表现出的共同特性,将符合共同特征的自变量通过投影寻踪方法划归所隶属综合特征因素,最后将得到的综合特征因素作为新的自变量进行多元回归分析.通过实例验证,该方法可以解决小样本情况下自变量过多以及多重共线性问题,使回归模型更具有研究意义,是值得借鉴一种新型多元回归分析方法.     

回归分析中强影响点的诊断方法与稳健回归

回归分析是计量经济学中最常用的定量分析方法，也是建立经济计量模型的主要工具，但在实际应用中，人们发现通过经典最小二乘法建立的回归模型，并不总令人满意，会出现诸如多重共线性、误差项异方差、自相关性等各种各样的问题，影响着模型的应用。于是，统计学家提出了对建立的模型进行回归诊断的问题，一方面，考察模型的假设条件满足的状况：另一方面，诊断样本数据对统计推断影响的大小，数据中是否存在影响模型稳定性的强影响点，以及处理解决的办法，这部分理论称为“回归诊断”。