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。     

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.     

利用主成分回归法处理多重共线性的若干问题

在经济计量实践中,多重共线性是存在于线性经济计量模型中的一个普遍而需特别重视的问题.对于其解决方法,很多学者都进行了探讨.目前一些文献中颇有争议的是:利用主成分回归法处理多因素分析中多重共线性问题.     

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.     

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。     

集体林权制度改革对农户环境满意度的Logistic回归分析

进行集体林权制度改革对环境影响问卷调查,并对调查问卷数据进行了描述性统计分析、Logistic回归分析以及共线性诊断和处理,运用线性拟合回归模型方法进行共线性诊断,并采用岭回归的方法对共线性问题进行了处理,试图从农户的角度研究林改对环境的影响,并分析问卷中所列出的六种环境变化与农户对林改满意度的关系。研究表明,林改前后水土保持、空气净化和森林面积的变化对农户环境满意度有较为显著的影响。     

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.……     

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。     

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。     

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。     

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.     

基于主成分回归的分布滞后模型及实证

对含滞后变量问题的建模,有效地消除变量间的高度相关是保证模型优良性的一个重要手段.文章利用主成分析把原始变量正交变换并作为新的自变量,消除多重共线性.然后利用逐步回归筛选出对因变量有影响的变量进行回归拟合.最后针对国内生产总值对我国固定资产投资带动作用进行实证分析.     

使用SPSS进行回归分析应注意的一个问题

在使用SPSS进行回归分析时,如果自变量个数较多,为解决由自变量之间的相关性导致的多重共线性,可以选择逐步回归法,即在回归分析窗口Linear Regression的Method一栏中选择stepwise(本文是以SPSS11.0为例)。但值得注意的是,此时系统给出的最终结果是一个满足统计学检验的结果,它     

多项式分布滞后模型的共线性

多项式分布滞后模型常被用来处理有限分布滞后问题;但在应用中,对共线性问题的讨论不多.本文分析了共线性产生的深层次原因,并给出了一个例子.     

对多重共线性问题的探讨

本文指出变量间的内在联系是共线性产生的本质原因,并普遍存在于变量之间;总结分析了共线性的潜在危害、诊断方法和处理手段;共线性的诊断并不是必须的,其严重性也不等于有危害性,但现有处理方法偏离了危害性这个问题本源。本文结合文图研究,指出共线性有意义的区分是有无危害性,并提出GMDH方法能处理有害共线性问题。     

基于收缩机制的若干回归模型比较研究

预测精度与可解释性是回归模型评价的两个重要依据。由于变量之间的"共线性"和模型的"过拟合"等问题导致OLS(ordinary least squares)估计量并不总是令人满意。通过在传统的回归模型上引入收缩机制,新一代回归模型能获得更好的预测精度和良好的可解释性。文章比较了几种典型基于收缩机制的回归模型,如岭回归、LASSO,并通过实例分析了不同模型的性能与特点。     

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。     

多重共线性问题及其补救措施

1多重共线性可能由以下因素导致:(一)数据收集所用的方法不适当。比如,抽样限于总体中诸回归元所取值的一个有限的范围内;(二)模