多重共线性案例分析
第五章 多重共线性的概念
σ2
恰为X1与X2的线性相关系数的平方r2 ∑x ∑x
2 1i 2 2i
(∑ x1i x 2i ) 2
由于 r2 ≤1，故 1/(1- r2 )≥1
完全不共线时, 当完全不共线 完全不共线
r2
=0
ˆ var( β 1 ) = σ 2 / ∑ x12i
1 σ2 ˆ ⋅ > var(β 1 ) = 2 2 x1i 1 − r x12i ∑ ∑
1.
检验多重共线性是否存在
(1)对两个解释变量的模型，采用简单相关系数法 (1)对两个解释变量的模型，采用简单相关系数法 对两个解释变量的模型 求出X1与X2的简单相关系数r，若|r|接近1，则 说明两变量存在较强的多重共线性。 (2)对多个解释变量的模型，采用综合统计检验法 (2)对多个解释变量的模型， 对多个解释变量的模型 若在OLS法下：R2与F值较大，但t检验值较小，说明 各解释变量对Y的联合线性作用显著，但各解释变量间存 在共线性而使得它们对Y的独立作用不能分辨，故t检验不 显著。即R2较大但t值显著的不多。另外判断参数估计值 的符号，如果不符合经济理论或实际情况，可能存在多重 共线性。
ˆ Y = 7.29 + 27.58X2 −15161.5X3
SE =(121.50) t =（0.06） （ ） (28.79) （0.958） ） (21.41) （- 7.06） ）
R 2 = 0.946
我们发现： 值小。 我们发现：例1中X2、X3的 t 值小。且X3的系数符号 中 的系数符号 与经济意义不符和。原因？ 与经济意义不符和。原因？ 值大， 的系数符号与经济意义不符合。 例2中X3的 t 值大，但X3的系数符号与经济意义不符合。 原因？ 原因？
多重共线性示例
解决多重共线性实例天津市1974-1987年与粮食销售量有关的影响因素如下表。
建立粮食销售量模型。
年份 Y2X 3X 4X 5X 6X 1974 98.45 560.20 153.20 6.53 1.23 1.89 1975 100.70 603.11 190.00 9.12 1.30 2.03 … … … … … … … 1987 178.69 828.73 1094.67 23.53 11.68 23.37天津统计年鉴（1988）其中：Y 是粮食销售量（万吨）；2X 常住人口（万人）； 3X 人均收入（元）； 4X 肉类销售量（万吨）； 5X 蛋类销售量（万吨）； 6X 鱼虾销售量（万吨）； 一、初步模型及存在的问题多元线性回归模型估计结果如下：65432491445336782073670125305003X X X X X Y......ˆ-++++-=（2.119）(1.945)（2.130）(1.409）（-2.028） 970402.=R 5352.=F7205.ˆ=σ9731.=DW 方程中可决系数2R 和F 统计量很大，但t 统计量较小。
临界值30626140250.)(t .=-，所有参数估计值都不能通过显著性检验。
这是存在多重共线性的典型特征。
如果利用相关系数检验法，可以得到各解释变量之间的相关系数分别为8666023.=r 8823024.=r 8524025.=r 8213026.=r 9459034.=r 9648035.=r 9825036.=r 9405045.=r 9484046.=r 9820056.=r 可见任何两个解释变量之间都有很强的正线性相关关系。
因此样本存在严重的多重共线性。
二、模型的修正由以上结果表明，任何一个解释变量与被解释变量之间的关系都是显著的。
从经济意义角度来看，人口数和人均收入应该构成影响粮食销售量的主要因素，因此建模时常住人口数X和人均收入3X应作为基本解释2变量予以保留。
实验五多重共线性检验参考案例
实验五 多重共线性检验实验时间： 姓名：学号： 成绩：【实验目的】1、掌握多元线性回归模型的估计、检验和预测；2、掌握多重共线性问题的检验方法3、掌握多重共线性问题的修正方法 【实验内容】1、数据的读取和编辑；2、多元回归模型的估计、检验、预测；3、多重共线性问题的检验4、多重共线性问题的修正 【实验背景】为了评价报账最低工资（负收入税）政策的可行性，兰德公司进行了一项研究，以评价劳动供给（平均工作小时数）对小时工资提高的反应，词研究中的数据取自6000户男户主收入低于15000美元的一个国民样本，这些数据分成39个人口组，并放在表1中，由于4个人口组中的某些变量确实，所以只给出了35个组的数据，用于分析的各个变量的定义如下：Y 表示该年度平均工作小时数；X1表示平均小时工资（美元）；X2表示配偶平均收入（美元）；X3表示其他家庭成员的平均收入（美元）；X4表示年均非劳动收入（美元）；X5表示平均家庭资产拥有量；X6表示被调查者的平均年龄；X7表示平均赡养人数；X 8表示平均受教育年限。
μ为随机干扰项，考虑一下回归模型：μβββββββββ+++++++++=87654321876543210X X X X X X X X Y （1） 将该年度平均工作小时数Y 对X 进行回归，并对模型进行简单分析； （2） 计算各变量之间的相关系数矩阵，利用相关系数法分析变量间是否具有多重共线性；（3） 利用逐步回归方法检验并修正回归模型，最后再对模型进行经济意义检验、统计检验。
表5观测组Y X1 X2 X3 X4 X5 X6 X7 X81 2157 2.905 1121 291 380 7250 38.5 2.34 10.52 2174 2.97 1128 301 398 7744 39.3 2.335 10.53 2062 2.35 1214 326 185 3068 40.1 2.851 8.94 2111 2.511 1203 49 117 1632 22.4 1.159 11.55 2134 2.791 1013 594 730 1271057.7 1.229 8.86 2185 3.04 1135 287 382 776 38.6 2.602 10.77 2210 3.222 1100 295 474 9338 39 2.187 1128 2105 2.495 1180 310 255 4730 39.9 2.616 9.39 2267 2.838 1298 252 431 8317 38.9 2.024 11.110 2205 2.356 885 264 373 6489 38.8 2.662 9.511 2121 2.922 1251 328 312 5907 39.8 2.287 10.312 2109 2.499 1207 347 271 5069 39.7 3.193 8.913 2108 2.796 1036 300 259 4614 38.2 2.4 9.214 2047 2.453 1213 397 139 1987 40.3 2.545 9.115 2174 3.582 1141 414 498 1023940 2.064 11.716 2067 2.909 1805 290 239 4439 39.1 2.301 10.517 2159 2.511 1075 289 308 5621 39.3 2.486 9.518 2257 2.516 1093 176 392 7293 37.9 2.042 10.119 1985 1.423 553 381 146 1866 40.6 3.833 6.620 2184 3.636 1091 291 560 1124039.1 2.328 11.621 2084 2.983 1327 331 296 5653 39.8 2.208 10.222 2051 2.573 1197 279 172 2806 40 2.362 9.123 2127 3.263 1226 314 408 8042 39.5 2.259 10.824 2102 3.234 1188 414 352 7557 39.8 2.019 10.725 2098 2.28 973 364 272 4400 40.6 2.661 8.426 2042 2.304 1085 328 140 1739 41.8 2.444 8.227 2181 2.912 1072 304 383 9340 39 2.337 10.228 2186 3.015 1122 30 352 7292 37.2 2.046 10.929 2188 3.01 990 366 374 7325 38.4 2.847 10.630 2077 1.901 350 209 95 1370 37.4 4.158 8.231 2196 3.009 947 294 342 6888 37.5 3.047 10.632 2093 1.899 342 311 120 1425 37.5 4.512 8.133 2173 2.959 1116 296 387 7625 39.2 2.342 10.534 2179 2.959 1116 296 387 7625 39.2 2.342 10.535 2200 2.98 1126 204 393 7885 39.2 2.341 10.6 【实验过程】一、利用Evie ws软件建立年度平均工作小时数y的回归模型。
多重共线性案例分析实验报告
《多重共线性案例分析》实验报告表2由此可见，该模型，可决系数很高，F 检验值173.3525,明显显著。
但是当时,不仅、系数的t 检验不显著，而且系数的符号与预期的相反，这表明很可能存在严重的多重共线性。
9954.02=R 9897.02=R 05.0=α776.2)610()(025.02=-=-t k n t α2X 6X 6X②.计算各解释变量的相关系数，选择X2、X3、X4、X5、X6数据，点”view/correlations ”得相关系数矩阵表3由关系数矩阵可以看出：各解释变量相互之间的相关系数较高，证实确实存在严重多重共线性相。
4.消除多重共线性①采用逐步回归的办法，去检验和解决多重共线性问题。
分别作Y 对X2、X3、X4、X5、X6的一元回归 如下图所示变量 X2 X3 X4 X5 X6 参数估计值0.08429.0523 11.6673 34.3324 2014.146 t 统计量8.665913.1598 5.1967 6.4675 8.74870.90370.95580.77150.83940.9054表4 按的大小排序为：X3、X6、X2、X5、X4。
以X3为基础，顺次加入其他变量逐步回归。
首先加入X6回归结果为：t=(2.9086) (0.46214)2R 2R 631784.285850632.7639.4109ˆX X Y t ++-=957152.02=R1995 1375.7 62900 464.0 61.5 115.70 5.97 1996 1638.4 63900 534.1 70.5 118.58 6.49 1997 2112.7 64400 599.8 145.7 122.64 6.60 1998 2391.2 69450 607.0 197.0 127.85 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 708.3 212.7 169.80 7.01 2002 3878.4 87800 739.7 209.1 176.52 7.19 2003 3442.3 87000 684.9 200.0 180.98 7.30表1：1994年—2003年中国游旅收入及相关数据表2：OLS 回归表3：关系数矩阵变量 X2 X3 X4 X5 X6 参数估计值0.08429.0523 11.6673 34.3324 2014.146 t 统计量8.665913.1598 5.1967 6.4675 8.74870.90370.95580.77150.83940.9054表4：Y 对X2、X3、X4、X5、X6的一元回归六、实验结果及分析1. 在参数估计模型和关系数矩阵中， ，可决系数很高，F 检验值173.3525,明显显著。
多重共线性-例题
2．多重共线性的经济解释（1）经济变量在时间上有共同变化的趋势。
如在经济上升时期，收入、消费、就业率等都增长，当经济收缩期，收入、消费、就业率等又都下降。
当这些变量同时进入模型后就会带来多重共线性问题。
0.E+001.E+112.E+113.E+114.E+11808284868890929496980002GDPCONS0.E+001.E+112.E+113.E+114.E+110.0E+005.0E+101.0E+111.5E+112.0E+112.5E+11CONSGDP of HongKong（2）解释变量与其滞后变量同作解释变量。
0.E+001.E+112.E+113.E+114.E+11808284868890929496980002GDP0.E+001.E+112.E+113.E+114.E+110.E+001.E+112.E+113.E+114.E+11GDP(-1)GDP3．多重共线性的后果（1）当 | r x i x j | = 1，X 为降秩矩阵，则 (X 'X ) -1不存在，βˆ= (X 'X )-1 X 'Y 不可计算。
（2）若 | r x i x j | ≠1，即使 | r x i x j | →1，βˆ仍具有无偏性。
E(βˆ) = E[(X 'X )-1 X 'Y ] = E[(X 'X ) -1X '(X β + u )] = β + (X 'X )-1X ' E(u ) = β. （3）当 | r x i x j | →1时，X 'X 接近降秩矩阵，即 | X 'X | →0，V ar(βˆ) = σ 2 (X 'X )-1变得很大。
所以βˆ丧失有效性。
以二解释变量线性模型为例，当r x i x j = 0.8时，Var(βˆ)为r x i x j = 0时的Var(βˆ)的2.78倍。
计量经济学中多重共线性案例问题研究报告方案
计量经济学中多重共线性案例问题研究摘要：本论文主要通过案例来研究计量经济学中的多重共线性的问题，对案例进行EVIEWS分析,并利用诊断共线性的经验方法及修正共线性的经验方法和通过EVIEWS分析对案例中的多重共线性进行诊断与修正，以能够完成减弱多重共线性的目标。
关键字：多重共线性诊断共线性的经验方法修正共线性的经验方法经典的线性回归模型的假定之一是各解释变量X之间不存在多重共线性。
然而，在计量经济学中所说的多重共线性（mnlti-collinearity），不仅包含解释变量之间精确的线性关系，还包含解释变量之间近似的线性关系。
下面来通过研究国内生产总值的增加会影响财政收入的增加还是减少的案例对多重共线性进行研究。
一、研究的目的和要求国内生产总值GDP按照支出法的公式为：国内生产总值=消费+投资+政府购买支出+净出口，而财政收入的主要来源为各项税收收入如增值税等。
只有经济持续的增长，才能提供稳定的税收来源。
所以，影响财政收入的主要因素是税收收入。
但是，税收收入还影响着国内生产总值。
因此，为了中国未来经济的发展，需要定量的分析影响中国财政收入的因素。
二、模型设定及其估计经过研究与分析，影响财政收入的主要因素，除了税收收入以外，还有与一些其他因素有关。
为此，考虑的影响因素主要有财政支出CZZC/亿元用X2表示，国内生产总值GDP/亿元用X3表示，税收总额SSZE/亿元用X4表示。
各影响变量与财政收入之间呈现正相关。
因此设定了如下形式的计量经济模型来研究“国内生产总值的增加会减少财政收入吗”这个问题：Y t=β1+β2X2t+β3X3t+β4X4t+μt式中，Yt为第t年国内财政收入（亿元）；X2为财政支出（亿元）；X3为国内生产总值（亿元）；X4为税收总额（亿元）。
各解释变量前的回归系数预期都大于0.为估计模型参数，1985～2011年阶段财政收入的统计数据，如下表：运用EVIEWS软件，生成Y、X2、X3、X4数据，采用OLS方法估计模型参数，得到的回归结果如下图所示：该模型R²=0.999857，Rˉ²=0.999838，可决系数非常高，F的检验值为53488.54，明显很显著。
第6章(多重共线性)-案例
3.基础解系及其求法 基础解系及其求法
3.1. 基础解系 3.1.2. 基础解系的求法
x1 = − b1, r +1k1 L − b 1 n k n− r x = −b k L − b k 2 ,r +1 1 2n n− r 2 L L L L L L L xr = − br ,r +1k1 L − br n k n− r x r +1 = k 1 k2 xr + 2 = L LLLLL x = k n− r n
在进行经济计量分析时，如果模型地设定出现失误， 在进行经济计量分析时，如果模型地设定出现失误，则容易导 致完全共线性 例如：设定居民消费对工资收入 工资收入S和非劳动收入N及总收入T 例如：设定居民消费对工资收入 和非劳动收入 及总收入 的回 归模型为
C = β 0 + β 1 S + β 2 N + β 3T + ε
§6.1 多重共线性的定义
从数学意义上解释变量之间存在共线性， 从数学意义上解释变量之间存在共线性，就是对于变 量x1，x2，…，xk，如果存在不全为零的数λ1，λ2，…， ， 如果存在不全为零的数λ ， 使得下式成立： λk，使得下式成立： λ1x1+λ2x2+…+λkxk=0 +λ （*） 则称变量x 则称变量x1，x2，…，xk之间存在一种完全的共线性。 ， 在计量经济学中， 在计量经济学中，一个具有两个以上解释变量的线性 回归模型里，如果解释变量之间存在式（ 那样的关系， 回归模型里，如果解释变量之间存在式（*）那样的关系， 则称这些解释变量之间存在完全的多重共线性。
设解释变量矩阵为： 设解释变量矩阵为：
1 x 11 1 x 21 X= M M 1 x n1 x 12 x 22 M x n2 L x 1k L x 2k M L x nk
多重共线性回归分析及其实验报告
实验报告实验题目：多重共线性的研究指导老师：学生一：学生二：实验时间：2011年10月多重线性回归分析及其实验报告实验目的：为了更好地了解财政收入构成，需要定量地分析影响财政收入的因素模型设定及其估计：经分析，影响财政收入的主要因素，农业增加值X1，工业增加值X2，建筑业增加值X3，总人口X4，受灾面积X5.为此设定了如下形式的计量经济模型：Y=β1+β2X1+β3X2+β4X3+β5X4+β6X5+u0其中，Y为财政收入（元），X1农业增加值（元），X2为工业增加值(元)，X3为建筑业增加值（元），X4为总人口（万人），X5为受灾面积（千公顷）为估计模型参数，收集1978~2007年财政收入及其影响因素数据，如图：1978~2007年财政收入及其影响因素数据年份财政收入CS/亿元农业增加值NZ/亿元工业增加值GZ/亿元建筑业增加值JZZ/亿元总人口TPOP/万人受灾面积SZM/千公顷1978 1132.3 1027.5 1607 138.2 96259 50790 1979 1146.6 1270.2 1769.7 143.8 97542 39370 1980 1159.9 1371.4 1996.5 195.5 98705 44526 1981 1175.8 1559.5 2048.5 207.1 100072 39790 1982 1212.3 1777.4 2162.3 220.7 101654 33130 1983 1367 1978.5 2375.8 270.6 103008 34710 1984 1642.5 2316.1 2789 316.7 104357 31890 1985 2004.6 2564.3 3448.5 417.9 105851 44365 1986 2122 2788.7 3987.5 525.7 107507 47170 1987 2199.4 3233 4565.9 665.8 109300 42090 1988 2357.6 3865.4 5062 810 111026 50870 1989 2664.5 5062 8087.3 794 112704 46991 1990 2937.4 5342.3 10284.5 859.4 114333 384741991 3149.48 5866.8 14188 1015.1 115823 55472 1992 3483.48 6963.6 19480.5 1415 117171 51333 1993 4348.95 9572.7 19480.4 2266.5 118517 48829 1994 5218.1 12315.7 24950.7 2964.7 119850 55043 1995 6242.2 14015.8 29447.6 3728.8 121121 45821 1996 7407.99 14441.8 32921.4 4387.4 122389 46898 1997 8615.14 14917.6 34018.4 4985.8 123626 53429 1998 9875.95 14944.5 40036 5172.1 124761 59145 1999 11444.08 15871.8 43580.6 5522.3 125786 49981 2000 13395.23 16537 47431.6 5913.7 126743 54688 2001 16386.04 17381.8 54945.5 6465.5 127627 52215 2002 18903.64 21412.7 65210 7490.8 128453 47119 2003 21715.25 22420 76912.6 8694.3 129227 54506 2004 26396.47 21224 87632.4 8967.8 129988 37106 2005 31649.29 22420 89834.5 10133.8 130756 38818 2006 38760.2 24040.9 91310.9 11851.1 131448 41091 2007 51321.45 28095 107367.2 14014.1 132129 48992利用Eviews软件，生成Y、X1、X2、X3、X4、X5等数据，采用这些数据进行OLS回归，结果如下Dependent Variable: YMethod: Least SquaresDate: 10/24/11 Time: 22:49Sample: 1978 2007Included observations: 30Variable Coefficient Std. Error t-Statistic Prob.C -6734.394 11259.37 -0.598115 0.5554X1 -1.678611 0.328371 -5.111937 0.0000X2 0.071078 0.081171 0.875666 0.3899X3 5.699199 0.745591 7.643870 0.0000X4 0.101481 0.114244 0.888277 0.3832X5 -0.010922 0.057578 -0.189691 0.8511R-squared 0.983660 Mean dependent var 10047.83Adjusted R-squared 0.980255 S.D. dependent var 12585.61S.E. of regression 1768.473 Akaike info criterion 17.97048Sum squared resid 75059958 Schwarz criterion 18.25072Log likelihood -263.5572 F-statistic 288.9512Durbin-Watson stat 0.898668 Prob(F-statistic) 0.000000由此可见，该模型R2=0.983660，R2=0.980255可决系数很高，F检验值为288.9512，明显显著。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多重共线性的侦查
（1） 2 值高且不显著的t 值四个中占了两个，有 R 理由怀疑该模型中存在着较为严重的多重共线 性。
（2）考察回归元之间的相关系数
回归元的两两相关系数
LOG(X1) LOG(X1) LOG(X2) LOG(X3) LOG(X4) 1 0.907175 0.972459 0.979005 LOG(X2) 0.907175 1 0.946751 0.933064 LOG(X3) 0.972459 0.946751 1 0.954277 LOG(X4) 0.979005 0.933064 0.954277 1
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
3.663887 0.187659 -4.152987 -3.906140 -4.090906 1.826069
R 2 = 0.9661
R 2 = 0.9815
∧
ቤተ መጻሕፍቲ ባይዱ
∧
∧
∧
R 2 = 0.9786
F 值 = 336.1808
p值 = 0.0000
多重共线性的再检验： （1）回归元的相关系数
LOG(X1) LOG(X1) LOG(X2) LOG(X3) 1 0.907175 0.972459 LOG(X2) 0.907175 1 0.946751 LOG(X3) 0.972459 0.946751 1
第十二讲
多重共线性案例分析
多重共线性的侦查与处理
Y = 每人的子鸡消费量，磅
研究美国每人的子鸡消费量 令：
X1 = 每人实际可支配收入，美元
X 2 = 每磅子鸡实际零售价格，美元
X 3 = 每磅猪肉实际零售价格，美元
X 4 = 每磅牛肉实际零售价格，美元
获取数据
1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 27.80000 29.90000 29.80000 30.80000 31.20000 33.30000 35.60000 36.40000 36.70000 38.40000 40.40000 40.30000 41.80000 40.40000 40.70000 40.10000 42.70000 44.10000 46.70000 50.60000 50.10000 51.70000 52.90000 397.5000 413.3000 439.2000 459.7000 492.9000 528.6000 560.3000 624.6000 666.4000 717.8000 768.2000 843.3000 911.6000 931.1000 1021.500 1165.900 1349.600 1449.400 1575.500 1759.100 1994.200 2258.100 2478.700 42.20000 38.10000 40.30000 39.50000 37.30000 38.10000 39.30000 37.80000 38.40000 40.10000 38.60000 39.80000 39.70000 52.10000 48.90000 58.30000 57.90000 56.50000 63.70000 61.60000 58.90000 66.40000 70.40000 50.70000 52.00000 54.00000 55.30000 54.70000 63.70000 69.80000 65.90000 64.50000 70.00000 73.20000 67.80000 79.10000 95.40000 94.20000 123.5000 129.9000 117.6000 130.9000 129.8000 128.0000 141.0000 168.2000 78.30000 79.20000 79.20000 79.20000 77.40000 80.20000 80.40000 83.90000 85.50000 93.70000 106.1000 104.8000 114.0000 124.1000 127.6000 142.9000 143.6000 139.2000 165.5000 203.3000 219.6000 221.6000 232.6000 65.80000 66.90000 67.80000 69.60000 68.70000 73.60000 76.30000 77.20000 78.10000 84.70000 93.30000 89.70000 100.7000 113.5000 115.3000 136.7000 139.2000 132.0000 132.1000 154.4000 174.9000 180.8000 189.4000
② ln( X 2 ) = 1.2332 − 0.4693ln( X 1 ) + 0.6694 ln( X 3 ) + 0.5955ln( X 4 )
R 2 = 0.9338
p值 = 0.0000
③ ln( X 3 ) = −1.0127 + 0.6618ln( X 1 ) + 0.8287 ln( X 2 ) − 0.4695ln( X 4 )
ln Y = 2.1898 + 0.3426ln X1 − 0.5046ln X 2 + 0.1485ln X3 + 0.0911ln X 4 se = ( 0.1557) ( 0.0833) ( 0.1109 ) ( 0.0997 ) ( 0.1007 ) (1.49 ) ( 0.90 ) ( −4.55) t = (14.06 ) ( 4.11)
R 2 = 0.9759 R 2 = 0.9721
F = 256.08
p值 = 0.0000
④ ln( X 4 ) = −0.7057 + 0.6956 ln( X1 ) + 0.7219 ln( X 2 ) − 0.4598ln( X 3 )
R 2 = 0.9763
R 2 = 0.9726
F = 261.61 p值 = 0.0000
回归元之间的相关系数均大于0.8， 回归元之间的相关系数均大于 ，表明多重共线性是 严重的
（3）辅助回归
① ln( X 1 ) = 0.9461 − 0.8324 ln( X 2 ) + 0.9483ln( X 3 ) + 1.0176 ln( X 4 )
R 2 = 0.9846
R 2 = 0.9822 F = 406.0592 p值 = 0.0000 R 2 = 0.9428 F = 104.41
0.0000 0.0000 0.0000 0.2395
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.981509 0.978590 0.027459 0.014326 52.24812 336.1808 0.000000
∧
∧
∧
∧
∧
p值 = ( 0.0000 ) ( 0.0007 )
( 0.0002 )
( 0.1535)
( 0.3776 )
R 2 = 0.9823
R 2 = 0.9783
F = 249.9282
p值 = 0.0000
通过总体显著性检验 ln ln ln ln t 检验： X1、 X 2 通过显著性检验； X 3、 X 4 未 通过显著性检验 R 2 很大
② ln( X 2 ) = 1.4259 − 0.0967 ln( X 1 ) + 0.6939 ln( X 3 )
R 2 = 0.8997 F = 89.69
R 2 = 0.9692
F = 314.89
R 2 = 0.8897
p值 = 0.0000
③ ln( X 3 ) = −0.8689 + 0.4276 ln( X 1 ) + 0.6246 ln( X 2 )
应用克莱因法则： 辅助模型①的 R 2 大于回归方程的 R 2
0.9822 > 0.9783
多重共线性问题比较严重
多重共线性的处理 （1）不做处理。 作为分析者，如果你主要关注的因素 是可支配收入与子鸡价格对子鸡消费量 的影响的话，两个统计量都通过了显著 性的 t 检验，对多重共线性可以不做处理。
回归元之间的相关系数均大于0.8， 回归元之间的相关系数均大于 ，表明多重共线性是 严重的
（2）辅助回归
① ln( X 1 ) = 0.7800 − 0.3347 ln( X 2 ) + 1.6443ln( X 3 )
R 2 = 0.9474
F = 180.24
R 2 = 0.9422
p值 = 0.0000
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LOG(X1) LOG(X2) LOG(X3)
2.125498 0.405924 -0.438825 0.106656
0.137882 0.044791 0.083332 0.087838
15.41533 9.062535 -5.265956 1.214228
14.06283 0.0007 0.0002 0.1535 0.3776
0.0000
R-squared 0.982313 Adjusted R-squared 0.978383 S.E. of regression 0.027591 Sum squared resid 0.013703 Log likelihood 52.75935 F-statistic 249.9282 Prob(F-statistic) 0.000000