eviews多重共线性怎么检验 eviews面板数据多重共线性、异方差和残差检验
eviews\u4e2d\u5982\u4f55\u8fdb\u884c\u591a\u91cd\u5171\u7ebf\u6027\u68c0\u9a8c\uff1f\u6240\u8c13\u591a\u91cd\u5171\u7ebf\u6027\uff08Multicollinearity\uff09\u662f\u6307\u7ebf\u6027\u56de\u5f52\u6a21\u578b\u4e2d\u7684\u89e3\u91ca\u53d8\u91cf\u4e4b\u95f4\u7531\u4e8e\u5b58\u5728\u7cbe\u786e\u76f8\u5173\u5173\u7cfb\u6216\u9ad8\u5ea6\u76f8\u5173\u5173\u7cfb\u800c\u4f7f\u6a21\u578b\u4f30\u8ba1\u5931\u771f\u6216\u96be\u4ee5\u4f30\u8ba1\u51c6\u786e\u3002
\u4e00\u822c\u6765\u8bf4\uff0c\u7531\u4e8e\u7ecf\u6d4e\u6570\u636e\u7684\u9650\u5236\u4f7f\u5f97\u6a21\u578b\u8bbe\u8ba1\u4e0d\u5f53\uff0c\u5bfc\u81f4\u8bbe\u8ba1\u77e9\u9635\u4e2d\u89e3\u91ca\u53d8\u91cf\u95f4\u5b58\u5728\u666e\u904d\u7684\u76f8\u5173\u5173\u7cfb\u3002\u5b8c\u5168\u5171\u7ebf\u6027\u7684\u60c5\u51b5\u5e76\u4e0d\u591a\u89c1\uff0c\u4e00\u822c\u51fa\u73b0\u7684\u662f\u5728\u4e00\u5b9a\u7a0b\u5ea6\u4e0a\u7684\u5171\u7ebf\u6027\uff0c\u5373\u8fd1\u4f3c\u5171\u7ebf\u6027\u3002
\u4ea7\u751f\u539f\u56e0\u4e3b\u8981\u67093\u5404\u65b9\u9762\uff1a
\uff081\uff09\u7ecf\u6d4e\u53d8\u91cf\u76f8\u5173\u7684\u5171\u540c\u8d8b\u52bf
\uff082\uff09\u6ede\u540e\u53d8\u91cf\u7684\u5f15\u5165
\uff083\uff09\u6837\u672c\u8d44\u6599\u7684\u9650\u5236
\u4ea7\u751f\u7684\u5f71\u54cd\u6709\u4ee5\u4e0b5\u79cd\uff1a
\uff081\uff09\u5b8c\u5168\u5171\u7ebf\u6027\u4e0b\u53c2\u6570\u4f30\u8ba1\u91cf\u4e0d\u5b58\u5728
\uff082\uff09\u8fd1\u4f3c\u5171\u7ebf\u6027\u4e0bOLS\u4f30\u8ba1\u91cf\u975e\u6709\u6548\uff0c\u591a\u91cd\u5171\u7ebf\u6027\u4f7f\u53c2\u6570\u4f30\u8ba1\u503c\u7684\u65b9\u5dee\u589e\u5927\uff0c1/(1-r2)\u4e3a\u65b9\u5dee\u81a8\u80c0\u56e0\u5b50(Variance Inflation Factor, VIF)
\uff083\uff09\u53c2\u6570\u4f30\u8ba1\u91cf\u7ecf\u6d4e\u542b\u4e49\u4e0d\u5408\u7406
\uff084\uff09\u53d8\u91cf\u7684\u663e\u8457\u6027\u68c0\u9a8c\u5931\u53bb\u610f\u4e49\uff0c\u53ef\u80fd\u5c06\u91cd\u8981\u7684\u89e3\u91ca\u53d8\u91cf\u6392\u9664\u5728\u6a21\u578b\u4e4b\u5916
\uff085\uff09\u6a21\u578b\u7684\u9884\u6d4b\u529f\u80fd\u5931\u6548\u3002\u53d8\u5927\u7684\u65b9\u5dee\u5bb9\u6613\u4f7f\u533a\u95f4\u9884\u6d4b\u7684\u201c\u533a\u95f4\u201d\u53d8\u5927\uff0c\u4f7f\u9884\u6d4b\u5931\u53bb\u610f\u4e49\u3002
\u9700\u8981\u6ce8\u610f\uff1a\u5373\u4f7f\u51fa\u73b0\u8f83\u9ad8\u7a0b\u5ea6\u7684\u591a\u91cd\u5171\u7ebf\u6027\uff0cOLS\u4f30\u8ba1\u91cf\u4ecd\u5177\u6709\u7ebf\u6027\u6027\u7b49\u826f\u597d\u7684\u7edf\u8ba1\u6027\u8d28\u3002\u4f46\u662fOLS\u6cd5\u5728\u7edf\u8ba1\u63a8\u65ad\u4e0a\u65e0\u6cd5\u7ed9\u51fa\u771f\u6b63\u6709\u7528\u7684\u4fe1\u606f\u3002
\u5171\u7ebf\u6027\uff1a
\u901a\u8fc7\u4e86F\u68c0\u9a8c\uff0c\u4f46\u662f\u6a21\u578b\u7684\u67d0\u4e9b\u81ea\u53d8\u91cf\u7684\u7cfb\u6570\u7684t\u68c0\u9a8c\u6ca1\u6709\u901a\u8fc7\uff0c\u800c\u4e14\u76f8\u5173\u7cfb\u6570\u6bd4\u8f83\u5927\uff0c\u8fd9\u662f\u591a\u91cd\u5171\u7ebf\u6027\u7684\u5178\u578b\u7279\u70b9\u3002\u4f60\u9700\u8981\u68c0\u9a8c\u4f60\u7684\u90a3\u51e0\u4e2a\u6ca1\u901a\u8fc7t\u68c0\u9a8c\u7684\u81ea\u53d8\u91cf\u662f\u5426\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027\u3002\u65b9\u6cd5\u5f88\u7b80\u5355\uff0c\u628a\u4ed6\u4eectop ten sls lnsal lnta alr ceo\u4e2d\u7684\u5176\u4e2d\u4e00\u4e2a\u4f5c\u4e3a\u56e0\u53d8\u91cf \u5176\u4f59\u7684\u4f5c\u4e3a\u81ea\u53d8\u91cf\uff0c\u770b\u80fd\u4e0d\u80fd\u901a\u8fc7F\u68c0\u9a8c\uff0c\u5982\u679c\u901a\u8fc7\u4e86\uff0c\u8bf4\u660e\u8be5\u53d8\u91cf\u4e0e\u5176\u4f59\u53d8\u91cf\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027\uff0c\u6ca1\u901a\u8fc7\u5219\u4e0d\u5b58\u5728\u3002\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027\u7684\u53d8\u91cf\u5e94\u8be5\u5220\u9664\u4e00\u90e8\u5206\u3002\u4f46\u662f\u5982\u679c\u7406\u8bba\u8868\u660e\u8be5\u53d8\u91cf\u5bf9\u6a21\u578b\u786e\u5b9e\u6709\u5f71\u54cd\u7684\u8bdd\uff0c\u5c31\u4e0d\u80fd\u5220\u9664\uff0c\u4e00\u5207\u4ee5\u7406\u8bba\u4e3a\u4f9d\u636e\u3002
\u5f02\u65b9\u5dee\uff1a\u56de\u5f52\u8fc7\u540e\uff0c\u5728\u8f93\u51fa\u7684\u7ed3\u679c\u90a3\u4e2a\u7a97\u53e3\u4e2d\u9009\u62e9view-\u5176\u4e2d\u6709\u4e00\u9879\u662fresiduals tests,\u770b\u6e05\u695a\u4e86\uff0c\u80af\u5b9a\u6709\u7684\u3002\u7136\u540e\u9009\u62e9\u6700\u540e\u4e00\u9879Heteroskedasticity Test \u518d\u9009\u62e9 White\uff0c\u8f93\u51fa\u7ed3\u679c\u5c31\u662f\u5f02\u65b9\u5dee\u68c0\u9a8c\u7684\u6000\u7279\u68c0\u9a8c\u3002
后一个是最主要的VIF(方差膨胀因子）检验，它大于5，有共线。大于10，共线严重。
这个表给出了更多的共线性检验方法，比如第3列条件索引（其实是条件指数），它大于10共线，大于30严重共线。
在group窗口中，点击view-correlation，会得到相关系数矩阵，一般来说，大于0.8或0.9即有严重的多重共线性，需调整，一般是用逐步回归法剔除一些变量。当然，临界值不是固定的，你可以调低或调高。
绛旓細X2銆乆3鐨勭畝鍗曠浉鍏崇郴鏁般傚湪宸ヤ綔绐楀彛涓畾涔夎繖涓や釜搴忓垪锛岀劧鍚庡崟鍑婚紶鏍囧彸閿紝閫夋嫨Open鈥攁s Group銆4銆佸啀鍦ㄦ樉绀虹殑缁勫伐浣滅獥鍙ｄ腑鐐瑰嚮View鈥擟ovariance Analysis銆5銆佸湪寮瑰嚭鐨凜ovariance Analysis妗嗕腑鍕鹃塁orrelation锛屾寜OK銆6銆佷笁涓彉閲忎箣闂翠袱涓や箣闂寸殑鐩稿叧绯绘暟寰堝ぇ锛岀浉鍏崇▼搴︿篃杈冮珮锛屽洜娆″瓨鍦ㄧ潃澶氶噸鍏辩嚎鎬銆
绛旓細濡傛灉VIF閮藉皬浜10鐨勮瘽锛屽簲璇ユ槸涓嶅瓨鍦澶氶噸鍏辩嚎鎬鐨勶紝涓嬩竴姝ュ氨鏄湅瀹炶瘉鐨勭粨鏋滄槸鍚﹀拰棰勬湡鐨勭浉鍚屻侾S: 浣犺繖涓槸鏃堕棿搴忓垪鏁版嵁锛岃繕瑕佸仛鍗曚綅鏍妫楠銆
绛旓細瀵瑰涓В閲婂彉閲忕殑妯″瀷锛屽彲閲囩敤缁煎悎缁熻妫楠屾硶鏉妫楠屽閲嶅叡绾挎鏄惁瀛樺湪锛氬湪浣犺绔嬬殑妯″瀷涓紝鍥炲綊缁撴灉鐨勫彲鍐崇郴鏁板拰F鍊艰緝澶э紝浣嗗悇鍙傛暟浼拌鍊肩殑t妫楠屽艰緝灏忥紝璇存槑鍚勮В閲婂彉閲忓Y鐨勮仈鍚堢嚎鎬т綔鐢ㄦ樉钁楋紝浣嗕釜瑙ｉ噴鍙橀噺闂村瓨鍦ㄥ叡绾挎ц屼娇寰楀畠浠琚В閲婂彉閲忕殑鐙珛浣滅敤涓嶈兘鍒嗚鲸锛屾晠t妫楠屼笉鏄捐憲銆傚洜姝わ紝鐢变簬浣犻夊彇鐨...
绛旓細浣犲ソ 澶氶噸鍏辩嚎鎬鐨勯棶棰樻槸鎸囩嚎鎬у洖褰掓ā鍨嬩腑鐨勮В閲婂彉閲忎箣闂寸敱浜庡瓨鍦ㄧ簿纭浉鍏冲叧绯绘垨楂樺害鐩稿叧鍏崇郴鑰屼娇妯″瀷浼拌澶辩湡鎴栭毦浠ヤ及璁″噯纭傛渶甯哥敤鐨勮В鍐虫柟娉曞氨鏄 閫愭鍥炲綊銆傚氨鏄綘鍋氱殑韪㈠嚭鍙橀噺浜嗐備綘鎶婃墍鏈夊彉閲忓姞鍥炲幓浠栦滑鐩稿叧绋嬪害浠嶇劧楂 杩樻槸瀛樺湪澶氶噸鍏辩嚎鎬х殑闂 鎴栬呬綘鍙互灏濊瘯涓 宸垎娉 宀洖褰掓硶 涔熻鍙互瑙ｅ喅~~~...
绛旓細鐪嬩袱涓嚜鍙橀噺涔嬮棿鐨勭浉鍏崇郴鏁扮殑缁濆鍊肩殑澶у皬锛岄氬父鑻ヨ鍊煎ぇ浜0.75锛岃涓鸿繖涓や釜鍙橀噺涔嬮棿瀛樺湪绾挎у叧绯汇備竴鑸仛娉曟槸锛岃繍鐢╯pss鎴杝as鎴杕atlab绛夌瓑杞欢姹傚嚭鐩稿叧鐭╅樀锛岀湅鐭╅樀涓嚜鍙橀噺鐨勭浉鍏崇郴鏁版槸鍚﹂兘灏忎簬0.75,鑻ユ湁澶т簬0.75鐨勫硷紝鍒欒鏄庡瓨鍦澶氶噸鍏辩嚎鎬銆傦紙0.75杩欎釜鍊兼槸鎸夌粡楠屾硶鍒欏緱鍑虹殑锛屼篃鏈変汉璁や负璇ュ兼槸0....
绛旓細鍏堝鐞澶氶噸鍏辩嚎鎬鐒跺悗鍐嶈嚜鐩稿叧 鍏堥愭鍥炲綊鐒跺悗鍐嶅姞鑷浉鍏抽」灏辨悶瀹氫簡
绛旓細鏈绠鍗曠殑鐪嬫硶灏辨槸鐪eviews杞欢鎿嶄綔鍚庣殑P鍊 濡傛灉P鍊煎皬浜5%锛屽氨鏄嫆缁濆師鍋囪锛岃瘉鏄庡瓨鍦ㄨ嚜鐩稿叧銆佸紓鏂瑰樊銆佽嚜鍙橀噺涔嬮棿瀛樺湪澶氶噸鍏辩嚎鎬 濡傛灉P鍊煎ぇ浜5%锛屽氨鏄帴鍙楀師鍋囪锛岃瘉鏄庝笉瀛樺湪鑷浉鍏炽佸紓鏂瑰樊銆佽嚜鍙橀噺涔嬮棿涓嶅瓨鍦ㄥ閲嶅叡绾挎
绛旓細骞虫椂 centered VIF涓鑸槸瓒呰繃10 浼氭湁鍏辩嚎鎬鐨勯棶棰樸倁ncentered涓昏鐢ㄦ潵妫娴鑷彉閲忎笌甯告暟椤逛箣闂寸殑鍏辩嚎鎬э紙 uncentered requests the computation of the uncentered variance inflation factors. This option is often used to detect the collinearity of the regressors with the constant. estat vif, ...
绛旓細鈶¤嫢鏂板彉閲忕殑寮曞叆鏈兘鏀硅繘R2锛屼笖瀵瑰叾浠栧洖褰掑弬鏁颁及璁″肩殑t妫楠涔熸湭甯︽潵浠涔堝奖鍝嶏紝鍒欒涓鸿鍙橀噺鏄浣欑殑锛屽簲璇ヨ垗寮冦傗憿鑻ユ柊鍙橀噺鐨勫紩鍏ユ湭鑳芥敼杩汻2锛屼笖鏄捐憲鍦板奖鍝嶄簡鍏朵粬鍥炲綊鍙傛暟浼拌鍊肩殑绗﹀彿涓庢暟鍊硷紝鍚屾椂鏈韩鐨勫洖褰掑弬鏁颁篃閫氫笉杩噒妫楠岋紝杩欒鏄庡嚭鐜颁簡涓ラ噸鐨澶氶噸鍏辩嚎鎬銆傝垗寮冭鍙橀噺銆
绛旓細鍙互鍋鍏辩嚎鎬ф楠
