eviews中如何进行多重共线性检验 eviews中如何进行多重共线性检验？
eviews\u5982\u4f55\u8fdb\u884c\u591a\u91cd\u5171\u7ebf\u6027\u5206\u6790\u5728group\u7a97\u53e3\u4e2d\uff0c\u70b9\u51fbview-correlation\uff0c\u4f1a\u5f97\u5230\u76f8\u5173\u7cfb\u6570\u77e9\u9635\uff0c\u4e00\u822c\u6765\u8bf4\uff0c\u5927\u4e8e0.8\u62160.9\u5373\u6709\u4e25\u91cd\u7684\u591a\u91cd\u5171\u7ebf\u6027\uff0c\u9700\u8c03\u6574\uff0c\u4e00\u822c\u662f\u7528\u9010\u6b65\u56de\u5f52\u6cd5\u5254\u9664\u4e00\u4e9b\u53d8\u91cf\u3002\u5f53\u7136\uff0c\u4e34\u754c\u503c\u4e0d\u662f\u56fa\u5b9a\u7684\uff0c\u4f60\u53ef\u4ee5\u8c03\u4f4e\u6216\u8c03\u9ad8\u3002
\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
1、主菜单QUICK－GROUP STATISTICS－CORRRELATION，在对话框中输入X1 X2 X3 X4 X5 X6 X7，结果如下：
X1
X2
X3
X4
X5
X6
X7
X1
1.000000
0.921956
0.975474
0.931882
0.826401
0.845837
0.986815
X2
0.921956
1.000000
0.964400
0.994921
0.969686
0.972530
0.931689
X3
0.975474
0.964400
1.000000
0.974809
0.894963
0.913344
0.982943
X4
0.931882
0.994921
0.974809
1.000000
0.959613
0.969105
0.945444
X5
0.826401
0.969686
0.894963
0.959613
1.000000
0.996169
0.827643
X6
0.845837
0.972530
0.913344
0.969105
0.996169
1.000000
0.846079
X7
0.986815
0.931689
0.982943
0.945444
0.827643
0.846079
1.000000
2、由上表可以看出，解释变量之间存在高度线性相关性。尽管方程整体线性回归拟合较好，但X1 X2 X3 X7变量的参数t值并不显著， X3 X6 系数的符号与经济意义相悖。表明模型确实存在严重的多重共线性。
所谓多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。
产生原因主要有3各方面：
（1）经济变量相关的共同趋势
（2）滞后变量的引入
（3）样本资料的限制
产生的影响有以下5种：
（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，多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF)
（3）参数估计量经济含义不合理
（4）变量的显著性检验失去意义，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。
eviews没有计算vif的命令
需要自己编写
也可以从易丹辉的教程中下载VIF的命令来计算
绛旓細鎵璋澶氶噸鍏辩嚎鎬э紙Multicollinearity锛夋槸鎸囩嚎鎬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″噯纭備竴鑸潵璇达紝鐢变簬缁忔祹鏁版嵁鐨勯檺鍒朵娇寰楁ā鍨嬭璁′笉褰擄紝瀵艰嚧璁捐鐭╅樀涓В閲婂彉閲忛棿瀛樺湪鏅亶鐨勭浉鍏冲叧绯汇傚畬鍏ㄥ叡绾挎х殑鎯呭喌骞朵笉澶氳锛屼竴鑸嚭鐜扮殑鏄湪涓瀹氱▼搴︿笂鐨勫叡绾挎э紝鍗宠繎浼...
绛旓細1銆佸垱寤轰竴涓椂闂村湪1978鈥2000鐨勬椂闂村簭鍒楀伐浣滄枃浠躲2銆佸垱寤哄彉閲忥紝骞惰緭鍏ユ暟鎹3銆侀夋嫨璁＄畻X1銆乆2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...
绛旓細澶氶噸鍏绾挎ф楠岋紝鏈濂界殑杞欢鏄疭PSS锛屽畠浼氳嚜鍔ㄧ粰鍑哄叏閮ㄥ叡绾挎ф楠屾寚鏍囷紝濡傚浘锛氬悗涓涓槸鏈涓昏鐨刅IF(鏂瑰樊鑶ㄨ儉鍥犲瓙锛夋楠岋紝瀹冨ぇ浜5锛屾湁鍏辩嚎銆傚ぇ浜10锛屽叡绾夸弗閲嶃傝繖涓〃缁欏嚭浜嗘洿澶氱殑鍏辩嚎鎬ф楠屾柟娉曪紝姣斿绗3鍒楁潯浠剁储寮曪紙鍏跺疄鏄潯浠舵寚鏁帮級锛屽畠澶т簬10鍏辩嚎锛屽ぇ浜30涓ラ噸鍏辩嚎銆
绛旓細閫氬父浼鍦‥views杞欢涓繘琛妫楠屻傚皢鏁版嵁褰曞叆杞欢涓悗锛屾垜浠敤鐩稿叧绯绘暟鐭╅樀鎴朧IF娉曞垽鏂槸鍚﹀瓨鍦澶氶噸鍏绾挎с傚緱鍒扮浉鍏崇郴鏁扮煩闃电殑鎿嶄綔姝ラ涓猴細鍦ㄥ懡浠ゆ杈撳叆cor x1 x2 x3 x4 ,鐒跺悗灏变細寰楀嚭鐩稿簲绯绘暟鐭╅樀銆傜浉鍏崇郴鏁扮煩闃 鏂瑰樊鑶ㄨ儉鍥犲瓙澶т簬10涔熻兘鍒ゆ柇妯″瀷瀛樺湪澶氶噸鍏辩嚎鎬э紝鍦ㄨ蒋浠朵腑鐨勬搷浣滄楠や负锛歷iew鈫扖oefficient ...
绛旓細鎴戠敤鐨勬槸Eviews 8銆傚紓鏂瑰樊妫楠岋細锛堟鐗规楠岋級鍋氬畬OLS涔嬪悗锛屽湪寮瑰嚭鐨勭獥鍙iew-Residual Diagnostics-Heteroskedasticity锛堥夋嫨White锛屾鏃跺鏋滄槸涓鍏冨氨鍘绘帀浜ゅ弶涔樼Н椤圭殑鍕撅紝澶氬厓灏卞嬀閫夛級寮傛柟宸慨姝ｏ紝鍦≦uick-Equation Estimation 閲岄潰鐨凮ptions锛岄夋嫨閫夋嫨Type骞惰緭鍏ユ墍閫夋嫨鐨勬潈鏁般澶氶噸鍏绾挎ф楠岋紙绠鍗曠浉鍏崇郴鏁版硶锛...
绛旓細鍏堝鐞澶氶噸鍏辩嚎鎬х劧鍚庡啀鑷浉鍏 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妫楠屼篃鏈甫鏉ヤ粈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閲嶇殑澶氶噸鍏辩嚎鎬с傝垗寮冭鍙橀噺銆
绛旓細涓鑸噰鐢ㄩ愭鍥炲綊娉曪紝濡傛灉鏂板鍔犵殑鍙橀噺涓嶈兘鎻愰珮鑷敱搴︼紝涓斾娇寰楀叾浠栧彉閲忎笉鏄捐憲锛屽垯鍙互鍓旈櫎
绛旓細鐒跺悗鍐嶉愪釜澧炲姞瑙ｉ噴鍙橀噺锛岄噸鏂杩涜绾挎у洖褰掋傚鏋滄彁楂樹簡鎷熷悎浼樺害骞朵笖鍏朵粬鍙傛暟缁熻涓婁粛鏄捐憲锛屽氨淇濈暀璇ヨВ閲婂彉閲忋傝嫢鎷熷悎浼樺害鏄捐憲锛屼絾鏌愪簺鍙傛暟鐨勬暟鍊兼垨绗﹀彿鍙楀埌鏄捐憲褰卞搷锛岃〃绀哄叾瀛樺湪澶氶噸鍏辩嚎鎬э紝杩涜姣旇緝锛屼繚鐣欏琚В閲婂彉閲忓奖鍝嶈緝澶х殑锛岀暐鍘诲奖鍝嶈緝灏忕殑銆傞愭鍒嗘瀽娉曟槸澶勭悊澶氶噸鍏辩嚎鍙婁慨姝ｇ殑鏈夋晥鐨勬柟娉曪紝涔熷彲浠...
绛旓細妯″瀷妫楠:鐢变簬鍦 鐨勬按骞充笅,瑙ｉ噴鍙橀噺 銆併 鐨勬楠岀殑P鍊奸兘澶т簬0.05,鎵浠ュ彉閲忎笉鏄捐憲,璇存槑妯″瀷涓彲鑳藉瓨鍦ㄥ閲嶅叡绾挎х瓑闂,杩涜屽妯″瀷杩涜淇銆 (浜)澶勭悊澶氶噸鍏辩嚎鎬 鎴戜滑閲囩敤閫愭鍥炲綊娉曞妯″瀷鐨勫閲嶅叡绾挎ц繘琛屾楠屽拰澶勭悊: X1: Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:28 Sample...
