Question

eviews中如何进行多重共线性检验

Answer 1

EVIEWS过程如下：
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。

Answer 2

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。

Answer 3

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