违背基本假设的回归分析
回归模型的基本假设：
假定随机误差项ε₁，ε₂，…，εn具有相同的方差，独立或不相关。即对于所有样本点，有：
又称为高斯-马尔柯夫条件。另外经典线性回归模型还假定自变量x之间无多重共线性。
但在建立实际方程模型时，常会遇到与假设相违背的情况。通常有：
- 异方差性
残差图类型
怀特检验
是一对称正定矩阵，则存在一可逆矩阵D，使得W=DD'。用D'左乘原方程，得：
来源：百度文库（https://wenku.baidu.com/view/d344b3146137ee06eef91818.html）
取对数后，使得测定的值的尺度变小，同时，取对数后的残差为相对误差，比绝对误差小。但是对数变换往往会造成数据的解释意义不明确。因此要做出权衡。
SPSS应用
利用SPSS软件可以求出ωI的最优值。
步骤：分析->回归->权重估计，选入需要分析的变量，在进行了上节普通最小二乘法并保存变量后，将Res_1选入权重变量，如图：
权重估计对话框
输出结果：
运算输出结果
2.自相关性
在实际问题的研究中，还会遇到变量在时序上出现相关的情况，这种情况被称为自相关性。
自相关性产生的原因：
- 模型设定的偏误
在设定时，遗漏了关键变量，或采用了错误的回归形式，造成了不能完全回归的部分被归到误差项内。 - 经济变量的滞后性
比如物价指数、国民收入、居民消费等，都会对后期的值产生一定影响，这是这些经济变量本身所具有的性质。 - 数据处理
有些数据处理方法会通过已知数据生成未知数据，由此造成了自相关性。
后果：
在变量的显著性检验中，统计量是建立在方差正确估计的基础上的。由于序列相关，估计的参数方差就会出错，从而导致变量的显著性检验失去意义。
相关性的检验：
同异方差性检验一样，相关性检验也被分为图示法和定量检验。
- 时间残差图
先用最小二乘法估计回归模型参数，求出残差，按照时间顺序绘制残差项的图形。如果残差分布具有明显和圆润的线性分布图像， 说明自相关性存在的可能性很高。反之， 无规则波动大的分布图像显示出相关性微弱。如图：图片来源于：自相关性百度百科
自相关性比较
- 德宾-瓦森检验法（DW检验）
步骤：分析->回归->线性，选入需要分析的变量，再点击Statistics，选择下方的“Durbin-Watson”选项，如图：
线性回归对话框
输出结果：
输出结果
输出DW=2.053
注：DW=4，完全负相关；DW=（2，4），负相关；DW=2，完全不相关；DW=（0，2），正相关；DW=0，完全正自相关
因为2.053接近2，因此可视作该样本间无自相关。
相关性的处理方法：
如果模型被检验证明存在自相关性，则需要发展新的方法估计模型。最常用的是广义差分法，即用增量数据代替原来的样本数据，将原来的回归模型变为差分形式的模型，接着再进行普通最小二乘法进行估计。
为此，要在广义差分法之前利用德宾两步法对自相关性进行修正。
3.多重共线性
研究实际问题是，解释变量常有多个，而变量之间完全不相关的情形是非常少见的。当变量之间具有较强相关性时，认为违背了多元线性回归模型基本假设。
多重共线性的检验：
步骤：分析->回归->线性，选入需要分析的变量，再点击Statistics，选择右侧的“共线性诊断”选项，如图：
线性对话框
输出结果：
输出结果
注：特征根（Eigenvalue）：多个维度特征根约为0证明存在多重共线性；条件指数（Condition Index）：大于10时提示我们可能存在多重共线性
由上表可知，VIF1、VIF2、VIF3、VIF4均远大于10，说明简单采用Enter法强制输入的回归方程存在严重的多重共线性。
表二中特征值和条件指数再次说明了这一点。
多重共线性的处理方法：
- 方法一：剔除不重要的解释变量。利用逐步回归的方法，剔除方差扩大因子最大的变量，直到回归方程中不再存在严重的多重共线性。
- 方法二：当变量数不够，不能选择剔除变量时，可以增大样本容量。尽量使样本容量远大于自变量个数。
网友评论