1.参数的估计值不确定
Y=XB+U
的普通最小二乘估计量为
如果解释变量之间存在完全多重共线性,由于X矩阵的系数行列式,逆矩阵(X′X)-1不存在,无法得到参数估计式。
例如,对于二元线性回归模型:
如果两个解释变量完全相关,如x2=λx1,该二元线性回归模型退化为一元线性回归模型
y=b0+(b1+λb2)x1+u
这时,只能确定综合参数b1+λb2的估计值,却无法确定b1,b2各自的估计值。
完全共线性时,X矩阵的秩小于k,此时,正规方程组的解不唯一,(X′X)-1不存在,回归参数的最小二乘估计表达式不成立。(www.xing528.com)
这里以两个解释变量的回归模型Yi=β1+β2X2i+β3X3i+ui为例,说明完全多重共线性的影响。采用离差形式表示的两个解释变量的回归模型为
假定X2i=λX3i,这里λ是一非零常数,将其分别带入式(4-5)和式(4-6),可得
式(4-7)和式(4-8)都是不定式,这说明当X2i=λX3i时,参数的估计值是不确定的。从回归模型的建模思想看,在回归模型中回归系数的含义是指在保持X3不变的情况下,当X2每变动一个单位时Y的平均变化;回归系数的含义是指在保持X2不变的情况下,当X3每改变一个单位时Y的平均变化。如果X2与X3完全共线性,就没有办法能在保持X2不变的情况下,分析X3对Y的影响。或者说,没有办法能从所给的样本中把X2和X3各自的影响分解开来。
2.增大参数估计值的方差
还是以只有两个解释变量的回归模型Yi=β1+β2X2i+β3X3i+ui为例,参考多元回归的偏回归系数的最小二乘估计量,已知OLS估计参数的方差为(X′X)-1,容易导出这时参数估计式和的方差为
在完全共线性情况下X2i=λX3i,代入(4-9)和(4.10)式中得
同理
这表明,在解释变量之间存在完全的共线性时,参数估计值的方差将变成无穷大。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。