如何进行多重共线性检验及回归结果比较?

为了更有效地显示自变量对因变量的影响作用，首先只对含控制变量的Model 1进行回归，其次对包含控制变量和自变量的Model 2进行归回分析。本书为了确保多元线性回归模型的有效性，首先检验了各变量之间是否存在严重的多重共线性。一般认为变量之间的相关系数应小于0.5，若大于0.5则说明这两组变量之间存在多重共线问题，则需要进行VIF检验。当VIF＜10时，不存在多重共线性；当大于10时，则存在严重的多重共线性（Wilkinson et al，2011；O'Brien，2007；Yang&Peterson，2004）。回归变量的相关系数如表5-3所示。

表5-3　市场选择回归变量的相关系数

注：n=295；*p＜0.10；**p＜0.05；***p＜0.01（双尾）

MSR和GDP相关系数最高为0.875，二者显著相关，于是对各变量进行VIF检验，检验结果如表5-4所示。

由表5-4可以看出，各变量的VIF值均小于10，可以认为各变量之间不存在严重的多重共线问题，因此可以利用该市场选择模型进行中国高铁承包商目标市场选择的回归分析。

为了验证数据是否存在异质性，在WHITE检验中，WHITE检验的F值为0.006，小于0.05，说明数据存在异质性，因此需要计算出Hetero-robust标准误反映回归系数的显著情况（表5-5）。为了验证模型的有效性，进行了Ramsey RESET检验，RESET的F值为0.06，大于0.05，说明模型中不存在缺失变量。

表5-4　市场选择VIF检验结果(www.xing528.com)

市场选择多元线性回归分析结果如表5-5所示，从拟合有效性来看，Model 6中R2为0.080，小于Model 7中的0.459，表明加入四组假设中的自变量后，更能解释市场选择这一因变量，Model 7更具有解释力。在Model 7中，R2为0.459，意味着自变量整体可以在45.9%的程度上解释因变量，说明该模型模拟效果尚可；通过F检验可以看到回归模型的Sig值为0，说明该模型有显著的统计意义。

表5-5　市场选择多元线性回归结果

注：n=295，其中圆括号中为标准差，方括号中为Hetero-robust标准差；
*p＜0.10；**p＜0.05；***p＜0.01（双尾）

表5-6　市场选择假设验证情况

根据回归结果，本书的假设验证情况如表5-6所示。从各个假设验证情况来看，在1%的显著水平上H3、H4、H5和H6都得到了验证，并同预期的方向一致。各变量系数中，贸易联系的系数最大，因此可以认为贸易联系对市场选择的影响最大。