去中心化共線性相關系數

⑴ spss進行線性回歸分析時,相關系數都符合,但是顯著性不符合,如何調整

線性回歸時候，相關系數只是表明了各個系數之間的相關程度。但是自變數對因變數不顯著的話，可能存在多重共線性、數據存在異常值、異方差的問題。

1、自變數存在共線性問題

在進行線性回歸分析時，很容易出現自變數共線性問題，通常情況下VIF值大於10說明嚴重共線，VIF大於5則說明有共線性問題。當出現共線性問題時，可能導致回歸系數的符號與實際情況完全相反，本應該顯著的自變數不顯著，本不顯著的自變數卻呈現出顯著性。

解決方法：手動移除出共線性的自變數，先做下相關分析，如果發現某兩個自變數X（解釋變數）的相關系數值大於0.7，則移除掉一個自變數（解釋變數），然後再做回歸分析。逐步回歸法，讓軟體自動進行自變數的選擇剔除，逐步回歸會將共線性的自變數自動剔除出去。

2、數據存在異常值，如果數據中存在極端異常值，會導致數據偏移對分析結果產生嚴重影響。如果回歸分析出現各類異常，可通過比如描述分析、箱線圖、散點圖等方法，找出並處理掉異常值後再做分析。

解決方法：查看數據中是否有異常值，可通過箱線圖、散點圖查看，剔除異常值可通過SPSSAU「異常值」功能進行剔除。

3、異方差，如果模型存在明顯的異方差性，會影響回歸系數的顯著情況，得到的回歸模型是低效並且不穩定的。

解決方法：保存殘差項，將殘差項分別與模型的自變數X或者因變數Y，作散點圖，查看散點是否有明顯的規律性。如果有明顯的異方差性，建議重新構建模型，比如對Y取對數後再次構建模型等。

如果排除了這些原因還是不顯著，那麼基本說明該變數對被解釋變數無顯著影響。

(1)去中心化共線性相關系數擴展閱讀

在做實證就是做回歸等等方法的時候，一般就看中三點，一是相關系數，看因變數和自變數是否相關。二是擬合優度（R平方），看回歸方程擬合的好不好，一般0.8以上就算擬合的比較好了。

三是自變數的系數對於因變數是否顯著啦，P值小於0.05就說明自變數對於因變數是顯著的。如果自變數的P值都比0.05大，那就說明自變數對於因變數是不顯著的，這個自變數就沒什麼意義，所以如果變數比較多的情況下，還是做一下逐步回歸。

如果變數比較少，做逐步回歸就會導致最後有可能只剩下一個變數。逐步回歸就是一個模型優化的過程，更加能解釋自變數和因變數之間的關系，一般回歸之後效果不好都要逐步回歸來優化線性模型的。

⑵ 克服嚴重多重共線性問題的基本經驗法則是什麼

摘要 你好，根據你的描述已經為你查詢到相關信息，多重共線性處理方法

⑶ 多重共線性對回歸參數的估計有什麼影響

多重共線性會使線性回歸模型中的解釋變數之間由於存在精確相關關系或高度相關關系而使模型估計失真或難以估計准確。具體影響如下：

1、參數估計量經濟含義不合理；

2、變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外；

3、模型的預測功能失效。變大的方差容易使區間預測的「區間」變大，使預測失去意義。

(3)去中心化共線性相關系數擴展閱讀

多重共線性增加了參數估計的方差，方差展開因子越大，共線性越強。相反，由於可容許性是方差展開因子的倒數，可容許性越小，共線性越強。

可以記住，允許性代表允許性，即允許。如果該值越小，則該值越不允許，即越小，越不允許。共線性是一個負的指標，預計不會出現在分析中。共線性和可采性是聯系在一起的。方差膨脹因子因為是容許度倒數，所以反過來。

⑷ 如果存在嚴重的多重共線性，是否能刪除一個解釋變數，為什麼

在現實經濟運行中，許多經濟變數在隨時間的變化過程中往往存在共同的變化趨勢，使之產生多重共線性；使用截面數據建立回歸模型時，根據研究的具體問題選擇的解釋變數常常從經濟意義上存在著密切的關聯度；在建模過程中由於認識上的局限性造成便來那個選擇不當，從而引起變數之間的多重共線性；在模型中大量採用滯後變數也容易產生多重共線性。

多重共線性的危害有幾個方面：

一是在完全共線性下參數估計量不存在，理由是;1()XX-不存在；

二是近似共線性下OLS參數估計量非有效，理由是參數估計量的方差將可能變得很大；

三是參數估計量經濟意義不合理，如當2X和3X存在線性關系時，2X和3X前的參數並不能反映各自與被解釋變數之間的結構關系；四是變數的顯著性檢驗失去意義，因為無論是t檢驗還是F檢驗，都與參數估計量的方差有關；五是模型的預測功能失效。

檢驗多重共線性的方法思路：用統計上求相關系數的原理，如果變數之間的相關系數較大則認為它們之間存在多重共線性。

克服多重共線性的方法主要有：增加樣本觀測值，略去不重要的解釋變數，用被解釋變數的滯後值代替解釋變數的滯後值，利用參數之間的關系，利用解釋變數之間的關系，變換模型的形式，對數據進行中心化處理，修正Frisch法等。
多重共線性的典型表現是線性回歸模型中的解釋變數之間由於存在精確相關關系或高度相關關系而使模型估計失真或難以估計准確。由於經濟數據的限制使得模型設計不當，導致設計矩陣中解釋變數間存在普遍的相關關系。主要產生原因是經濟變數相關的共同趨勢，滯後變數的引入，樣本資料的限制。 判斷是否存在多重共線性的方法有特徵值，存在維度為3和4的值約等於0，說明存在比較嚴重的共線性。條件索引列第3第4列大於10，可以說明存在比較嚴重的共線性。比例方差內存在接近1的數，可以說明存在較嚴重的共線性。

⑸ 求spss怎麼做多重共線性檢驗，相關系數矩陣怎麼得到在線等

1、通過spss輸入相關數據以後，在分析那裡選擇回歸中的線性。

⑹ SPSS中相關分析相關系數的問題

看你的目的了
你如果只是要看這些自變數之間的相關性，那就這樣就可以了。
如果你要將自變數進行主成分分析，那相關性高就適合做因子分析
如果你要將自變數與因變數構建模型，那自變數的相關性高，說明共線性嚴重，需要先進行因子分析，通過提取出幾個主要因子後，再跟因變數之間構建

⑺ spss如何消除多重共線性

SPSS用逐步回歸分析可以消除多重共線性。

1、用被解釋變數對每一個所考慮的解釋變數做簡單回歸。並給解釋變數的重要性按可決系數大小排序。

2、以對被解釋變數貢獻最大的解釋變數所對應的回歸方程為基礎，按解釋變數重要性大小為順序逐個引入其餘的解釋變數。這個過程會出現3種情形。

（1）若新變數的引入改進了R平方，且回歸參數的t檢驗在統計上也是顯著的，則該變數在模型中予以保留。

（2）若新變數的引入未能改進R平方，且對其他回歸參數估計值的t檢驗也未帶來什麼影響，則認為該變數是多餘的，應該舍棄。

（3）若新變數的引入未能改進R平方，且顯著地影響了其他回歸參數估計值的符號與數值，同時本身的回歸參數也通不過t檢驗，這說明出現了嚴重的多重共線性，舍棄該變數。

(7)去中心化共線性相關系數擴展閱讀：

消除多重共線性的其他方法：

1、 直接合並解釋變數 

當模型中存在多重共線性時，在不失去實際意義的前提下，可以把有關的解釋變數直接合並，從而降低或消除多重共線性。

2 、利用已知信息合並解釋變數 

通過理論及對實際問題的深刻理解，對發生多重共線性的解釋變數引入附加條件從而減弱或消除多重共線性。

3、增加樣本容量或重新抽取樣本 

這種方法主要適用於那些由測量誤差而引起的多重共線性。當重新抽取樣本時，克服了測量誤差，自然也消除了多重共線性。另外，增加樣本容量也可以減弱多重共線性的程度。

⑻ 計量經濟學中多重共線性的檢驗方法有哪些

1、簡單相關系數矩陣法（輔助手段）

此法簡單易行；但要注意兩變數的簡單相關系數包含了其他變數的影響，並非它們真實的線性相關程度的反映，一般在0.8以上可初步判定它倆之間有線性相關。

2、變數顯著性與方程顯著性綜合判斷

（修正）可決系數大，F值顯著大於臨界值，而值不顯著；那麼可認為存在多重共線性。

3、輔助回歸

將每個解釋變數對其餘變數回歸，若某個回歸方程顯著成立，則該解釋變數和其餘變數有多重共線性。

（4）方差擴大（膨脹）因子法

（5）直觀判斷法

增加或者減少一個解釋變數，或者改變一個觀測值時，回歸參數發生較大變化。重要解釋變數沒有通過t檢驗。有些解釋變數的回歸系數符號與定性分析的相反。

(8)去中心化共線性相關系數擴展閱讀：

解決方法

（1）、排除引起共線性的變數

找出引起多重共線性的解釋變數，將它排除出去，以逐步回歸法得到最廣泛的應用。

（2）、差分法

時間序列數據、線性模型：將原模型變換為差分模型。

（3）、減小參數估計量的方差：嶺回歸法（Ridge Regression）。

⑼ 數據中心化為什麼能夠消除多重共線性

一篇JA的論文。應該還是很權威。可能我的表述沒清楚。另外我看教程有的地方講如果解決多重共線性問題時候，也有提到通過「數據中心化」來達到的。但是為什麼呢？原理是什麼？

原文是
為了減少連續變數「經驗/理性導向理解過程」（此變數在此研究中是自變數）與其他自變數「圖片類型」間交互影響產生的多重共線性，自變數在回歸中都進行了均值中心化處理。

「Because indivial difference is a continuous variable, the hypotheses tests used multiple regression analyses. To rece problems with multicollinearity among the continuous variable (experiential–rational processing) and its interaction term with the other variable (picture type), the independent variables were mean centered for the regressions.

⑽ 為什麼當模型存在嚴重的多重共線性時，ols估計量將不具備一致性

在現實經濟運行中，許多經濟變數在隨時間的變化過程中往往存在共同的變化趨勢，使之產生多重共線性；使用截面數據建立回歸模型時，根據研究的具體問題選擇的解釋變數常常從經濟意義上存在著密切的關聯度；在建模過程中由於認識上的局限性造成便來那個選擇不當，從而引起變數之間的多重共線性；在模型中大量採用滯後變數也容易產生多重共線性。

多重共線性的危害有幾個方面：

一是在完全共線性下參數估計量不存在，理由是;1()XX-不存在；

二是近似共線性下OLS參數估計量非有效，理由是參數估計量的方差將可能變得很大；

三是參數估計量經濟意義不合理，如當2X和3X存在線性關系時，2X和3X前的參數並不能反映各自與被解釋變數之間的結構關系；四是變數的顯著性檢驗失去意義，因為無論是t檢驗還是F檢驗，都與參數估計量的方差有關；五是模型的預測功能失效。

檢驗多重共線性的方法思路：用統計上求相關系數的原理，如果變數之間的相關系數較大則認為它們之間存在多重共線性。

克服多重共線性的方法主要有：增加樣本觀測值，略去不重要的解釋變數，用被解釋變數的滯後值代替解釋變數的滯後值，利用參數之間的關系，利用解釋變數之間的關系，變換模型的形式，對數據進行中心化處理，修正Frisch法等。