去中心化共线性相关系数

⑴ spss进行线性回归分析时,相关系数都符合,但是显著性不符合,如何调整

线性回归时候，相关系数只是表明了各个系数之间的相关程度。但是自变量对因变量不显著的话，可能存在多重共线性、数据存在异常值、异方差的问题。

1、自变量存在共线性问题

在进行线性回归分析时，很容易出现自变量共线性问题，通常情况下VIF值大于10说明严重共线，VIF大于5则说明有共线性问题。当出现共线性问题时，可能导致回归系数的符号与实际情况完全相反，本应该显著的自变量不显著，本不显著的自变量却呈现出显著性。

解决方法：手动移除出共线性的自变量，先做下相关分析，如果发现某两个自变量X（解释变量）的相关系数值大于0.7，则移除掉一个自变量（解释变量），然后再做回归分析。逐步回归法，让软件自动进行自变量的选择剔除，逐步回归会将共线性的自变量自动剔除出去。

2、数据存在异常值，如果数据中存在极端异常值，会导致数据偏移对分析结果产生严重影响。如果回归分析出现各类异常，可通过比如描述分析、箱线图、散点图等方法，找出并处理掉异常值后再做分析。

解决方法：查看数据中是否有异常值，可通过箱线图、散点图查看，剔除异常值可通过SPSSAU“异常值”功能进行剔除。

3、异方差，如果模型存在明显的异方差性，会影响回归系数的显著情况，得到的回归模型是低效并且不稳定的。

解决方法：保存残差项，将残差项分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。

如果排除了这些原因还是不显著，那么基本说明该变量对被解释变量无显著影响。

(1)去中心化共线性相关系数扩展阅读

在做实证就是做回归等等方法的时候，一般就看中三点，一是相关系数，看因变量和自变量是否相关。二是拟合优度（R平方），看回归方程拟合的好不好，一般0.8以上就算拟合的比较好了。

三是自变量的系数对于因变量是否显著啦，P值小于0.05就说明自变量对于因变量是显著的。如果自变量的P值都比0.05大，那就说明自变量对于因变量是不显著的，这个自变量就没什么意义，所以如果变量比较多的情况下，还是做一下逐步回归。

如果变量比较少，做逐步回归就会导致最后有可能只剩下一个变量。逐步回归就是一个模型优化的过程，更加能解释自变量和因变量之间的关系，一般回归之后效果不好都要逐步回归来优化线性模型的。

⑵ 克服严重多重共线性问题的基本经验法则是什么

摘要 你好，根据你的描述已经为你查询到相关信息，多重共线性处理方法

⑶ 多重共线性对回归参数的估计有什么影响

多重共线性会使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。具体影响如下：

1、参数估计量经济含义不合理；

2、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；

3、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。

(3)去中心化共线性相关系数扩展阅读

多重共线性增加了参数估计的方差，方差展开因子越大，共线性越强。相反，由于可容许性是方差展开因子的倒数，可容许性越小，共线性越强。

可以记住，允许性代表允许性，即允许。如果该值越小，则该值越不允许，即越小，越不允许。共线性是一个负的指标，预计不会出现在分析中。共线性和可采性是联系在一起的。方差膨胀因子因为是容许度倒数，所以反过来。

⑷ 如果存在严重的多重共线性，是否能删除一个解释变量，为什么

在现实经济运行中，许多经济变量在随时间的变化过程中往往存在共同的变化趋势，使之产生多重共线性；使用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义上存在着密切的关联度；在建模过程中由于认识上的局限性造成便来那个选择不当，从而引起变量之间的多重共线性；在模型中大量采用滞后变量也容易产生多重共线性。

多重共线性的危害有几个方面：

一是在完全共线性下参数估计量不存在，理由是;1()XX-不存在；

二是近似共线性下OLS参数估计量非有效，理由是参数估计量的方差将可能变得很大；

三是参数估计量经济意义不合理，如当2X和3X存在线性关系时，2X和3X前的参数并不能反映各自与被解释变量之间的结构关系；四是变量的显著性检验失去意义，因为无论是t检验还是F检验，都与参数估计量的方差有关；五是模型的预测功能失效。

检验多重共线性的方法思路：用统计上求相关系数的原理，如果变量之间的相关系数较大则认为它们之间存在多重共线性。

克服多重共线性的方法主要有：增加样本观测值，略去不重要的解释变量，用被解释变量的滞后值代替解释变量的滞后值，利用参数之间的关系，利用解释变量之间的关系，变换模型的形式，对数据进行中心化处理，修正Frisch法等。
多重共线性的典型表现是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。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。主要产生原因是经济变量相关的共同趋势，滞后变量的引入，样本资料的限制。 判断是否存在多重共线性的方法有特征值，存在维度为3和4的值约等于0，说明存在比较严重的共线性。条件索引列第3第4列大于10，可以说明存在比较严重的共线性。比例方差内存在接近1的数，可以说明存在较严重的共线性。

⑸ 求spss怎么做多重共线性检验，相关系数矩阵怎么得到在线等

1、通过spss输入相关数据以后，在分析那里选择回归中的线性。

⑹ SPSS中相关分析相关系数的问题

看你的目的了
你如果只是要看这些自变量之间的相关性，那就这样就可以了。
如果你要将自变量进行主成分分析，那相关性高就适合做因子分析
如果你要将自变量与因变量构建模型，那自变量的相关性高，说明共线性严重，需要先进行因子分析，通过提取出几个主要因子后，再跟因变量之间构建

⑺ spss如何消除多重共线性

SPSS用逐步回归分析可以消除多重共线性。

1、用被解释变量对每一个所考虑的解释变量做简单回归。并给解释变量的重要性按可决系数大小排序。

2、以对被解释变量贡献最大的解释变量所对应的回归方程为基础，按解释变量重要性大小为顺序逐个引入其余的解释变量。这个过程会出现3种情形。

（1）若新变量的引入改进了R平方，且回归参数的t检验在统计上也是显著的，则该变量在模型中予以保留。

（2）若新变量的引入未能改进R平方，且对其他回归参数估计值的t检验也未带来什么影响，则认为该变量是多余的，应该舍弃。

（3）若新变量的引入未能改进R平方，且显著地影响了其他回归参数估计值的符号与数值，同时本身的回归参数也通不过t检验，这说明出现了严重的多重共线性，舍弃该变量。

(7)去中心化共线性相关系数扩展阅读：

消除多重共线性的其他方法：

1、 直接合并解释变量 

当模型中存在多重共线性时，在不失去实际意义的前提下，可以把有关的解释变量直接合并，从而降低或消除多重共线性。

2 、利用已知信息合并解释变量 

通过理论及对实际问题的深刻理解，对发生多重共线性的解释变量引入附加条件从而减弱或消除多重共线性。

3、增加样本容量或重新抽取样本 

这种方法主要适用于那些由测量误差而引起的多重共线性。当重新抽取样本时，克服了测量误差，自然也消除了多重共线性。另外，增加样本容量也可以减弱多重共线性的程度。

⑻ 计量经济学中多重共线性的检验方法有哪些

1、简单相关系数矩阵法（辅助手段）

此法简单易行；但要注意两变量的简单相关系数包含了其他变量的影响，并非它们真实的线性相关程度的反映，一般在0.8以上可初步判定它俩之间有线性相关。

2、变量显著性与方程显著性综合判断

（修正）可决系数大，F值显著大于临界值，而值不显著；那么可认为存在多重共线性。

3、辅助回归

将每个解释变量对其余变量回归，若某个回归方程显著成立，则该解释变量和其余变量有多重共线性。

（4）方差扩大（膨胀）因子法

（5）直观判断法

增加或者减少一个解释变量，或者改变一个观测值时，回归参数发生较大变化。重要解释变量没有通过t检验。有些解释变量的回归系数符号与定性分析的相反。

(8)去中心化共线性相关系数扩展阅读：

解决方法

（1）、排除引起共线性的变量

找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。

（2）、差分法

时间序列数据、线性模型：将原模型变换为差分模型。

（3）、减小参数估计量的方差：岭回归法（Ridge Regression）。

⑼ 数据中心化为什么能够消除多重共线性

一篇JA的论文。应该还是很权威。可能我的表述没清楚。另外我看教程有的地方讲如果解决多重共线性问题时候，也有提到通过“数据中心化”来达到的。但是为什么呢？原理是什么？

原文是
为了减少连续变量“经验/理性导向理解过程”（此变量在此研究中是自变量）与其他自变量“图片类型”间交互影响产生的多重共线性，自变量在回归中都进行了均值中心化处理。

“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 为什么当模型存在严重的多重共线性时，ols估计量将不具备一致性

在现实经济运行中，许多经济变量在随时间的变化过程中往往存在共同的变化趋势，使之产生多重共线性；使用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义上存在着密切的关联度；在建模过程中由于认识上的局限性造成便来那个选择不当，从而引起变量之间的多重共线性；在模型中大量采用滞后变量也容易产生多重共线性。

多重共线性的危害有几个方面：

一是在完全共线性下参数估计量不存在，理由是;1()XX-不存在；

二是近似共线性下OLS参数估计量非有效，理由是参数估计量的方差将可能变得很大；

三是参数估计量经济意义不合理，如当2X和3X存在线性关系时，2X和3X前的参数并不能反映各自与被解释变量之间的结构关系；四是变量的显著性检验失去意义，因为无论是t检验还是F检验，都与参数估计量的方差有关；五是模型的预测功能失效。

检验多重共线性的方法思路：用统计上求相关系数的原理，如果变量之间的相关系数较大则认为它们之间存在多重共线性。

克服多重共线性的方法主要有：增加样本观测值，略去不重要的解释变量，用被解释变量的滞后值代替解释变量的滞后值，利用参数之间的关系，利用解释变量之间的关系，变换模型的形式，对数据进行中心化处理，修正Frisch法等。