Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Kapitel 10 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität.

Ähnliche Präsentationen


Präsentation zum Thema: "Kapitel 10 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität."—  Präsentation transkript:

1 Kapitel 10 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität

2 Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(X) = k Wenn sich eine oder mehrere Spalte von X als Linearkombinationen anderer Spalten darstellen lassen (Rangabfall) spricht man von exakter oder perfekter Multkollinearität. Es gilt dann: rg(X) < k bzw. rg(XX) < k Der OLS Schätzer b = (XX) -1 Xy kann nicht berechnet werde, da die Inverse von (XX) nicht existiert. Hackl, Einführung in die Ökonometrie (10) 2

3 Exkurs: Matrizen Sei A eine quadratische Matrix k x k. Folgende Aussagen sind äquivalent: rg(A) = k V A hat vollen Rang V A ist regulär V det(A) 0 V A -1 existiert V alle Eigenwerte von A λ(A) 0 oder rg(A) < k V A hat nicht vollen Rang k V A ist singulär V det(A) = 0 V A -1 existiert nicht V ein Eigenwert von A ist null Hackl, Einführung in die Ökonometrie (10) 3

4 4 Bsp. 1: Konsumfunktion C = Y a + 2 Y e + 3 Y t + u C: Privater Konsum Y a : Einkommen aus unselbständiger Erwerbstätigkeit Y e : Einkommen aus Besitz und Unternehmung Y t : gesamtes Einkommen (Y t =Y e + Y a ) Die Matrix der unabhängigen Variablen X hat die Dimension (n x 4), aber rg(X) = rg(XX) = 3. Y t, Y t =Y e + Y a, läßt sich als Linearkombination der anderen Variablen darstellen. Man sagt auch: Der Parameter 3 ist nicht identifiziert.

5 Hackl, Einführung in die Ökonometrie (10) 5 Bsp. 2: Nicht identifizierte Parameter C = + 1 Y a + 2 Y e + u Ang. ist liegt lineare Abhängigkeit vor: Y e = c Y a Das Modell reduziert sich daher zu C = + ( 1 + c 2 )Y a + u = + Y a + u OLS-Schätzer für = 1 + c 2 kann problemlos berechnet werden, nicht aber für 1 und 2. Man sagt: ist identifiziert, 1 und 2 sind nicht identifiziert.

6 Hackl, Einführung in die Ökonometrie (10) 6 Numerisches Bsp zur exakten Multikollinearität In der folgenden X Matrix sind 2 Spalten identisch. Es wurde irrtümlich eine x-Variable zweimal in die Regression aufgenommen. rg(XX) = 2 < 3 det(XX) = 0 Die Inverse (XX) -1 kann nicht berechnet werden. Die Korrelation zwischen 2-ter und 3-ter Spalte von X ist 1! Das OLS Problem ist nicht lösbar.

7 Beinahe Multikollinearität Unser Modell lautet y = X + u, Dimension von X: n x k Die Annahme rg(X) = k ist erfüllt aber: Eine oder mehrere Spalten von X können sich beinahe exakt als Linearkombinationen anderer Spalten darstellen lassen. det(XX) ~ 0 … Die Determinante ist beinahe null. Einige Regressoren korrelieren sehr hoch. Fragestellungen: Welche Konsequenzen hat beinahe Multikollinearität? Möglichkeiten zur Identifikation von Multikollinearität Verhinderung von Multikollinearität Hackl, Einführung in die Ökonometrie (10) 7

8 8 Bsp. beinahe Multikollinearität (1) Die Datenmatrix X wird nur geringfügig abgeändert. Die Inverse von (XX) existiert nun, weist aber sehr große Werte auf. (2) Die Datenmatrix X wird deutlich abgeändert. Die Elemente der Inversen von (XX) sind freundlich.

9 Beinahe Multikollinearität und t-Statistik Die t-Statistik zum OLS Schätzer von i im Modell y = X + u ist Der t-Wert zum i-ten Koeffizient ist der geschätzte Wert dividiert durch seinen Standardfehler. Der Standardfehler errechnet sich aus dem i-ten Hauptdiagonalelement der Matrix (XX) -1. s 2 ist die geschätzte Fehlervarianz. Je größer das Hauptdiagonalelement, desto kleiner der t- Wert. Hackl, Einführung in die Ökonometrie (10) 9

10 10 Hoch korrelierte Regressoren, beinahe Multikollinearität Ordnung von X: n x k XX ist eine nahezu singuläre Matrix Invertieren von XX liefert sehr große Werte Wegen Var{b t } = 2 (X tX t ) -1 sind die Standardabweichungen der Schätzer sehr gross Die t-Werte sind klein, die Macht der t-Tests ist reduziert Unter der Annahme, dass unser Modell korrekt spezifiziert ist, bedeuten die zu niedrigen t-Werte, dass im geschätzten Modell eine Variable als nicht signifikant ausgewiesen wird, obwohl sie es sein sollte.

11 Hackl, Einführung in die Ökonometrie (10) 11 Konsumfunktion für Datensatz DatS01 (Konsum und Einkommen) C = YDR + 2 MP + 3 t + u C: Privater Konsum YDR: verfügbares Einkommen der Haushalte MP: privates Geldvermögen t : Zeit (linearer Trend)

12 Konsumfunktion, Forts. Hackl, Einführung in die Ökonometrie (10) 12

13 Konsumfunktion, Forts. Hackl, Einführung in die Ökonometrie (10) 13

14 Hackl, Einführung in die Ökonometrie (10) 14 Ursachen von Multikollinearität Häufige Ursachen für beinahe Multikollinearität sind - gemeinsame Trends, oder - zu viele erklärende Variable, die fast dasselbe messen.

15 Eigenschaften der Schätzer unter Multikollinearität Unter der Ann das wahre Modell ist y = X + u, gilt mit b = (XX) -1 Xy : E(b) = und Var{b} = 2 (XX) -1 unter den üblichen Eigenschaften des Fehlers u. b ist der beste erwartungstreue Schätzer. In kleinen Stichproben ist allerdings die Matrix (XX) -1 schlecht konditioniert, d.h. sie kann sehr große Werte aufweisen. Somit können sehr große Standardfehler (Insignifikanzen beim t-Test) auftreten, obwohl alle Variable im Modell eingeschlossen sein sollten. Das Problem schwächt sich mit zunehmendem Stichprobenumfang ab. Hackl, Einführung in die Ökonometrie (10) 15

16 Hackl, Einführung in die Ökonometrie (10) 16 Ein Maß für Multikollinearität R i 2 R i 2 ist das Bestimmtheitsmaß der Regression der Variablen X i als abhängige Variable auf alle Spalten von X ohne der Variablen X i (Hilfsregression) R i 2 1: X i ist gut durch eine lineare Funktion der anderen erklärenden Variablen darstellbar. X i wird zur Erklärung nicht benötigt. R i 2 << 1: X i ist nicht gut durch eine lineare Funktion der anderen erklärenden Variablen darstellbar. X i enthält neue Info.

17 Hackl, Einführung in die Ökonometrie (10) 17 Indikatoren für Multikollinearität Bestimmtheitsmaße R i 2 der Hilfsregressionen VIF i (variance inflation factors) Determinante der Matrix der Korrelationskoeffizienten der Regressoren (ein Wert nahe bei Null zeigt Multikollinearität an) Konditionszahl (condition number) k von XX: max ( min ) ist maximaler (minimaler) Eigenwert von XX; ein großer Wert (>20) von k ist Hinweis auf Multikollinearität

18 Hackl, Einführung in die Ökonometrie (10) 18 Indikatoren für Multikollinearität Effekt des Hinzufügens eines Regressors auf se(b i ): (a) Der Regressor ist relevant: se(b i ) wird kleiner; (b) Er ist multikollinear: se(b i ) wird größer

19 Hackl, Einführung in die Ökonometrie (10) 19 Die Größen VIF i und R i 2 variance inflation factor von b i VIF i 1: R i 2 0, Corr{X i,X j } 0 für alle i j; Es liegt sicher kein Problem mit Multikollinearität vor. VIF i sehr groß für mindestens ein i: R i 2 1 X i ist lineare Funktion der Spalten von X ohne X i. Es liegt möglicherweise Multikollinearität vor. REGEL: Ist VIF i > 9 so ist mit Multikollinearität durch die Variable X i in Stichproben mit Umfang n=50 zu rechnen.

20 Hackl, Einführung in die Ökonometrie (10) 20 Maßnahmen bei Multikollinearität Vergrößern der in die Schätzung einbezogenen Datenmenge Eliminieren der für Multikollinearität verantwortlichen Regressoren Bei gemeinsamen Trends: Spezifikation des Modells in Differenzen statt in Niveauwerten Berücksichtigen von Information über Struktur der Parameter Siehe das Simulationsbeispiel zur Ermittlung der Verteilung der geschätzten Parameter in kleinen Stichproben unter Multikollinearität. (multicoll.prg )


Herunterladen ppt "Kapitel 10 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität."

Ähnliche Präsentationen


Google-Anzeigen