Parameter       Standard

Variable     DF       Estimate          Error    t Value    Pr > |t|

Intercept     1      706.94786      178.62544       3.96      0.0022

x1            1       -0.48022        2.25283      -0.21      0.8351

x2            1        3.14334        1.90548       1.65      0.1273

x3            1      -78.57028       45.14361      -1.74      0.1096

x4            1        0.17675        0.12287       1.44      0.1781

x5            1       -0.77160        0.60163      -1.28      0.2260

x6            1       15.27414       11.58450       1.32      0.2141

由表

1.2 可知：自由度为 6,11 的 F 分布随机变量大于 3.83 的概率为 0.0261，因而

线性关系是显著的。由表可得多元线性回归模型（

①式）：

  

    ①

但是由于检验结果中这

六个自变量对应的随机变量

大于其对应值的概率均大于

0.05（表 1.3 最后一列），只有常量：这表明只有常数项的作

用高度显著，而这六个自变量的作用并不显著。这说明该模型并没有能很好的表示上市公司

数量与不同股票发行数及筹资之间的多元线性关系，也就是说该模型不能用于预测。下面为

了找出为题所在，我们对数据进行多重共线分析。

2 多重共线分析

线性回归模型自变量（包括常数项） 线性相关，或近似线性相关的现象称为共线

性或多重共线性。用统计方法分析线性回归模型自变量（包括常数项）是否线性相关，或者

近似线性相关，这种统计分析称为多重共线分析。由于多重共线性将导致估计量的方差和标

准误差增大，所以算的统计值将减小，从而导致多元线性回归模型的准确性受到较大的影

响，最终导致模型预测结果与实际值出现较大的偏差。

下面我们将利用

SAS 对该问题进行多重共线分析（程序见附录-程序 2），得到共线性

分析表（表

2.1）和条件指数及方差比例表（表 2.2）。

表

2.1 共线性分析表

Parameter Estimates

1

2

3

4

5

6

0.48002

3.14334

78.57028

0.17675

0.7716

15.27414

706.94786

y

x

x

x

x

x

x

= −

+

−

+

−

+

+

1

2

6

,

x x

x

×××

t

(

)

3.996

0.0022 0.01

P t

>

=

<

t