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