多重***線性檢驗方法?
壹、壹般線性回歸：
proc reg data=abc;
model y=x1-x4
run;
二、多重***線性的檢驗
1、簡單相關系數檢驗法
proc corr data=abc;
var x1-x4;
run;
2、方差擴大因子法
proc reg data=abc;
model y=x1-x4/vif;
run;
3、直觀分析法（略）
4、逐步回歸檢測法
這在SAS中有多重篩選解釋變量的方法：forward、backword、stepwise、maxr、minr、rsquare，主要采用stepwise
proc reg data=abc;
model y=x1-x4/selection=stepwise sle=0.05 sls=0.10;
run; quit;
5、特征值和病態指數
proc reg data=abc;
model y=x1-x4/collin;
run;
三、多重***線性的補救措施
1、提出變量法（根據前面的檢測剔除掉vif值大的變量……略）
2、增大樣本容量（略）
3、變換模型形式
常使用變量的差分方式，壹階差分形式如下：
data abc;
set abc;
x1lag1=lag(x1);
x2lag1=lag(x2);
x3lag1=lag(x3);
x4lag1=lag(x4);
ylag1=lag(y);
if nmiss(x1lag1,x2lag1,x3lag1,x4lag1,ylag1)>0 then delete;
dx1=x1-x1lag1;
dx2=x1-x2lag1;
dx3=x1-x3lag1;
dx4=x1-x4lag1;
dy=x1-ylag1;
run;
proc reg data=abc;
model y=x1-x4;
run;quit;
4、利用非樣本先驗信息（即已知某些解釋變量之間的等式從而可剔除掉壹些解釋變量，略）
5、橫截面數據與時間序列數據並用
屬於先驗信息法的變種，首先利用橫截面數據估計出部分參數代入原方程，再利用時間序列數據估計出另外的部分參數，其前提是前壹部分參數在不同時間上變化很小。
6、變量變換
絕對指標轉為相對指標；
名義數據轉為實際數據；
小類指標合並為大類指標（主成分分析和因子分析，後面再予補充）
7、逐步回歸法（參見檢驗部分，略）
8、嶺回歸
當自變量存在多重***線關系時, 均方誤差將變得很大,故從均方誤差的角度看, 普通最小二乘估計不是系數的好估計，減少均方誤差的方法就是用嶺回歸估計替代最小二乘估計。但使得均方誤差達到最小的k值依賴於未知參數系數和隨機幹擾項的方差，因此k 值的確定是嶺回歸分析中關鍵。
在實際應用中, 通常確定k值的方法有以下幾種:①嶺跡圖法, 即對每個自變量xi, 繪制隨k值的變化嶺回歸估計的變化曲線圖。壹般選擇k使得各個自變量的嶺跡趨於穩定；②方差膨脹因子法, 選擇k使得嶺回歸估計的VIF<10；③控制殘差平方和法, 即通過限制嶺回歸估計的殘差平方和不能超過cQ(其中c>1為指定的常數,Q為最小二乘估計的殘差平方和)來找出最大的k值。
data abc;
input x1-x3 y;
cards;
149.3 4.2 108.1 15.9
161.2 4.1 114.8 16.4
171.5 3.1 123.2 19.0
175.5 3.1 126.9 19.1
180.8 1.1 132.1 18.8
190.7 2.2 137.7......
多重***線性的檢驗方法
，出現了相關系數與回歸方程系數符號相反的問題，經過研究，確認是多重***線性問題並探索了解決方法。
在此將多重***線性的相關知識整理如下。
解釋變量理論上的高度相關與觀測值高度相關沒有必然關系，有可能兩個解釋變量理論上高度相關，但觀測值未必高度相關，反之亦然。所以多重***線性本質上是數據問題。
造成多重***線性的原因有壹下幾種：
1、解釋變量都享有***同的時間趨勢；
2、壹個解釋變量是另壹個的滯後，二者往往遵循壹個趨勢；
3、由於數據收集的基礎不夠寬，某些解釋變量可能會壹起變動；
4、某些解釋變量間存在某種近似的線性關系；
判別：
1、發現系數估計值的符號不對；
2、某些重要的解釋變量t值低，而R方不低
3、當壹不太重要的解釋變量被刪除後，回歸結果顯著變化；
檢驗；
1、相關性分析，相關系數高於0.8，表明存在多重***線性；但相關系數低，並不能表示不存在多重***線性；
2、vif檢驗；
3、條件系數檢驗；
解決方法：
1、增加數據；
2、對模型施加某些約束條件；
3、刪除壹個或幾個***線變量；
4、將模型適當變形；
5、主成分回歸
處理多重***線性的原則：
1、 多重***線性是普遍存在的，輕微的多重***線性問題可不采取措施；
2、 嚴重的多重***線性問題，壹般可根據經驗或通過分析回歸結果發現。如影響系數符號，重要的解釋變量t值很低。要根據不同情況采取必要措施。
3、 如果模型僅用於預測，則只要擬合程度好，可不處理多重***線性問題，存在多重***線性的模型用於預測時，往往不影響預測結果；
怎麽用SPSS做多重***線性檢驗
例如在回歸分析中，線性回歸-統計量-有***線性診斷。多重***線性：自變量間存在近似的線性關系，即某個自變量能近似的用其他自變量的線性函數來描述。多重***線性的後果：整個回歸方程的統計檢驗Pa，不能納入方程去掉壹兩個變量或記錄，方程的回歸系數值發生劇烈抖動，非常不穩定。多重***線性的確認：做出自變量間的相關系數矩陣：如果相關系數超過0.9的變量在分析時將會存在***線性問題。在0.8以上可能會有問題。但這種方法只能對***線性作初步的判斷，並不全面。容忍度（Tolerance）:有 Norusis 提出，即以每個自變量作為應變量對其他自變量進行回歸分析時得到的殘差比例，大小用1減決定系數來表示。該指標越小，則說明該自變量被其余變量預測的越精確，***線性可能就越嚴重。陳希孺等根據經驗得出：如果某個自變量的容忍度小於0.1，則可能存在***線性問題。方差膨脹因子（Variance inflation factor, VIF）: 由Marquardt於1960年提出，實際上就是容忍度的倒數。特征根（Eigenvalue）：該方法實際上就是對自變量進行主成分分析，如果相當多維度的特征根等於0，則可能有比較嚴重的***線性。條件指數（Condition Idex）：由Stewart等提出，當某些維度的該指標數值大於30時，則能存在***線性。多重***線性的對策：增大樣本量，可部分的解決***線性問題采用多種自變量篩選方法相結合的方式，建立壹個最優的逐步回歸方程。從專業的角度加以判斷，人為的去除在專業上比較次要的，或者缺失值比較多，測量誤差比較大的***線性因子。進行主成分分析，用提取的因子代替原變量進行回歸分析。進行嶺回歸分析，它可以有效的解決多重***線性問題。進行通徑分析（Path Analysis），它可以對應自變量間的關系加以精細的刻畫。
怎麽用SPSS做多重***線性檢驗啊
SPSS回歸分析中有***線性診斷，分析—回歸—線性回歸——統計量，在彈出的對話框中選擇“***線性診斷”就可以了
根據SPSS分析結果如何判斷是否***線性
如果容差（tolerance）<=0.1或方差膨脹因子VIF(是容差的倒數)>=10，則說明自變量間存在嚴重***線性情況
條件索引(condition index)>10或方差比例(variance proportions）<0.5時，自變量間存在嚴重***線性
求spss怎麽做多重***線性檢驗，相關系數矩陣怎麽得到？在線等
已百度Hi發過去了，看看
多元線性回歸多重***線性檢驗及避免方法，簡單點的
多重***線性指自變量問存在線性相關關系，即壹個自變量可以用其他壹個或幾個自變量的線性表達式進行表示。若存在多重***線性，計算自變量的偏回歸系數β時，矩陣不可逆，導致β存在無窮多個解或無解。
而在使用多元線性回歸構建模型過程中，變量之間存在多重***線性問題也是比較常見的。那麽當發現多重線性回歸模型中存在多重***線性時我們該如何處理呢？
可通過以下方法予以解決：
(1)逐步回歸
使用逐步回歸可以在壹定程度上篩選存在多重***線性的自變量組合中對反應變量變異解釋較大的變量，而將解釋較小的變量排除在模型之外。
但這種方法缺點是當***線性較為嚴重時，變量自動篩選的方法並不能完全解決問題。
(2) 嶺回歸
嶺回歸為有偏估計，但能有效地控制回歸系數的標準誤大小。
(3) 主成分回歸
可以使用主成分分析的方法對存在多重***線性的自變量組合提取主成分，然後以特征值較大的（如大於1）幾個主成分與其他自變量壹起進行多重線性回歸。得出的主成分回歸系數再根據主成分表達式反推出原始自變量的參數估計。
該方法在提取主成分時丟失了壹部分信息，幾個自變量間的多重***線性越強，提取主成分時丟失的信息越少。
(4) 路徑分析
如果對自變量間的聯系規律有比較清楚的了解，則可以考慮建立路徑分析模型，以進行更深入的研究。
如何解讀SPSS***線性診斷結果以及解決多重***線性問題的方法
多重***線性的診斷是在回歸中進行的，所以先打開回歸的對話框： *** yse--regression--linear，打開線性回歸對話框
將自變量因變量都放到各自的位置，然後點擊statistic
在該對話框中，有壹個多重***線性診斷的選項，勾選他，如圖所示，點擊continue按鈕，返回主對話框
點擊ok按鈕，開始輸出診斷結果
我們先來看這兩個參數，特征根（Eigenvalue）：多個維度特征根約為0證明存在多重***線性；條件指數（Condition Index）：大於10時提示我們可能存在多重***線性
6
接著來看相關系數矩陣，找到數值接近1的相關，這也提示出可能存在多重***線性。
多重***線性的典型表現是什麽？判斷是否存在多重***線性的方法有哪些
多重***線性的典型表現是線性回歸模型中的解釋變量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準確。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量間存在普遍的相關關系。主要產生原因是經濟變量相關的***同趨勢，滯後變量的引入，樣本資料的限制。
判斷是否存在多重***線性的方法有特征值，存在維度為3和4的值約等於0，說明存在比較嚴重的***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***線性。比例方差內存在接近1的數，可以說明存在較嚴重的***線性。