怎么判断一个函数模型是否存在多重共线性

用eviews计算，看各参数的T检验及F检验是否通过，如果F检验通过，但是有两个以上T检验不通过，就有很大的可能是多重共线性了。

还有就是看模型中所用的变量之间会不会明显相关，就像，货币供应量和工资之类的。

可以尝试直接联立两个变量的方差，看变量间的R平方是不是很接近1，越接近1，说明多重共线性越明显。

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。完全共线性的情况并不多见，出现的是在一定程度上的共线性，即近似共线性。

扩展资料：

如果线性回归模型存在完全共线性，则回归系数的 LS 估计不存在，因此，在线性回归分析中所谈的共线性主要是非完全共线性。

多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子如果方差膨胀因子值越大，说明共线性越强。相反因为，容许度是方差膨胀因子的倒数，所以，容许度越小，共线性越强。

可以这样记忆：容许度代表容许，也就是许可，如果，值越小，代表在数值上越不容许，就是越小，越不要。

而共线性是一个负面指标，在分析中都是不希望它出现，将共线性和容许度联系在一起，容许度越小，越不要，实际情况越不好，共线性这个“坏蛋”越强。进一步，方差膨胀因子因为是容许度倒数，所以反过来。

参考资料来源：百度百科——多重共线性

用eviews计算，看各参数的T检验及F检验是否通过，如果F检验通过，但是有两个以上T检验不通过，就有很大的可能是多重共线性了。
还有就是看模型中所用的变量之间会不会明显相关，就像，货币供应量和工资之类的。
可以尝试直接联立两个变量的方差，看变量间的R平方是不是很接近1，越接近1，说明多重共线性越明显。
希望对你有用

将所有回归中要用到的变量依次作为因变量、其他变量作为自变量进行回归分析，可以得到各个变量的膨胀系数VIF以及容忍度tolerance，如果容忍度越接近0，则共线性问题越严重，而VIF是越大共线性越严重，通常VIF小于5可以认为共线性不严重，宽泛一点的标准小于10即可。

多重共线性指自变量问存在线性相关关系，即一个自变量可以用其他一个或几个自变量的线性表达式进行表示。若存在多重共线性，计算自变量的偏回归系数β时，矩阵不可逆，导致β存在无穷多个解或无解。
而在使用多元线性回归构建模型过程中，变量之间存在多重共线性问题也是比较常见的。那么当发现多重线性回归模型中存在多重共线性时我们该如何处理呢？
可通过以下方法予以解决：
(1)逐步回归
使用逐步回归可以在一定程度上筛选存在多重共线性的自变量组合中对反应变量变异解释较大的变量，而将解释较小的变量排除在模型之外。
但这种方法缺点是当共线性较为严重时，变量自动筛选的方法并不能完全解决问题。
(2) 岭回归
岭回归为有偏估计，但能有效地控制回归系数的标准误大小。
(3) 主成分回归
可以使用主成分分析的方法对存在多重共线性的自变量组合提取主成分，然后以特征值较大的（如大于1）几个主成分与其他自变量一起进行多重线性回归。得出的主成分回归系数再根据主成分表达式反推出原始自变量的参数估计。
该方法在提取主成分时丢失了一部分信息，几个自变量间的多重共线性越强，提取主成分时丢失的信息越少。
(4) 路径分析
如果对自变量间的联系规律有比较清楚的了解，则可以考虑建立路径分析模型，以进行更深入的研究。

---