（简答题）
多重共线性对回归参数的估计有何影响？
正确答案
在完全多重共线性情况下，参数的估计值不确定，估计量的方差无限大。在不完全共线性情况下，参数估计量的方差随共线性程度的增加而增大；对参数区间估计时，置信区间趋于变大；严重多重共线性时，假设检验容易做出错误的判断；当多重共线性严重时，可能造成可决系数R2较高，经F检验的参数联合显著性也很高，但单个参数t检验却可能不显著，甚至可能使估计的回归系数符号相反，得出完全错误的结论。
答案解析
略
相似试题
（多选题）
对具有多重共线性的模型采用普通最小二乘法估计参数，会产生的不良后果有（）。
（判断题）
存在多重共线情况下，多元线性回归模型的结构参数的普通最小二乘估计量不再是最佳线性无偏估计。
（单选题）
如果回归模型中解释变量之间存在完全的多重共线性，则最小二乘估计量（）
（单选题）
完全多重共线性下参数估计量（）。
（单选题）
一般多重共线性下参数估计量（）。
（单选题）
存在严重的多重共线性时，参数估计的标准差（）。
（简答题）
判断以下陈述的正误，并给出理由。 （1）尽管存在多重共线性，OLS估计量仍然是具有BLUE性质的。 （2）在高度多重共线性的情形下，要评价一个或多个偏回归系数的个别显著性是不可能的。 （3）如果有某一辅助回归显示出高的R2值，则模型中肯定存在较严重的多重共线性问题。 （4）变量的两两高度相关并不表示高度的多重共线性。 （5）如果分析的目的仅仅是预测，则多重共线性是无害的。 （6）其它条件不变，VIF越高，相应的OLS估计量的方差越大。 （7）在多元回归中，如果根据t检验，全部的偏回归系数个别来说都是不显著的，那么就不可能得到一个较高的R2。
（判断题）
当存在严重的多重共线性时，普通最小二乘法往往会低估参数估计量的方差。
（单选题）
如果模型中的解释变量存在完全的多重共线性，参数的最小二乘估计量是（）
