（1）对两个解释变量模型，采用简单相关系数法
（2）对多个解释变量模型，采用综合统计检验法
2判明存在多重共线性的范围
（1）判定系数检验法：构造辅助回归模型(Auxiliary Regression)并计算相应的拟合优度
（2）排除变量法(Stepwise Backward Regression )
（3）逐步回归法（Stepwise forward Regression）
后果
（Consequences）
1.参数估计量非有效(但，是线性的、无偏的)
2.变量的显著性检验失去意义(t检验、F检验)
3.模型的预测失效(对Y的预测误差变大，降低预测精度)
与异方差性引起的后果相同：
1.参数估计量非有效
2.变量的显著性检验失去意义
3.模型的预测失效
1.完全共线性下参数估计量不存在
异方差、序列相关性、多重共线性的比较( )
异方差(Heteroskedasticity)
(截面数据：Cross Sectional Data)
序列相关性（SerialCorrelation）
(时间序列数据：Time Series Data)
多重共线性（Multicollinearity）
(时间序列数据：Time Series Data)
，(X’X)-1不存在
2.近似共线性下OLS估计量非有效（估计方差变大）
(1)参数估计量经济含义不合理(变现似乎反常的现象)
(2)变量的显著性检验失去意义(t变小，R2变大，F变大)
(3)模型的预测功能失效(方差变大使预测“区间”变大)
检验
(Test)
1.图示法(散点图)
2.帕克检验(ParkTest)
3.第三类方法：减小参数估计量的方差
（1）增加样本容量
（2）岭回归法（Ridge Regression）
----廖志强 2014年10月30日制作
含义：某两个或多个解释变量之间出现了相关性
原因
（Reason）
1.模型中忽略和省去了重要的经济变量。
2.测量误差。
1.模型设定偏误（Specification error）
2.省略了一些带有自相关的次要变量
3.数据的“编造”
1.经济变量相关的共同趋势
2.模型中引入了滞后变量(自变Fra bibliotek、因变量)3.样本资料的限制
2.广义差分法(Generalized Difference)
3.随机误差项相关系数的估计(科克伦-奥科特(Cochrane-Orcutt)迭代法;杜宾(durbin)两步法)
4.稳健标准误法（Newey-West standard errors）
1.第一类方法：排除引起共线性的变量(逐步回归法)
2.第二类方法：差分法
3.戈里瑟检验(GleiserTest)
4.戈德菲尔德-匡特检验(Goldfeld-QuandtTest)
(简称G-Q检验)
5.怀特检验（WhiteTest）
6.斯皮尔曼等级相关系数检验(Spearman’s Rank Correlation Test)
1.图示法(Graphical Method)
处理方法
(Measures)
1.加权最小二乘法(WLS,WeightedLeast Squares)
2.异方差稳健标准误法（Heteroscedasticity-Consistent Variances and Standard Errors）
1.广义最小二乘法（GLS: Generalized least squares）
2回归检验法(Regression Method)
3.杜宾-瓦森检验法(Durbin-Watson Test):检验一阶
4.拉格朗日乘数检验(LMTest,Lagrange multipliertest)(由布劳殊(Breusch)与戈弗(Godfrey)提出,也被称为GB检验)：检验高阶
1.检验多重共线性是否存在