1、對於多重貢獻性的判斷依賴的主要是方差膨脹因子，在此處我們來簡要介紹一下方差膨脹因子。此處，僅簡單的理解方差膨脹因子，就是方差膨脹因子構成了變數估計值方差的一部分，如果方差膨脹因子過大，將會導致解釋變數的係數方差增大，將會導致檢驗難以透過。觀察下面的兩個公式,可以很容易地看出這一點。VIF就是方差膨脹因子。
2、先對模型進行迴歸sysuse autogen weight2=weight^2reg price rep78 weight2 headroom trunk weight length為什麼把函式形式設定成這樣可以參考我上一條RESSET的檢驗
3、檢驗方差膨脹因子estat vif見圖1，我們發現方差膨脹因子非常之大，說明存在多重共線性weight 和 weight的平方有很嚴重的多重共線性
4、reg weight2 weight顯然，因為是平方項，迴歸係數肯定是顯著的 R方也是方差大，方差膨脹因子肯定也非常大。
5、不過沒關係，我們可以對這個問題進行處理，也就是對變數進行標準化，其實衡量的就是去除量綱之後，到均值的距離。
6、使用高階的gen明明，生成標準化變數weightsdegen weightsd=std(weight)reg price rep78 weightsd2 headroom trunk weightsd length進行迴歸，觀察weight 發現p值變為了0，效果十分顯著。原來是0.437，圖2未標準化的迴歸結果estat vif發現VIF降低的十分明顯，但仍存在多重共線性（我們認定10一下，多重共線性可以忽略），但是已經下降的十分明顯。
1、對於多重貢獻性的判斷依賴的主要是方差膨脹因子，在此處我們來簡要介紹一下方差膨脹因子。此處，僅簡單的理解方差膨脹因子，就是方差膨脹因子構成了變數估計值方差的一部分，如果方差膨脹因子過大，將會導致解釋變數的係數方差增大，將會導致檢驗難以透過。觀察下面的兩個公式,可以很容易地看出這一點。VIF就是方差膨脹因子。
2、先對模型進行迴歸sysuse autogen weight2=weight^2reg price rep78 weight2 headroom trunk weight length為什麼把函式形式設定成這樣可以參考我上一條RESSET的檢驗
3、檢驗方差膨脹因子estat vif見圖1，我們發現方差膨脹因子非常之大，說明存在多重共線性weight 和 weight的平方有很嚴重的多重共線性
4、reg weight2 weight顯然，因為是平方項，迴歸係數肯定是顯著的 R方也是方差大，方差膨脹因子肯定也非常大。
5、不過沒關係，我們可以對這個問題進行處理，也就是對變數進行標準化，其實衡量的就是去除量綱之後，到均值的距離。
6、使用高階的gen明明，生成標準化變數weightsdegen weightsd=std(weight)reg price rep78 weightsd2 headroom trunk weightsd length進行迴歸，觀察weight 發現p值變為了0，效果十分顯著。原來是0.437，圖2未標準化的迴歸結果estat vif發現VIF降低的十分明顯，但仍存在多重共線性（我們認定10一下，多重共線性可以忽略），但是已經下降的十分明顯。