1. 方差膨胀因子VIF是怎样计算的 在EVIEWS5.0里如何操作
if确实是一个变量一个vif，但如果没有其它变量，vif又怎么计算，它和其它变量是有关的。
个人研究了eviews计算vif的方法
比如一个数据有因变量y，自变量x1,x2
我们通常计算的是x1,x2的vif值
以计算x1的vif值为例
做回归方程ls x1 c x2回车后得到一个回归估计结果
点击关闭，在对话框点name重命名为eqjzz
在对象窗口打开eqjzz，在命令输入scalar vifjzz=1/(1-eqjzz.@R2) 回车
在对象窗口生成一个vifjzz，双击是打不开的，但在左下角出有一个数值，这就是x1的vif值
计算x2的vif值只要把回归方程换成这样ls x2 c x1就行了，其它的和前面一样当然方程的命名不能一样。
2. 如何用Stata命令消除多重共线性问题
影响
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS估计量非有效
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(Variance Inflation Factor, VIF)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。
总之就是找容易记忆的方法。
（3）参数估计量经济含义不合理
（4）变量的显着性检验失去意义，可能将重要的解释变量排除在模型之外
（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。
需要注意：即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。
判断方法
如图，是对德国人口老龄化情况的分析，其中y是老龄化情况，线性回归的x1、x2、x3分别为人均国内生产总值、出生率、每个医生平均负担人口数。
判断方法1：特征值，存在维度为3和4的值约等于0，说明存在比较严重的共线性。
判断方法2：条件索引列第3第4的值大于10，可以说明存在比较严重的共线性。
判断方法3：比例方差内存在接近1的数（0.99），可以说明存在较严重的共线性。
解决方法
（1）排除引起共线性的变量
找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。
（2）差分法
时间序列数据、线性模型：将原模型变换为差分模型。
（3）减小参数估计量的方差：岭回归法（Ridge Regression）。
（4）简单相关系数检验法