2025 CFA 回归分析-多重共线性专题试卷及解析

2025CFA回归分析——多重共线性专题试卷及解析适用：CFA二级数量分析｜满分100分｜考试时长：90分钟

核心考点：多重共线性定义、识别方法、后果、补救措施、VIF方差膨胀因子、与异方差/自相关对比、实务判断一、单项选择题（20题，每题2分，共40分）多元线性回归模型中，多重共线性是指（）

A.残差项存在序列相关

B.自变量之间存在线性相关关系

C.残差方差随自变量变化而改变

D.因变量与自变量非线性相关

答案：B

解析：多重共线性：自变量（解释变量）之间存在较强线性依赖。A是自相关；C是异方差；D是非线性设定错误。方差膨胀因子VIF，用来衡量（）

A.残差的异方差程度

B.自变量之间多重共线性严重程度

C.残差序列自相关程度

D.模型拟合优度

答案：B

解析：VIF（VarianceInflationFactor）衡量多重共线性。VIF越大，共线性越严重。经验判断：VIF＞5一般认为存在明显多重共线性；VIF＞10严重多重共线性。若某自变量VIF=12，说明（）

A.该自变量与其他自变量存在严重多重共线性

B.残差存在严重异方差

C.模型R²很高，自变量全部显著

D.该自变量服从正态分布

答案：A

解析：VIF＞10代表严重多重共线性。多重共线性存在时，对模型R²和t统计量典型影响是（）

A.R²低，自变量t统计量普遍显著

B.R²高，自变量t统计量变小，显著性下降

C.R²低，t统计量全部不显著

D.R²高，t统计量全部显著

答案：B

解析：多重共线性经典特征：模型整体F检验显著、R²较高；但单个自变量标准误被放大，t值变小，系数容易不显著，系数符号甚至反常。多重共线性下，回归系数标准误将会（）

A.变小

B.变大

C.不变

D.趋于0

答案：B

解析：自变量之间高度相关，参数估计不确定性上升，标准误增大，t统计量=系数/标准误，因此t值下降。多重共线性，下列哪一项一般不会发生（）

A.系数符号与经济理论预期相反

B.单个自变量t检验不显著

C.整体F检验不显著、R²很低

D.增减样本，回归系数大幅波动

答案：C

解析：多重共线性模型整体F检验通常显著，R²较高。C是遗漏变量或模型解释力差的特征。以下哪一个不是多重共线性的检验方法（）

A.计算VIF方差膨胀因子

B.自变量相关系数矩阵

C.Durbin-Watson检验

D.观察系数符号反常、t检验不显著但F显著

答案：C

解析：DW检验用于残差自相关，不能检测多重共线性。当自变量之间相关系数r=0.95，说明（）

A.一定存在严重多重共线性

B.完全不存在多重共线性

C.残差存在异方差

D.残差存在自相关

答案：A

解析：自变量两两相关系数接近±1，说明自变量之间高度线性相关，存在严重多重共线性。关于多重共线性，以下说法正确的是（）

A.多重共线性违背OLS基本假设，导致估计量有偏

B.多重共线性不破坏OLS无偏性，仅增大标准误

C.多重共线性会导致残差不再正态分布

D.多重共线性使预测失效，任何场景都不能使用模型预测

答案：B

解析：重点考点：多重共线性不会造成OLS估计量有偏，仍然是无偏估计；只是参数估计方差变大，标准误上升。A错误；C无关；D错误，如果自变量共线性结构在预测期保持不变，仍然可以做预测。多重共线性属于哪一类问题（）

A.残差的问题

B.解释变量之间的问题

C.因变量的分布问题

D.模型设定偏误

答案：B

解析：多重共线性是自变量之间的线性相关，不是残差问题（异方差、自相关属于残差问题）。存在多重共线性，若模型用于样本内预测，且预测时自变量相关性结构不变，则（）

A.预测一定完全失效

B.预测仍然可以有效，参数估计标准误大但预测仍可用

C.预测残差必然自相关

D.预测值一定有偏

答案：B

解析：CFA高频考点：多重共线性损害单个系数的推断，但只要自变量之间共线性关系在预测期保持不变，模型整体预测仍然可以使用。下列哪一项属于多重共线性的补救措施（）

A.使用怀特稳健标准误

B.去掉高度相关的其中一个自变量

C.使用Newey-West标准误

D.对残差做DW校正

答案：B

解析：A解决异方差；C、D解决自相关；删除高度相关自变量是处理多重共线性常用办法。VIF计算公式：VIF=11−Ri2，Ri2含义是（）

A.整个多元回归模型的R平方

B.自变量Xi对其余所有自变量回归得到的拟合优度

C.因变量对Xi简单回归R平方

D.残差的R平方模型中两个自变量高度共线，删除其中一个变量，最可能出现（）

A.VIF下降，剩余自变量标准误下降

B.VIF上升，标准误变大

C.F检验一定不再显著

D.R²必然大幅上升

答案：A

解析：移除高度相关变量，减轻多重共线性，VIF降低，自变量标准误减小，t统计量改善。多重共线性和异方差的共同点是（）

A.都会造成OLS估计有偏

B.都会导致回归系数标准误估计存在问题

C.都可以用DW检验识别

D.都属于残差问题

答案：B

解析：二者均不破坏OLS无偏性；但二者都会改变标准误，影响t检验。多重共线性不是残差问题。以下哪种情况最容易出现多重共线性（）

A.同时放入GDP、人均GDP两个高度相关宏观指标

B.自变量和因变量高度相关

C.残差随自变量变大而扩散

D.时间序列残差前后相关

答案：A

解析：GDP和人均GDP线性高度相关，典型共线性例子。B是自变量和因变量相关性，不是多重共线性；C异方差；D自相关。轻度多重共线性，VIF=2.2，CFA实务中一般如何处理（）

A.必须删除变量，重新建模

B.无需处理，轻度共线性属于普遍现象

C.必须使用稳健标准误

D.直接放弃模型

答案：B

解析：VIF小于5，轻度多重共线性，现实多元回归几乎都存在轻微共线性，一般不做处理。多重共线性下，回归系数估计值（）

A.有偏、不一致

B.无偏，但方差大，估计不稳定

C.一定服从t分布

D.一定显著

答案：B

解析：核心考点：OLS估计量仍然无偏、一致；只是方差变大，系数估计值随样本微小变化大幅波动。多重共线性会直接影响（）

A.F检验的有效性

B.单个自变量t检验的有效性

C.残差正态性

D.预测结果，只要自变量结构不变就完全不能预测

答案：B

解析：多重共线性主要放大自变量标准误，影响单个系数t检验；整体F检验通常依然有效。下列哪一个不是多重共线性典型征兆（）

A.R²很高，F显著，单个t不显著

B.增加/剔除变量，系数大幅变动

C.系数符号与经济逻辑相反

D.DW统计量显著偏离2

答案：D

解析：DW偏离2代表残差自相关，不是多重共线性。二、多项选择题（10题，每题3分，共30分；多选、少选、错选均不得分）多重共线性带来的后果包括（）

A.自变量系数标准误增大

B.t统计量下降，自变量显著性降低

C.回归系数估计不稳定，增减样本系数波动大

D.OLS估计量有偏

答案：ABC

解析：D错误，多重共线性不造成有偏。识别多重共线性的方法有（）

A.方差膨胀因子VIF

B.自变量之间相关系数矩阵

C.观察：R²高，F显著，但单个t不显著

D.观察系数符号违背经济理论

答案：ABCD处理多重共线性可行办法（）

A.删除高度相关自变量之一

B.增加样本量

C.重新设定模型，合并/构造新变量

D.直接使用怀特稳健标准误解决

答案：ABC

解析：稳健标准误用于异方差，不能解决多重共线性，D错误。关于VIF说法正确的有（）

A.VIF≥1

B.VIF=1代表该自变量与其他自变量完全无共线性

C.VIF>10代表严重多重共线性

D.VIF越大，共线性越弱

答案：ABC多重共线性，下列说法错误的是（）

A.多重共线性是OLS假设被违反

B.多重共线性是自变量之间的线性相关

C.多重共线性会造成残差方差变化

D.多重共线性可以用DW检验诊断

答案：ACD多重共线性存在时，模型预测描述正确的是（）

A.如果预测期自变量保持同样相关性，模型预测仍然可用

B.如果预测期自变量相关性结构改变，预测会失效

C.多重共线性一定不能用于预测

D.多重共线性只影响系数推断，不一定破坏预测

答案：ABD下面哪些组合自变量容易产生多重共线性（）

A.总收入、可支配收入

B.企业总资产、企业净资产

C.利率、通胀率

D.公司营收、公司员工人数（弱相关）

答案：ABC多重共线性vs异方差，相同点与不同点，正确的是（）

A.两者均不造成OLS估计有偏

B.异方差是残差问题；多重共线性是自变量之间问题

C.两者都会影响标准误

D.两者都可以用VIF检测

答案：ABC当模型存在严重多重共线性，会观察到（）

A.系数符号反常

B.系数大小对样本变化非常敏感

C.自变量t检验难以显著

D.整体F检验大概率显著

答案：ABCD关于完全多重共线性（perfectmulticollinearity），说法正确（）

A.一个自变量可以被其他自变量完全线性表达

B.OLS无法求解，矩阵不可逆，回归不能运行

C.近似多重共线性是现实中最常见的情况

D.完全多重共线性在实证回归中大量存在

答案：ABC

解析：D错，现实几乎都是近似多重共线性，完全多重共线性在建模时一般直接报错。三、判断题（10题，每题1分，共10分，√/×）多重共线性会使OLS参数估计有偏。（×）

解析：OLS估计量仍然无偏，只是方差增大。VIF=1，说明该自变量与其余自变量不存在多重共线性。（√）DW检验可以用来检测多重共线性。（×）

解析：DW检验残差自相关。多重共线性会放大自变量系数的标准误。（√）只要自变量相关系数不为0，就一定存在严重多重共线性。（×）

解析：轻微相关属于正常，只有高度线性相关才构成严重多重共线性。多重共线性下，R²很高，F检验显著，但单个自变量t检验常不显著。（√）多重共线性问题可以使用Newey-West标准误消除。（×）

解析：Newey-West用于异方差+自相关，无法解决自变量共线性。若预测阶段自变量之间的相关关系不变，多重共线性模型仍然可以做预测。（√）完全多重共线性会导致OLS无法计算回归结果。（√）增加样本量有助于减轻多重共线性带来的参数估计方差问题。（√）四、计算题（2题，每题6分，共12分）计算题1多元回归模型，自变量X3，把X3对其余自变量回归得到R32=0.84。求X3的VIF，并判断共线性严重程度。

参考答案：

VIF=11−计算题2某回归模型包含X1、X2，X1和X2相关系数0.92。回归结果：R²=0.78，F检验p值很小（显著）；但X1、X2各自t检验p值均＞0.05，不显著。请判断该现象最可能是什么问题，简述理由。

参考答案：

存在多重共线性。理由：自变量X1、X2高度相关；模型整体R²高，F显著，单个自变量t检验不显著，是多重共线性典型特征。自变量之间高度相关，标准误放大，单个变量难以识别单独解释力。五、案例分析题（1题，8分）某分析师建立多元回归模型，研究股票收益率，自变量包含：总市值、净资产、总资产。回归输出：R²=0.72，F检验显著；但总资产、净资产两个自变量t统计量很小，p值大于0.05，系数符号和预期相反；VIF计算：总资产VIF=14.3，净资产VIF