例如,为了估计汽车需求的价格弹性和收入弹性,得到销售量、平均 价格、消费者收入的时间序列数据。设定回归式 In(n=B+B2n P+B3hn/+u 由于在时间序列数据中价格P、收入L一般都具有高度共线的趋势。因 此,直接估计上面的回归式将存在问题。由于在同一式点上,价格与收入 的相关程度不高,可以先利用截面数据估计出收入弹性3,再利用这 估计结果修改原回归式,变为: Y=B+B2hP+l1,其中Y=hnY-B3hnl 新的回归式中消除了多重共线性的影响 6、利用时间序列数据的差分或离差进行估计 如果时间序列数据中,解释变量间存在高度相关,那么这些变量的差 分之间不一定相关。因此利用差分进行回归能降低多重共线性的程度。例如，为了估计汽车需求的价格弹性和收入弹性，得到销售量、平均 价格、消费者收入的时间序列数据。设定回归式： t t t ut ln(Y ) = 1 + 2 ln P + 3 ln I + t t t t Y P u Y Y I t t ln ˆ ln , ln 3 * 1 2 * =  +  + 其中 = −  新的回归式中消除了多重共线性的影响。 由于在时间序列数据中价格Pt、收入It 一般都具有高度共线的趋势。因 此，直接估计上面的回归式将存在问题。由于在同一式点上，价格与收入 的相关程度不高，可以先利用截面数据估计出收入弹性 ，再利用这一 估计结果修改原回归式，变为： 3  ˆ 6、利用时间序列数据的差分或离差进行估计 如果时间序列数据中，解释变量间存在高度相关，那么这些变量的差 分之间不一定相关。因此利用差分进行回归能降低多重共线性的程度