参数估计量具有较大的方差是多重共线性的主要后果，所以采取适当方法减小参数估计量的方差，即使没有消除模型中的多重共线性，也确能消除多重共线性造成的后果。（）

存在严重的多重共线性时，参数估计的标准差（ ）。 尽管有完全的多重共线性，OLS估计量仍然是BLUE 存在多重共线性时，一定会使参数估计值的方差增大，从而造成估计效率的损失 中国大学MOOC: 多重共线性的程度越（ ），参数估计值就越（ ） 回归模型在近似共线性下参数估计量的方差会增大，方差膨胀因子为1/1-r。（ ） 如果模型中的解释变量存在完全的多重共线性，参数的最小二乘估计量是（ ） 当模型存在严重的多重共线性时，OLS估计量将不具备（ ） 当模型存在严重的多重共线性时，OLS估计量将不具备（ ） 多重共线性的后果有哪些？对多重共线性的处理方法有哪些？ 多重共线性可能造成参数估计值的符号与预期不一致 多重共线性的后果包括（） 简述多重共线性的后果。 什么是多重共线性？如何处理多重共线性？ 中国大学MOOC: 存在近似多重共线性时，参数的最小二乘估计量满足大样本性质 多重共线性对回归参数的估计有何影响？ 回归模型y=Xβ+μ存在近似共线性，如果使用普通最小二乘法估计其中的参数，那么参数估计量的方差会（ ）。 完全多重共线性和不完全多重共线性都是多重共线性,它们之间没有本质的区别 如果回归模型中解释变量之间存在完全的多重共线性，则最小二乘估计量（ ） 多重共线性的存在会降低普通最小二乘估计的方差 若通过检验发现多元线性回归模型存在多重共线性，则应用模型会带来的后果是（ ）。 Ⅰ.回归参数估计量非有效 Ⅱ.变量的显著性检验失效 Ⅲ.模型的预测功能失效 Ⅳ.解释变量之间不独立