Monikollineaarisuus
Mikä on monikollineaarisuus?
Multikollineaarisuus on korkeiden keskinäisten korrelaatioiden esiintyminen kahden tai useamman riippumattoman muuttujan välillä moninkertaisessa regressiomallissa. Monikollineaarisuus voi johtaa vääristyneisiin tai harhaanjohtaviin tuloksiin, kun tutkija tai analyytikko yrittää määrittää, kuinka hyvin kutakin riippumatonta muuttujaa voidaan käyttää tehokkaimmin ennustamaan tai ymmärtämään riippuvaista muuttujaa tilastollisessa mallissa.
Yleisesti ottaen multikollineaarisuus voi johtaa laajempiin luottamusväliin,. jotka tuottavat vähemmän luotettavia todennäköisyyksiä mallin riippumattomien muuttujien vaikutuksen kannalta.
Multikollineaarisuuden ymmärtäminen
Tilastoanalyytikot käyttävät useita regressiomalleja ennustaakseen tietyn riippuvan muuttujan arvon kahden tai useamman riippumattoman muuttujan arvojen perusteella. Riippuvaista muuttujasta käytetään joskus nimitystä tulos-, tavoite- tai kriteerimuuttuja.
Esimerkki on monimuuttujaregressiomalli,. joka yrittää ennakoida osakkeiden tuottoa sellaisten erien perusteella, kuten hinta-tulos-suhteet (P/E-suhteet), markkina-arvo, aiempi tuotto tai muu tieto. Osakkeen tuotto on riippuvainen muuttuja ja erilaiset taloustiedon bitit ovat riippumattomia muuttujia.
Multikollineaarisuus moniregressiomallissa osoittaa, että kollineaariset riippumattomat muuttujat liittyvät jollain tavalla toisiinsa, vaikka suhde voi olla satunnainen tai ei. Esimerkiksi aiempi kehitys saattaa liittyä markkina -arvoon,. koska osakkeilla, jotka ovat menestyneet hyvin aiemmin, markkina-arvot kasvavat.
Toisin sanoen multikollineaarisuus voi olla olemassa, kun kaksi riippumatonta muuttujaa korreloivat voimakkaasti. Se voi myös tapahtua, jos riippumaton muuttuja lasketaan muista tietojoukon muuttujista tai jos kaksi riippumatonta muuttujaa tarjoavat samanlaisia ja toistuvia tuloksia.
Erityisiä huomioita
Yksi yleisimmistä tavoista poistaa multikollineaarisuuden ongelma on tunnistaa ensin kollineaariset riippumattomat muuttujat ja sitten poistaa kaikki paitsi yksi.
Multikollineaarisuus on myös mahdollista eliminoida yhdistämällä kaksi tai useampia kollineaarista muuttujaa yhdeksi muuttujaksi. Tilastollinen analyysi voidaan sitten suorittaa määritellyn riippuvaisen muuttujan ja vain yhden riippumattoman muuttujan välisen suhteen tutkimiseksi.
Multikollineaarisuuden sisältävän mallin tilastolliset päätelmät eivät välttämättä ole luotettavia.
Esimerkkejä monikollineaarisuudesta
###Sijoittamiseen
Sijoittaessa monikollineaarisuus on yleinen näkökohta tehtäessä teknistä analyysiä arvopaperin, kuten osakkeen tai hyödykefutuurin,. todennäköisten tulevien hintamuutosten ennustamiseksi .
Markkina - analyytikot haluavat välttää käyttämästä teknisiä indikaattoreita, jotka ovat kollineaarisia, koska ne perustuvat hyvin samanlaisiin tai toisiinsa liittyviin syöttöihin. niillä on taipumus paljastaa samanlaisia ennusteita hintaliikkeen riippuvaisesta muuttujasta. Sen sijaan markkina-analyysin tulee perustua selvästi erilaisiin riippumattomiin muuttujiin, jotta voidaan varmistaa, että ne analysoivat markkinoita erilaisista riippumattomista analyyttisista näkökulmista.
Esimerkki mahdollisesta multikollineaarisuusongelmasta on teknisen analyysin suorittaminen vain useiden samankaltaisten indikaattoreiden avulla.
Bollinger Bands -indikaattorin luoja , huomauttaa, että "teknisen analyysin onnistuneen käytön pääsääntö edellyttää multikollineaarisuuden välttämistä indikaattoreiden keskellä." Ongelman ratkaisemiseksi analyytikot välttävät kahden tai useamman samantyyppisen teknisen indikaattorin käyttöä. Sen sijaan he analysoivat arvopaperin käyttämällä yhden tyyppistä indikaattoria, kuten liikemäärä-indikaattoria, ja tekevät sitten erillisen analyysin käyttämällä erityyppistä indikaattoria, kuten trendi-indikaattoria.
Esimerkiksi stokastiikka,. suhteellinen voimaindeksi (RSI) ja Williams %R ovat liikemääräindikaattoreita, jotka perustuvat samanlaisiin syötteisiin ja tuottavat todennäköisesti samanlaisia tuloksia. Tässä tapauksessa on parempi poistaa kaikki indikaattorit yhtä lukuun ottamatta tai löytää tapa yhdistää useita niistä yhdeksi indikaattoriksi ja lisätä samalla trendi-indikaattori, joka ei todennäköisesti korreloi voimakkaasti vauhtiindikaattorin kanssa.
###Biologiassa
Monikollineaarisuus havaitaan myös monissa muissa yhteyksissä. Yksi tällainen konteksti on ihmisen biologia. Esimerkiksi yksilön verenpaine ei ole kollineaarinen iän, vaan myös painon, stressin ja pulssin kanssa.
##Kohokohdat
Multikollineaarisuus on tilastollinen käsite, jossa mallin useat riippumattomat muuttujat korreloivat.
Riippumattomien muuttujien monikollineaarisuus johtaa vähemmän luotettaviin tilastollisiin päätelmiin.
On parempi käyttää riippumattomia muuttujia, jotka eivät ole korreloivia tai toistuvia, kun rakennetaan useita regressiomalleja, jotka käyttävät kahta tai useampaa muuttujaa.
Kahden muuttujan katsotaan olevan täysin kollineaarista, jos niiden korrelaatiokerroin on +/- 1,0.
Multikollineaarisuuden olemassaolo tietojoukossa voi johtaa vähemmän luotettaviin tuloksiin suurempien standardivirheiden vuoksi.
##UKK
Miksi monikollineaarisuus on ongelma?
Multikollineaarisuus on ongelma, koska se tuottaa regressiomallituloksia, jotka ovat vähemmän luotettavia. Tämä johtuu laajemmista luottamusväleistä (suuremmista standardivirheistä ), jotka voivat alentaa regressiokertoimien tilastollista merkitsevyyttä .
Kuinka voidaan käsitellä multikollineaarisuutta?
Mallista löytyvän multikollineaarisuuden vähentämiseksi voidaan poistaa tietyt muuttujat, jotka on tunnistettu kollineaarisimmiksi. Voit myös yrittää yhdistää tai muuntaa loukkaavia muuttujia alentaaksesi niiden korrelaatiota. Jos tämä ei toimi tai sitä ei voida saavuttaa, on olemassa modifioituja regressiomalleja, jotka käsittelevät paremmin multikollineaarisuutta, kuten harjaregressio, pääkomponenttiregressio tai osittainen pienimmän neliösumman regressio.
Kuinka monikollineaarisuus havaitaan?
Tilastollista tekniikkaa, jota kutsutaan varianssiinflaatiokertoimeksi (VIF), käytetään havaitsemaan ja mittaamaan kollineaarisuuden määrää moninkertaisessa regressiomallissa.
Mikä on täydellinen kollineaarisuus?
Täydellinen kollineaarisuus on olemassa, kun mallin kahden riippumattoman muuttujan välillä on tarkka 1:1 vastaavuus. Tämä voi olla joko +1,0 tai -1,0 korrelaatio.
