Multicollinearity

Hvað er fjöllínuleiki?

Multicollinearity er tilvik mikils innbyrðis fylgni á milli tveggja eða fleiri óháðra breyta í margfeldisaðhvarfslíkani. Multicollinearity getur leitt til skekkrar eða villandi niðurstöður þegar rannsakandi eða sérfræðingur reynir að ákvarða hversu vel hverja óháða breytu er hægt að nota á skilvirkasta hátt til að spá fyrir um eða skilja háðu breytuna í tölfræðilegu líkani.

Almennt séð getur fjöllínuleiki leitt til breiðari öryggisbila sem framleiða óáreiðanlegri líkur hvað varðar áhrif óháðra breyta í líkani.

Skilningur á fjöllínuleika

Tölfræðilegir sérfræðingar nota mörg aðhvarfslíkön til að spá fyrir um gildi tiltekinnar háðrar breytu byggt á gildum tveggja eða fleiri óháðra breyta. Stundum er talað um háða breytan sem útkomu-, markmiðs- eða viðmiðunarbreytuna.

Dæmi er fjölbreytu aðhvarfslíkan sem reynir að sjá fyrir ávöxtun hlutabréfa út frá hlutum eins og verð-til-tekjuhlutföllum (V/H hlutföllum), markaðsvirði, fyrri afkomu eða öðrum gögnum. Ávöxtun hlutabréfa er háða breytan og hinir ýmsu bitar af fjárhagslegum gögnum eru óháðu breyturnar.

Multicollinearity í margfeldi aðhvarfslíkani gefur til kynna að collinear óháðar breytur séu tengdar á einhvern hátt, þó að sambandið gæti verið hversdagslegt eða ekki. Til dæmis gæti fyrri árangur tengst markaðsvirði þar sem hlutabréf sem hafa gengið vel í fortíðinni munu hafa vaxandi markaðsvirði.

Með öðrum orðum, fjöllínuleiki getur verið til þegar tvær óháðar breytur eru mjög tengdar. Það getur líka gerst ef óháð breyta er reiknuð út frá öðrum breytum í gagnasafninu eða ef tvær óháðar breytur gefa svipaðar og endurteknar niðurstöður.

Sérstök atriði

Ein algengasta leiðin til að útrýma vandamálinu við fjöllínuleika er fyrst að bera kennsl á óháðar samlínubreytur og fjarlægja síðan allar nema eina.

Það er líka hægt að útrýma fjöllínuleika með því að sameina tvær eða fleiri samlínubreytur í eina breytu. Þá er hægt að gera tölfræðilega greiningu til að rannsaka sambandið milli tilgreindrar háðu breytu og aðeins einnar óháðrar breytu.

Tölfræðilegar ályktanir frá líkani sem inniheldur fjöllínuleika eru kannski ekki áreiðanlegar.

Dæmi um Multicollinearity

Í fjárfestingu

Fyrir fjárfestingar er fjöllínuleiki algengt íhugun þegar tæknileg greining er framkvæmd til að spá fyrir um líklegar verðbreytingar verðbréfa í framtíðinni, svo sem hlutabréfa eða hrávöruframtíðar.

Markaðssérfræðingar vilja forðast að nota tæknilega vísbendingar sem eru samlínulegar að því leyti að þær eru byggðar á mjög svipuðum eða tengdum aðföngum; þeir hafa tilhneigingu til að sýna svipaðar spár varðandi háða breytu verðhreyfinga. Þess í stað verður markaðsgreiningin að byggjast á verulega ólíkum sjálfstæðum breytum til að tryggja að þær greini markaðinn frá mismunandi sjálfstæðum greiningarsjónarmiðum.

Dæmi um hugsanlegt fjöllínuleikavandamál er að framkvæma tæknilega greiningu eingöngu með því að nota nokkra svipaða vísbendingar.

Þekktur tæknifræðingur John Bollinger, skapari Bollinger Bands vísirinn, bendir á að "höfuðregla fyrir árangursríka notkun tæknigreiningar krefst þess að forðast fjöllínuleika innan um vísbendingar." Til að leysa vandamálið forðast sérfræðingar að nota tvo eða fleiri tæknivísa af sömu gerð. Þess í stað greina þeir öryggi með því að nota eina tegund vísis, svo sem skriðþungavísis, og gera síðan sérstaka greiningu með því að nota aðra tegund vísis, eins og þróunarvísi.

Til dæmis eru stochastics,. hlutfallslegur styrkleikavísitala (RSI) og Williams %R allt skriðþungavísar sem treysta á svipuð inntak og eru líkleg til að gefa svipaðar niðurstöður. Í þessu tilfelli er betra að fjarlægja alla vísbendingar nema einn eða finna leið til að sameina nokkra þeirra í aðeins einn vísi, á sama tíma og bæta við þróunarvísi sem er ekki líkleg til að vera í mikilli fylgni við skriðþungavísirinn.

Í líffræði

Multicollinearity sést einnig í mörgum öðrum samhengi. Eitt slíkt samhengi er líffræði mannsins. Til dæmis er blóðþrýstingur einstaklings ekki með aldrinum, heldur einnig þyngd, streitu og púls.

Hápunktar

• Multicollinearity er tölfræðilegt hugtak þar sem nokkrar sjálfstæðar breytur í líkani eru tengdar.

• Multicollinearity meðal óháðra breyta mun leiða til óáreiðanlegra tölfræðilegra ályktana.

• Það er betra að nota óháðar breytur sem eru ekki tengdar eða endurteknar þegar byggt er upp mörg aðhvarfslíkön sem nota tvær eða fleiri breytur.

• Tvær breytur eru taldar vera fullkomlega samlínulegar ef fylgnistuðull þeirra er +/- 1,0.

• Tilvist fjöllínuleika í gagnasafni getur leitt til óáreiðanlegra niðurstaðna vegna stærri staðalvillna.

Algengar spurningar

Hvers vegna er fjöllínuleiki vandamál?

Multicollinearity er vandamál vegna þess að það framleiðir aðhvarfslíkan niðurstöður sem eru óáreiðanlegar. Þetta stafar af breiðari öryggisbili (stærri staðalskekkjur ) sem geta lækkað tölfræðilega þýðingu aðhvarfsstuðla.

Hvernig getur maður tekist á við fjöllínuleika?

Til að draga úr magni fjöllínuleika sem finnast í líkani er hægt að fjarlægja sérstakar breytur sem eru auðkenndar sem samlínulegar. Þú getur líka reynt að sameina eða umbreyta misboðandi breytum til að lækka fylgni þeirra. Ef það virkar ekki eða er óframkvæmanlegt, eru til breytt aðhvarfslíkön sem takast betur á við fjöllínuleika, eins og hrygghvarf, aðhvarf aðalþáttar eða aðhvarf að hluta til minnstu ferninga.

Hvernig greinir þú fjöllínuleika?

Tölfræðileg tækni sem kallast dreifni verðbólgustuðull (VIF) er notuð til að greina og mæla magn samlínu í margfaldu aðhvarfslíkani.

Hvað er fullkomið samstarf?

Fullkomið samlínusamband er til þegar það er nákvæmlega 1:1 samsvörun milli tveggja óháðra breyta í líkani. Þetta getur annað hvort verið fylgni upp á +1,0 eða -1,0.