Multikolineariti

Apakah Multicollinearity?

Multikolineariti ialah kejadian saling korelasi yang tinggi antara dua atau lebih pembolehubah tidak bersandar dalam model regresi berbilang. Multikolineariti boleh membawa kepada keputusan yang condong atau mengelirukan apabila penyelidik atau penganalisis cuba menentukan sejauh mana setiap pembolehubah tidak bersandar boleh digunakan dengan paling berkesan untuk meramal atau memahami pembolehubah bersandar dalam model statistik.

Secara umum, multikolineariti boleh membawa kepada selang keyakinan yang lebih luas yang menghasilkan kebarangkalian yang kurang boleh dipercayai dari segi kesan pembolehubah bebas dalam model.

Memahami Multicollinearity

Penganalisis statistik menggunakan model regresi berbilang untuk meramalkan nilai pembolehubah bersandar yang ditentukan berdasarkan nilai dua atau lebih pembolehubah tidak bersandar. Pembolehubah bersandar kadangkala dirujuk sebagai pembolehubah hasil, sasaran atau kriteria.

Contohnya ialah model regresi berbilang variasi yang cuba menjangkakan pulangan saham berdasarkan item seperti nisbah harga kepada pendapatan (nisbah P/E), permodalan pasaran, prestasi lepas atau data lain. Pulangan saham adalah pembolehubah bersandar dan pelbagai bit data kewangan adalah pembolehubah bebas.

Multikolineariti dalam model regresi berganda menunjukkan bahawa pembolehubah tidak bersandar kolinear berkaitan dalam beberapa cara, walaupun perhubungan itu mungkin kasual atau tidak. Sebagai contoh, prestasi masa lalu mungkin berkaitan dengan permodalan pasaran,. kerana saham yang telah menunjukkan prestasi yang baik pada masa lalu akan mempunyai nilai pasaran yang semakin meningkat.

Dalam erti kata lain, multikolineariti boleh wujud apabila dua pembolehubah bebas berkorelasi tinggi. Ia juga boleh berlaku jika pembolehubah bebas dikira daripada pembolehubah lain dalam set data atau jika dua pembolehubah bebas memberikan hasil yang serupa dan berulang.

Pertimbangan Khas

Salah satu cara yang paling biasa untuk menghapuskan masalah multikolinear ialah dengan mengenal pasti pembolehubah bebas kolinear dahulu dan kemudian mengalih keluar semua kecuali satu.

Ia juga mungkin untuk menghapuskan multikolinear dengan menggabungkan dua atau lebih pembolehubah kolinear ke dalam satu pembolehubah. Analisis statistik kemudiannya boleh dijalankan untuk mengkaji hubungan antara pembolehubah bersandar yang ditentukan dan hanya pembolehubah bebas tunggal.

Inferens statistik daripada model yang mengandungi multikolineariti mungkin tidak boleh dipercayai.

Contoh Multikolineariti

###Dalam Pelaburan

Untuk pelaburan, multikolineariti ialah pertimbangan biasa apabila melakukan analisis teknikal untuk meramalkan kemungkinan pergerakan harga sekuriti pada masa hadapan, seperti saham atau masa hadapan komoditi.

Penganalisis pasaran mahu mengelak daripada menggunakan penunjuk teknikal yang sejajar kerana ia berdasarkan input yang hampir sama atau berkaitan; mereka cenderung untuk mendedahkan ramalan yang sama mengenai pembolehubah bersandar pergerakan harga. Sebaliknya, analisis pasaran mestilah berdasarkan pembolehubah bebas yang berbeza dengan ketara untuk memastikan ia menganalisis pasaran daripada sudut pandangan analisis bebas yang berbeza.

Contoh masalah multikolineariti yang berpotensi ialah melakukan analisis teknikal hanya menggunakan beberapa penunjuk yang serupa.

Penganalisis teknikal terkenal John Bollinger, pencipta penunjuk Bollinger Bands,. menyatakan bahawa "peraturan kardinal untuk kejayaan penggunaan analisis teknikal memerlukan mengelakkan multikolineariti di tengah penunjuk." Untuk menyelesaikan masalah, penganalisis mengelak daripada menggunakan dua atau lebih penunjuk teknikal jenis yang sama. Sebaliknya, mereka menganalisis keselamatan menggunakan satu jenis penunjuk, seperti penunjuk momentum, dan kemudian melakukan analisis berasingan menggunakan jenis penunjuk yang berbeza, seperti penunjuk arah aliran.

Contohnya, stokastik,. indeks kekuatan relatif (RSI) dan Williams %R adalah semua penunjuk momentum yang bergantung pada input yang serupa dan berkemungkinan menghasilkan keputusan yang serupa. Dalam kes ini, adalah lebih baik untuk mengalih keluar semua kecuali satu daripada penunjuk atau mencari cara untuk menggabungkan beberapa daripadanya menjadi hanya satu penunjuk, sambil juga menambah penunjuk arah aliran yang tidak mungkin sangat berkorelasi dengan penunjuk momentum.

###Dalam Biologi

Multikolineariti juga diperhatikan dalam banyak konteks lain. Satu konteks sedemikian ialah biologi manusia. Sebagai contoh, tekanan darah individu tidak selaras dengan umur, tetapi juga berat badan, tekanan dan nadi.

##Sorotan

Multikolineariti ialah konsep statistik di mana beberapa pembolehubah tidak bersandar dalam model dikaitkan.
Multikolineariti antara pembolehubah bebas akan menghasilkan inferens statistik yang kurang boleh dipercayai.
Lebih baik menggunakan pembolehubah bebas yang tidak berkorelasi atau berulang apabila membina model regresi berbilang yang menggunakan dua atau lebih pembolehubah.
Dua pembolehubah dianggap kolinear sempurna jika pekali korelasinya ialah +/- 1.0.
Kewujudan multikolineariti dalam set data boleh menyebabkan keputusan yang kurang boleh dipercayai disebabkan oleh ralat piawai yang lebih besar.

##Soalan Lazim

Mengapa Multikolineariti Menjadi Masalah?

Multikolineariti adalah masalah kerana ia menghasilkan keputusan model regresi yang kurang boleh dipercayai. Ini disebabkan oleh selang keyakinan yang lebih luas ( ralat piawai yang lebih besar ) yang boleh merendahkan kepentingan statistik pekali regresi.

Bagaimanakah Seseorang Boleh Menangani Multikolineariti?

Untuk mengurangkan jumlah multikolineariti yang terdapat dalam model, seseorang boleh mengalih keluar pembolehubah tertentu yang dikenal pasti sebagai paling kolinear. Anda juga boleh cuba menggabungkan atau mengubah pembolehubah yang menyinggung perasaan untuk mengurangkan korelasinya. Jika itu tidak berkesan atau tidak dapat dicapai, terdapat model regresi yang diubah suai yang lebih baik menangani multikolineariti, seperti regresi rabung, regresi komponen utama, atau regresi kuasa dua terkecil separa.

Bagaimana Anda Mengesan Multikolineariti?

Teknik statistik yang dipanggil faktor inflasi varians (VIF) digunakan untuk mengesan dan mengukur jumlah kolineariti dalam model regresi berganda.

Apakah Kolineariti Sempurna?

Kolineariti sempurna wujud apabila terdapat padanan tepat 1:1 antara dua pembolehubah tidak bersandar dalam model. Ini boleh menjadi sama ada korelasi +1.0 atau -1.0.