Multikollinearitet

Vad är multikollinearitet?

Multikollinearitet är förekomsten av höga interkorrelationer mellan två eller flera oberoende variabler i en multipel regressionsmodell. Multikollinearitet kan leda till skeva eller missvisande resultat när en forskare eller analytiker försöker avgöra hur väl varje oberoende variabel kan användas mest effektivt för att förutsäga eller förstå den beroende variabeln i en statistisk modell.

Generellt sett kan multikollinearitet leda till bredare konfidensintervall som ger mindre tillförlitliga sannolikheter när det gäller effekten av oberoende variabler i en modell.

Förstå multikollinearitet

Statistiska analytiker använder flera regressionsmodeller för att förutsäga värdet av en specificerad beroende variabel baserat på värdena för två eller flera oberoende variabler. Den beroende variabeln kallas ibland för utfalls-, mål- eller kriteriumvariabeln.

Ett exempel är en multivariat regressionsmodell som försöker förutse aktieavkastning baserat på poster som pris-till-vinst-kvoter (P/E-tal), börsvärde, tidigare resultat eller andra data. Aktieavkastningen är den beroende variabeln och de olika bitarna av finansiell data är de oberoende variablerna.

Multikollinearitet i en multipel regressionsmodell indikerar att kolinjära oberoende variabler är relaterade på något sätt, även om förhållandet kan vara tillfälligt eller inte. Till exempel kan tidigare resultat vara relaterade till börsvärde,. eftersom aktier som har presterat bra tidigare kommer att ha stigande marknadsvärden.

Med andra ord kan multikollinearitet existera när två oberoende variabler är starkt korrelerade. Det kan också hända om en oberoende variabel beräknas från andra variabler i datamängden eller om två oberoende variabler ger liknande och repetitiva resultat.

Särskilda överväganden

Ett av de vanligaste sätten att eliminera problemet med multikollinearitet är att först identifiera kolinjära oberoende variabler och sedan ta bort alla utom en.

Det är också möjligt att eliminera multikollinearitet genom att kombinera två eller flera kolinjära variabler till en enda variabel. Statistisk analys kan sedan utföras för att studera sambandet mellan den angivna beroende variabeln och endast en enda oberoende variabel.

De statistiska slutsatserna från en modell som innehåller multikollinearitet kanske inte är tillförlitliga.

Exempel på multikollinearitet

Att investera

För investeringar är multikollinearitet ett vanligt övervägande när man utför teknisk analys för att förutsäga sannolika framtida prisrörelser för ett värdepapper, såsom en aktie eller en råvarutermin.

Marknadsanalytiker vill undvika att använda tekniska indikatorer som är kolinjära genom att de är baserade på mycket liknande eller relaterade indata; de tenderar att avslöja liknande förutsägelser om den beroende variabeln för prisrörelser. Istället måste marknadsanalysen baseras på markant olika oberoende variabler för att säkerställa att de analyserar marknaden ur olika oberoende analytiska synvinklar.

Ett exempel på ett potentiellt multikollinearitetsproblem är att utföra teknisk analys med endast flera liknande indikatorer.

Den noterade tekniska analytikern John Bollinger, skaparen av Bollinger Bands- indikatorn, noterar att "en kardinalregel för framgångsrik användning av teknisk analys kräver att man undviker multikollinearitet bland indikatorer." För att lösa problemet undviker analytiker att använda två eller flera tekniska indikatorer av samma typ. Istället analyserar de ett värdepapper med en typ av indikator, till exempel en momentumindikator, och gör sedan en separat analys med en annan typ av indikator, till exempel en trendindikator.

Till exempel är stokastik,. det relativa hållfasthetsindexet (RSI) och Williams %R alla momentumindikatorer som förlitar sig på liknande indata och som sannolikt ger liknande resultat. I det här fallet är det bättre att ta bort alla utom en av indikatorerna eller hitta ett sätt att slå samman flera av dem till bara en indikator, samtidigt som du lägger till en trendindikator som sannolikt inte är starkt korrelerad med momentumindikatorn.

I biologi

Multikollinearitet observeras också i många andra sammanhang. Ett sådant sammanhang är mänsklig biologi. Till exempel är en individs blodtryck inte kolinjärt med åldern, utan också vikt, stress och puls.

Höjdpunkter

– Multikollinearitet är ett statistiskt begrepp där flera oberoende variabler i en modell är korrelerade.

• Multikollinearitet mellan oberoende variabler kommer att resultera i mindre tillförlitliga statistiska slutsatser.

– Det är bättre att använda oberoende variabler som inte är korrelerade eller repetitiva när man bygger multipla regressionsmodeller som använder två eller flera variabler.

• Två variabler anses vara helt kollinjära om deras korrelationskoefficient är +/- 1,0.

– Förekomsten av multikollinearitet i en datamängd kan leda till mindre tillförlitliga resultat på grund av större standardfel.

Vanliga frågor

Varför är multikollinearitet ett problem?

Multikollinearitet är ett problem eftersom det ger regressionsmodellresultat som är mindre tillförlitliga. Detta beror på bredare konfidensintervall (större standardfel ) som kan sänka den statistiska signifikansen av regressionskoefficienter.

Hur kan man hantera multikollinearitet?

För att minska mängden multikollinearitet som finns i en modell kan man ta bort de specifika variablerna som identifieras som de mest kollineära. Du kan också försöka kombinera eller transformera de störande variablerna för att minska deras korrelation. Om det inte fungerar eller är ouppnåeligt, finns det modifierade regressionsmodeller som bättre hanterar multikollinearitet, såsom åsregression, huvudkomponentregression eller partiell minsta kvadraters regression.

Hur upptäcker du multikollinearitet?

En statistisk teknik som kallas variansinflationsfaktorn (VIF) används för att detektera och mäta mängden kollinearitet i en multipel regressionsmodell.

Vad är perfekt kolinearitet?

Perfekt kolinearitet existerar när det finns en exakt 1:1 överensstämmelse mellan två oberoende variabler i en modell. Detta kan antingen vara en korrelation på +1,0 eller -1,0.