може да се очаква, силен мултиколинеарност.
Важно е да се осъзнае, че в резултат на мултиколинеарност, ние не можем да прогнозираме точно стойността на всеки параметър поотделно. Въпреки това, ако ние, например, в регресията в таблица 4.1 виж ковариация матрица коефициенти:
24.00739 10.41840 -10.39384
10,41840 4,566967 -4,541984 -10,39384 -4,541984 4,521524
Можете да се отбележи, че оценката на дисперсията на сумата от коефициентите, които ние не може точно да се оцени
D (β 1 + β 2) = D (β 1) + D (β 2) + 2 CoV (β 1. β 2) = 4,57 + 4,52 + 2 (- 4,54) = 0.01poluchaetsya че
сумата от тези параметри може да се оценяват доста точно (дисперсията е много малка). Така че, ние не можем да прогнозираме двата фактора, но можем да се оцени или един от факторите, или тяхната линейна комбинация. Повечето от методите за борба с мултиколинеарност и това се основава на.
Какво става, ако има мултиколинеарност?
1) Нищо. Редица изследователи вярват, че няма нищо лошо в това, че прогнозните коефициенти са неточни, не. Например, ако искаме да се използва модела за прогнозиране на прогнозата е добра и ние се кача на модели с мултиколинеарност.
2) Промяна на спецификацията на модела. мултиколинеарност често възниква поради факта, че моделът конструирано правилно. Можете да (а) просто изхвърли променливите, които зависят от другите. (B) се предефинира променливи, отидете на логаритми / първите разлики и т.н. Например, както се вижда от този пример (виж таблица 4.4), ние запази само един от двата променлив модел само подобрява (увеличение коригирани коефициент на определяне).
3) Увеличаване на пробата. Добавяне на данни към друга структура, където обяснителни променливи не са толкова зависими един от друг. (Добра идея, но как да ги вземем =)
3) Отиди до линейна комбинация от променливи. Това може да стане зало-
Свързани статии