მულტიკოლნეტარულობა პრობლემაა, რადგან ის ძირს უთხრის დამოუკიდებელი ცვლადის სტატისტიკურ მნიშვნელობას. სხვა თანაბარ პირობებში, რაც უფრო დიდია რეგრესიის კოეფიციენტის სტანდარტული შეცდომა, მით ნაკლებია ალბათობა, რომ ეს კოეფიციენტი იყოს სტატისტიკურად მნიშვნელოვანი.
როგორ იცით, არის თუ არა მრავალმხრივობა პრობლემა?
მულტიკოლინეარობის გაზომვის ერთ-ერთი გზაა ვარიანტული ინფლაციის ფაქტორი (VIF), რომელიც აფასებს რამდენად იზრდება სავარაუდო რეგრესიის კოეფიციენტის ვარიაცია, თუ თქვენი პროგნოზირების ფაქტორები კორელაციაშია. … VIF 5-დან 10-მდე მიუთითებს მაღალ კორელაციაზე, რომელიც შეიძლება იყოს პრობლემური.
არის თუ არა კოლინარულობა პრობლემა პროგნოზირებისთვის?
მულტიკოლნეტარულობა კვლავ პრობლემაა პროგნოზირების უნარისთვის. თქვენი მოდელი ზედმეტად მოერგება და ნაკლებად სავარაუდოა, რომ განზოგადება ნიმუშის გარეთ არსებულ მონაცემებზე. საბედნიეროდ, თქვენი R2 უცვლელი დარჩება და თქვენი კოეფიციენტები კვლავ მიუკერძოებელი იქნება.
რატომ არის კოლინარულობა პრობლემა რეგრესიაში?
მულტიკოლნეარობა ამცირებს სავარაუდო კოეფიციენტების სიზუსტეს, რაც ასუსტებს თქვენი რეგრესიის მოდელის სტატისტიკურ ძალას. თქვენ შეიძლება ვერ ენდოთ p-მნიშვნელობებს დამოუკიდებელი ცვლადების იდენტიფიცირებისთვის, რომლებიც სტატისტიკურად მნიშვნელოვანია.
როდის უნდა უგულებელყოთ კოლინარულობა?
ის ზრდის მათი კოეფიციენტების სტანდარტულ შეცდომებს და შესაძლოა ეს კოეფიციენტები არასტაბილური გახადოს რამდენიმე გზით. მაგრამ სანამ კოლინარულიცვლადები გამოიყენება მხოლოდ საკონტროლო ცვლადებად და ისინი არ არიან კოლინარული თქვენს ინტერესის ცვლადებთან, პრობლემა არ არის.
