1 / 18

Мултиколинеарност

Мултиколинеарност. Хипотеза 6 на КЛРТ: отсъствие на колинеарност между обясняващата променлива и грешката. Същност на мултиколинеарността. Проблем свързат с наличието на перфиктна или висока корелация между факторите включени в модела Проблем свързан с извадката, а не с генералната съвкупност

morgan-vazquez
Download Presentation

Мултиколинеарност

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Мултиколинеарност Хипотеза 6 на КЛРТ: отсъствие на колинеарност между обясняващата променлива и грешката

  2. Същност на мултиколинеарността • Проблем свързат с наличието на перфиктна или висока корелация между факторите включени в модела • Проблем свързан с извадката, а не с генералната съвкупност • При приложение на МНМК - параметрите не могат да бъдат изчислени

  3. Същност на мултиколинеарността • Перфектна колинеарност – една от обясняващите променливите може да се изрази като линейна комбинация на един или повече от останалита фактори в модела • Y = A0 + A1X1 + A2X2 + … +ANXN +e • XK = B1XL + B2XP+ …+BN1XN1 • Решение – заместване на XK в модела- намаляване на променливите с 1

  4. Същност на мултиколинеарността • Проблем възниква – когато няма перфектна колинеарност, но е налице висока корелация между факторите в модела (почти перфектна колинеарност) • Наблюдава се – факторите имат общ тренд

  5. Последици при “почти” перфектна мултиколинеарност • Не е изискване на КЛРТ • МНМК – най-ефективният метод за оценка на параметрите • Защо трябва да се анализира? • Висока вариация и голяма стандартна грешка на оценката на параметрите пред факторите с висока корелация – широки доверителни интервали

  6. Защо трябва да се анализира? • Един или няколко от факторите на модела могат да се окажат статистически незначими в противоречие с теорията и когато разгледани отделно са статистически значими • Намалява силата на тестовете (вероятност за приемане на Н0, когато тя трябва да бъде отхвърлена) • Висок R2 – незначителен брой значими фактори, значим модел, трудно разграничаване на индивидуалният ефект

  7. Защо трябва да се анализира? • Голяма стандартна грешка на модела • Силно чувствителни оценки при незначително изменение на размера на извадката – нестабилен модел • Оценените параметри не отговарят на теоретичните изисквания

  8. Начини за установяване • При перфектна колинеарност - “Оценка не може да бъде направена” – т.е. няма проблем как да се установи колинеалността • При наличие на корелация между факторите - въпросът е да се оцени степента, в която се проявява мултиколинеарността

  9. Начини за установяване • 4 начина за установяване • Анализ на корелационните коефициенти • Различия между корелационните коефициенти и частните корелационни коефициенти • Тестване на помощни модели на всеки един от факторите спрямо останалите фактори: Xk – b0 + b1X1 + …bk-1Xk-1+bk+1Xk+1 + …

  10. Начини за установяване • Тестване на хипотезата срещу хипотезите

  11. Анализ на корелационните коефициенти • Команда COREL (X1 X2 X3 …) 16-Oct-2001 18:42:11 Estimated Correlation Matrix of Variables ****************************************************************************** P12107 P12109 P12110 P12202 P12203 INCOME P12107 1.0000 .49112 -.011020 .89694 .66685 -.64563 P12109 .49112 1.0000 .62287 .76511 .86749 .060036 P12110 -.011020 .62287 1.0000 .19151 .33428 .39554 P12202 .89694 .76511 .19151 1.0000 .88195 -.46589 P12203 .66685 .86749 .33428 .88195 1.0000 -.13967 INCOME -.64563 .060036 .39554 -.46589 -.13967 1.0000 ****************************************************************************** .89694 .86749 .76511

  12. Различия между корелационните коефициенти и частните корелационни коефициенти • Сравняване на оценените параметри с коефициентите на корелация от матрицата • Сравняване на оценените параметри с оценките при еднофакторни модели с всеки един от факторите

  13. Различия между... -.9531E-4

  14. Различия между... -.9531E-4 -.4531

  15. Тестване на помощни модели на всеки един от факторите спрямо останалите фактори • Помощни модели: P12107 = a0 + a1P12109 P12107 = a0 + a1P12110 P12107 = a0 + a1P12202 …..

  16. Тестване на хипотезата всички коеф. равни на 0срещу хипотезитевсеки коефициент равен на 0 • По два начина • С помощни модели – зависимата променлива спрямо всеки един от факторите като еднофакторни модели • Валд тест

  17. Валд тест • Тест за налагане на ограничения на параметрите на модела • При наличие на специфични изисквания наложени от теорията • При проверка на причините за динамиката – дали тя произтича от детерминираната част на модела или е стохастична (при авторегресионните модели с разпределен лаг)

  18. Валд тест • Ограниченията: линейни и нелинейни • Н0: всички поставени ограничения са едновременно изпълнени

More Related