1 / 20

NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI

NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI. 20 1 3-0 4 - 24 Literatūra: D.Gujarati “Basic Econometrics” McGraw-Hill, Part 2 “ relaxing the Assumption of the Classical Model”. 10 skyrelis “Multicollinearity and Micronumerosity.

taber
Download Presentation

NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI

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. NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI 2013-04-24 Literatūra: D.Gujarati “Basic Econometrics” McGraw-Hill, Part 2 “ relaxing the Assumption of the Classical Model”. 10 skyrelis “Multicollinearity and Micronumerosity.

  2. NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINEARUMO PROBLEMA IR JOS SPRENDIMO BŪDAI 1. Multikolinearumo problemos esmė 2. Multikolinearumo diagnostika 3. Multikolinearumo eliminavimo būdai

  3. Klasikinės regresijos prielaidos

  4. Klasikinės regresijos prielaidos

  5. Klasikinės regresijos prielaidos • Prielaidos, kurios susiję su tam tikrais reikalavimais duomenims • 5, 7 ir 8 prielaidos • Prielaidos susiję su modelio specifikacija (modelio formos parinkimas) ir paklaidomis εi • 1,2,3,4 ir 9

  6. NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI 1. Multikolinearumo problemos esmė 2. Multikolinearumo diagnostika 3. Multikolinearumo eliminavimo būdai

  7. MULTIKOLINERUMOproblemos esmė Multikolinearumo simptomai: • įverčiai labai nestabilūs • determinacijos koeficiento reikšmė R2 artima 1, o įverčių tapsk statistikų reikšmės artimos 0

  8. X1 X1 X2 X1 X2 MULTIKOLINERUMOproblemos esmė X1 X2 Y Silpnas multikolinearumas Nėra multikolinearumo Y Stiprus multikolinearumas Y

  9. MULTIKOLINERUMO PROBLEMOS ESMĖKodėl interkoreliacija blogai? • Kai r12 = 1 • negalime apskaičiuoti SEbj, tbj, intervalinių iverčių • Kai r12 1 • labai didelės įverčių standartinės paklaidos SEbj,, • tbj,- labai mažos, • intervaliniai iverčiai labai platūs.

  10. GEROJI ŽINIA APIE MULTIKOLINERUMĄ. • Regresijos koeficientai yra nepaslinkti, suderinti ir efektyvūs • Regresini modelis su multikolineariais veiksniais gali būti naudojamas prognozavimui gali būti

  11. 2. MULTIKOLINERUMO DIAGNOSTIKA Diagnozavimo metodai: • Porinių koreliacijos koeficientų panaudojimas • Porinių koreliacijų matrica • Farrar Glauber metodas • Dauginės determinacijos koeficientų panaudojimas • VIF statistika • Tolerancijos matas TOL

  12. MULTIKOLINERUMO DIAGNOSTIKA 2. Porinių koreliacijų matrica Yi=b0+ b1X1i+ b2X2i + …bkXki+ei Koreliacijos koeficientų tarp Xj matrica Koreliacijos koeficientų tarp Y ir Xj kintamųjų vektorius r1 r2 r3 r4 rk 1 r12 r13 … r1 k r2 1 1r23 ...r2k r31 r32 1 r3k rk 1 rk2 rk3 ... 1 KyX = KXX =

  13. 2. MULTIKOLINERUMO DIAGNOSTIKA Nykščio taisyklė Jeigu porinės koreliacijos koeficientas |rij | yra didesnis už 0.8, tuomet regresinis modelis pasižymi interkoreliacija tarp Xiir Xj veiksnių.

  14. Pavyzdys

  15. 2. MULTIKOLINERUMO DIAGNOSTIKAR2 panaudojimas Yi=b0+ b1X1i+ b2X2i +b3X3 + b4X4i+ei Apskaičiuojame pagalbines dauginės regresijos lygtis X1i = 1c0 + 1c2X2i + 1c3X3i + 1c4X4i + 1ei 1R2 X2i = 2c0 + 2c1XIi + 2c3X3i + 2c4X4i + 2ei 2R2 X31= 3c0 + 3c1X1i + 3c2X2i +3c4X4i + 3ei 3R2 X4 i= 4c0 + 4c1X1i + 4c2X2i + 4c3X3i + 4ei 4R2

  16. 2. MULTIKOLINERUMO DIAGNOSTIKAR2 panaudojimas Nykščio taisyklė Jeigu kurios nors pagalbinės dauginės regresijos jR2 koeficiento reikšmė yra didesnė už pagrindinės lygties R2 reikšmę, tuomet apskaičiuotas regresinis modelis pasižymi interkoreliacija

  17. 2. MULTIKOLINERUMO DIAGNOSTIKAVIF statistikos panaudojimas Nykščio taisyklė Tarp nepriklausomų kintamųjų yra stiprus multikolinearumas , jei VIF(Xj)>5 Tolerancijos matas

  18. MULTIKOLINERUMO SUSILPNIMIMO BŪDAI • Vieno ar kelių stipriai koreliuotų veiksnių pašalinimas • Papildomų duomenų įtraukimas • Duomenų koregavimas • Laiko ir atrankinių duomenų derinimas

  19. Xmū= 101,30 +0.36Xtū + 3,06Dvm + eiR2= 0.24 VIF=1.32 Xtū= 93,44 + 0.52Xmū + 1.85Dvm + eiR2= 0.18 VIF=1.22 Dvm= -2,26 +0,03Xmū + 0,01Xtū + eiR2= 0.09 VIF=1.1

  20. Regresijos su mažu stebėjimų skaičiumi problemos • įverčiai labai nestabilūs • Didelės standartinės paklaidos • Labai platūs pasikliautini intervalai • determinacijos koeficiento reikšmė R2 artima 1, o įverčių tapsk statistikų reikšmės artimos 0

More Related