Multikollineaarsus on probleem, sest see õõnestab sõltumatu muutuja statistilist olulisust. Kui muud asjaolud on võrdsed, siis mida suurem on regressioonikordaja standardviga, seda väiksem on tõenäosus, et see koefitsient on statistiliselt oluline.
Kuidas sa tead, kas multikollineaarsus on probleem?
Üks viis multikollineaarsuse mõõtmiseks on dispersiooni inflatsioonitegur (VIF), mis hindab, kui palju suureneb hinnangulise regressioonikoefitsiendi dispersioon, kui teie ennustajad on korrelatsioonis. … VIF 5 ja 10 vahel näitab kõrget korrelatsiooni, mis võib olla problemaatiline.
Kas kolineaarsus on ennustamisel probleem?
Multikollineaarsus on ennustusjõu puhul endiselt probleem. Teie mudel sobib üle ja ei üldista tõenäoliselt valimivälistele andmetele. Õnneks ei mõjuta teie R2 ja teie koefitsiendid on endiselt erapooletud.
Miks on kollineaarsus regressioonis probleem?
Multikollineaarsus vähendab hinnanguliste koefitsientide täpsust, mis nõrgendab teie regressioonimudeli statistilist võimsust. Võimalik, et te ei saa usaldada p-väärtusi sõltumatute muutujate tuvastamiseks, mis on statistiliselt olulised.
Millal peaksite kollineaarsust ignoreerima?
See suurendab nende koefitsientide standardvigu ja võib muuta need koefitsiendid mitmel viisil ebastabiilseks. Kuid seni, kuni kollineaarnemuutujaid kasutatakse ainult kontrollmuutujatena ja need ei ole teie huvipakkuvate muutujatega kollineaarsed, pole probleemi.
