Sisällysluettelo:

Miten pääset eroon monikollineaarisuudesta?
Miten pääset eroon monikollineaarisuudesta?

Video: Miten pääset eroon monikollineaarisuudesta?

Video: Miten pääset eroon monikollineaarisuudesta?
Video: Tulitko jätetyksi? Näin voit päästä siitä yli! 2024, Saattaa
Anonim

Kuinka voin käsitellä monikollineaarisuutta?

  1. Poista erittäin korreloivia ennustajia mallista.
  2. Käytä osittaista pienimmän neliösumman regressiota (PLS) tai pääkomponenttien analyysiä, regressiomenetelmiä, jotka leikkaavat ennustajien määrän pienempään joukkoon epäkorreloitavia komponentteja.

Lisäksi mitä on monikollineaarisuus ja kuinka voit voittaa sen?

Monikollineaarisuus tapahtuu, kun riippumattomat muuttujat regressiomallissa korreloivat. Tämä korrelaatio on ongelma, koska riippumattomien muuttujien tulisi olla riippumattomia. Jos muuttujien välinen korrelaatioaste on riittävän korkea, se voi aiheuttaa ongelmia, kun sinä sovi malliin ja tulkitse tuloksia.

Tiedä myös, miksi monikollineaarisuus on ongelma? Monikollineaarisuus on ongelma koska se heikentää riippumattoman muuttujan tilastollista merkitystä. Muut asiat ovat samat, ja mitä suurempi regressiokertoimen vakiovirhe, sitä epätodennäköisempää on, että tämä kerroin on tilastollisesti merkitsevä.

Tiedä myös, kuinka lasket monikollineaarisuuden?

Monikollineaarisuus voidaan havaita myös toleranssin ja sen vastavuoroisen, varianssin inflaatiokertoimen (VIF) avulla. Jos toleranssiarvo on pienempi kuin 0,2 tai 0,1 ja samanaikaisesti VIF 10 -arvo ja sitä suurempi, niin monikollineaarisuus on ongelmallinen.

Vaikuttaako monikollineaarisuus ennustamiseen?

Monikollineaarisuus ei vaikuttaa kuinka hyvin malli sopii. Itse asiassa, jos haluat käyttää mallia tehdäksesi ennusteita , molemmat mallit tuottavat samat tulokset sovitetuille arvoille ja ennuste väliajoin!

Suositeltava: