Агуулгын хүснэгт:

Multicollinearity-ээс хэрхэн ангижрах вэ?
Multicollinearity-ээс хэрхэн ангижрах вэ?

Видео: Multicollinearity-ээс хэрхэн ангижрах вэ?

Видео: Multicollinearity-ээс хэрхэн ангижрах вэ?
Видео: Multicollinearity in Variables | How to remove multicollinearity in SPSS 2024, Арваннэгдүгээр
Anonim

Би Multicollinearity-тэй хэрхэн харьцах вэ?

  1. Устгах загвараас маш их хамааралтай таамаглагчид.
  2. Хэсэгчилсэн хамгийн бага квадратын регресс (PLS) эсвэл үндсэн бүрэлдэхүүн хэсгүүдийн шинжилгээг ашиглан урьдчилан таамаглах хүмүүсийн тоог харьцуулаагүй цөөн тооны бүрэлдэхүүн хэсгүүдэд бууруулах регрессийн аргыг ашиглана уу.

Цаашилбал, Multicollinearity гэж юу вэ, та үүнийг хэрхэн даван туулах вэ?

Олон уялдаа холбоо Регрессийн загварт бие даасан хувьсагчид хамааралтай байх үед үүсдэг. Бие даасан хувьсагчид бие даасан байх ёстой тул энэ хамаарал нь асуудал юм. Хэрэв хувьсагчдын хоорондын хамаарлын зэрэг хангалттай өндөр байвал түүнийг чадна үед асуудал үүсгэдэг Та загварт тохируулж, үр дүнг тайлбарлах.

Мөн мэдэж аваарай, яагаад мультиколлинеар байдал нь асуудал үүсгэдэг вэ? Олон уялдаа холбоо нь асуудал Учир нь энэ нь бие даасан хувьсагчийн статистикийн ач холбогдлыг бууруулдаг. Бусад зүйлс тэнцүү байх тусам регрессийн коэффициентийн стандарт алдаа их байх тусам энэ коэффициент статистикийн ач холбогдолтой байх магадлал бага болно.

Мөн та Multicollinearity-ийг хэрхэн тооцоолох талаар мэдэх үү?

Олон шугаман байдал Мөн хэлбэлзлийн инфляцийн хүчин зүйл (VIF) гэж нэрлэгддэг хүлцэл ба түүний харилцан хамаарлын тусламжтайгаар илрүүлж болно. Хэрэв хүлцэл хүлээх утга нь 0.2 эсвэл 0.1 -ээс бага байвал VIF 10 ба түүнээс дээш байх тохиолдолд олон уялдаа холбоо асуудалтай байна.

Multicollinearity нь урьдчилан таамаглахад нөлөөлдөг үү?

Олон шугаман байдал үгүй нөлөөлөх загвар нь хэр сайн таарч байна. Үнэн хэрэгтээ хэрэв та загварыг хийхийг хүсч байвал таамаглал , хоёр загвар нь тохируулсан утгуудын хувьд ижил үр дүнг гаргадаг ба таамаглал интервал!

Зөвлөмж болгож буй: