Daugiakolinisiškumas yra problema, nes jis kenkia nepriklausomo kintamojo statistiniam reikšmingumui. Jei kiti dalykai yra vienodi, kuo didesnė standartinė regresijos koeficiento paklaida, tuo mažesnė tikimybė, kad šis koeficientas bus statistiškai reikšmingas.
Kaip žinoti, ar daugiakolineariškumas yra problema?
Vienas iš būdų įvertinti daugiakolineariškumą yra dispersinės infliacijos koeficientas (VIF), kuris įvertina, kiek padidėja apskaičiuoto regresijos koeficiento dispersija, jei jūsų prognozės yra koreliuojamos. … VIF tarp 5 ir 10 rodo didelę koreliaciją, kuri gali būti problemiška.
Ar kolineariškumas yra nuspėjimo problema?
Daugikolinisiškumas vis dar yra nuspėjimo galios problema. Jūsų modelis bus per daug pritaikytas ir mažiau tikėtina, kad jis apibendrins duomenis, kurie nėra imties. Laimei, jūsų R2 nebus paveiktas, o jūsų koeficientai vis tiek bus nešališki.
Kodėl kolineariškumas yra regresijos problema?
Multikolinearumas sumažina įvertintų koeficientų tikslumą, o tai susilpnina jūsų regresijos modelio statistinę galią. Galbūt negalėsite pasitikėti p reikšmėmis, kad nustatytumėte nepriklausomus kintamuosius, kurie yra statistiškai reikšmingi.
Kada turėtumėte nepaisyti kolinearumo?
Tai padidina standartines jų koeficientų paklaidas ir keliais būdais tuos koeficientus gali padaryti nestabilius. Bet kol kolineariniskintamieji naudojami tik kaip kontroliniai kintamieji ir jie nėra lygiagrečiai su jus dominančiais kintamaisiais, nėra jokių problemų.
