Мультиколлинеарлылықтың маңызы Мультиколлинеарлылықтың салдары Мультиколлинеарлылықтың анықтамасы



жүктеу 40.27 Kb.
Дата03.07.2016
өлшемі40.27 Kb.
8 Мультиколлинеарлылық


  1. Мультиколлинеарлылықтың маңызы

  2. Мультиколлинеарлылықтың салдары

  3. Мультиколлинеарлылықтың анықтамасы

  4. Мультиколлинеарлылықты жою



1. Мультиколлинеарлылықтың маңызы. Жиынтық сызықтың регрессия моделін ең кіші квадраттар әдісі (ЕҚКӘ) арқылы құрғанда тағы бір салмақты мәселе – мульти-

коллинеарлылық болады – бір немесе бірнеше түсіндіру айнымалылардың өзара сызықтың байланысы. Егер түсіндіру айнымалылар арасындағы байланыс қатан функционалдық болса, онда жетілген мультиколлинеарлылық туралы айтады.



2. Мультиколлинеарлылықтың салдары.Әдетте мультиколлинеарлылықтың келесі салдарын ерекшелеуге болады:

  1. Бағаның үлкен дисперсиялары (стандартты қателер). Олар анықталатын шама-

лардың ақиқат мәндерін табуына бөгет жасайды және олардың дәлдігін нашар-

латып интервалдық бағаларды кеңейтеді.



  1. t – статистика коэффициенттері кішірееді, бұл жағдай сәйкестік түсіндіру айны-

малылардың тәуелдік айнымалыларына маңызды әсерін көрсету туралы ақтал-

маған қорытындыға мүмкін.



  1. Коэффициенттер арқылы бағалау және олардың стандартты қателер берілгендер-

дің ең аз өзгерісіне өте сезімтал болады, яғни олар орнықсыз болады.

4. Әрбір түсіндіру айнымалының регрессия теңдеумен түсіндірілетін дисперсияға

тәуелді айнымалының үлес анықтамасы қиындайды.

5. Регрессия коэффициенті алуы мүмкін. Сондықтан, регрессия моделін құрған-

да факторларды мультиколлинеарлылыққа талдау және оны жою міндетті түрде

шарт болады.



  1. Мультиколлинеарлылықтың анықтамасы. Практикада мультиколлинеарлы-

лықтың бар болуын корреляцияның парлық коэффициенттер матрица арқылы

байымдалады:



Корреляция коэффициентті, белгінің өз-өзімен байланысын өлшейтін, тең бірге,

яғни бұл жағдайда максималды тығыз байланыстын орны болады. Сондықтан,

корреляциялық матрицада бас диагональ бойында бірлер тұр. Корреляциялық

матрица бас диагональ арқылы симметриалы болады, яғни . Егер факторлар

бір бірімен коррелиалдық болмаса, онда парлық коэффициенттер матрицасының

анықтаушы тең бірге, өйткені диагональды емес барлық элементтері тең

Мысалы,

Керісінше, егер барлық факторлар коррелиалдық болса, яғни олардың арасында сызықты тәуелдік болса, онда матрица анықтауышы тең болады////////; мысалы

Сонымен, мынадай қорытынды жасауға болады: осындай матрицаның анықтауышы неғұрлым нөлге жақындағанша, соншама факторлар арасындағы сызықтың тәуелсіздік күшті болады.




  1. Мультиколлинеарлылықты жою. Мультиколлинеарлылықты жоюдын негізгі әдістері:

1. Айнымалыларды шығару әдісі. Бұл әдіс мынада: жоғары коррериялған түсін-

дірілген айнымалылар регрессиядан жойылады және ол жаңадан бағаланады.

Егер ;онда айнымалының біреуін жоюға болады, бірақ қайсысы екенін

факторлардың басқарылуынан шығады.

Егер фактордың бір мезгілде басқарылуы болып немесе болмау жағдай пайда

болса, онда қандай бір факторды шығару туралы сұрақты бас факторларды

іріктеу процедура көмегімен шешуге болады. Бас факторларды іріктеу проце-

дура келесі кезеңдерді міндетті енгізеді:

а) факторлар және қос корреляция коэффициенттер арасында мәндерінің

талдауы жасалады.

б) түсіндірме факторлардың нәтижелік айнымалымен өзара байланыс туралы

талдау жасалады.


2. Қосымша мәліметтер алу немесе жаңа талдау алу. Мультиколлинеарлылық

таңдамадан сызықты тәуелді болғандықтан, онда мүмкін басқа таңдамада

мультиколлинеарлылық болмайды, әлде онша салмақты емес болады. Кейде

мультиколлинеарлылықты азайту үшін таңдама көлемін үлкейту жеткілікті.

Мысалы, үлкейту жылдағы берілгендерді пайдаланғанда квартал – тоқсандар

берілгендерге көшуге болады. Берілгендер мөлшері үлкейуі регрессия коэф-

фициенттерінің дисперсиясы қысқарады, сонымен бірге олардың статистика-

лық маңыздылығы улкейеді. Бірақ, жаңа таңдама алу немесе ескіні кеңейту.

Әрқашанда мүмкін болуы емес немесе салмақты шығындармен байланысты.

3. Модельдің ерекше өзгеруі. Бірнеше оқиғаларда мультиколлинеарлылық мә-

селесі модельдің ерекше өзгеру жолымен шешілуі мүмкін болады, не модельдің

түрі өзгереді, не алғашқы модельде есептелмеген, бірақ тәуелді айнымалыға

әсер ететін, түсіндірме айнымалыларын қосады. Егер берілген әдістің негізі

болса, онда оны пайдалануы ауытқуының квадраттар қосындысын азайтады,

онымен бірге регрессияның стандартты қатесін қысқартады. Ол коэффициент-

терінің стандартты қателерінің азайтуына келтіреді.

4. Айнымалыларды түрлендіру. Кейбір жағдайда минималдау әлде мультикол-

линеарлылықтың проблемасын жалпы жою айнымалыларды түрлендіру көме-

гімен мүмкін болады. Мысалы, регрессияның эмпирикалық теңдеуі болсын және де мен коррелиалдық айнымалылар. Бұл жағдайда салыстырмалы шамалардың регрессиялық тәуелділігін талаптанып

анықтауға болады:





Бұл модельдерде мультиколлинеарлылық проблемасы жоқ болуы әбден ықтималды.


©dereksiz.org 2016
әкімшілігінің қараңыз

    Басты бет