Cтраница 1
Мультиколлинеарность, следовательно, можно решать проблему отбора факторов, оставляя в уравнении факторы с минимальной величиной коэффициента множественной детерминации. [1]
Мультиколлинеарность особенно часто имеет место при анализе макроэкономических данных, таких, как доходы и производство, где инфляция, например, может повлиять на оба ряда. [2]
Мультиколлинеарность в основном появляется в задачах пассивного эксперимента, когда исследователь, собирая данные, не может влиять на значения объясняющих переменных. В активном эксперименте матрица данных X планируется ( см. [ 1361), причем таким образом, что либо матрица S хорошо обусловлена, либо априори точно известны линейные зависимости, имеющие место между строками ( столбцами матрицы X), и, следовательно, ее ранг. [3]
При мультиколлинеарности коэффициенты регрессии нестабильны как в отношении статистической значимости, так и по величине и знаку. Значения коэффициентов R2 могут быть высокими, но стандартные ошибки тоже высоки, и отсюда r - критерии малы, отражая недостаток значимости. [4]
Поскольку мультиколлинеарность связана с высокой степенью корреляции между исходными переменными, можно попытаться обойти эту трудность, используя в качестве новых переменных некоторые линейные комбинации исходных переменных, выбранные так, чтобы корреляции между ними были малы или вообще отсутствовали. Тогда матрица корреляций между оценками параметров относительно новых переменных будет близка к диагональной, что существенно упростит интерпретацию. [5]
Наличие мультиколлинеарности приводит к снижению эффективности оценок МНК, растут дисперсии и корреляция оценок параметров регрессии между собой. [6]
Явление мультиколлинеарности выявляется вычислением матрицы парных коэффициентов корреляции между экзогенными переменными. [7]
Явление мультиколлинеарности может быть обусловлено весьма специфичными причинами. При поиске корреляционных зависимостей почти всегда существует вероятность получения в той или иной степени ложных результатов. Очень часто большая мультиколлинеарность, возникающая при обработке экономической информации, вызвана именно ложной корреляцией между исследуемыми факторами. Такая мультиколлинеарность также ложна. По определению Н. С. Четверикова [48], сущность ложной корреляции коренится в логических ошибках, совершаемых при неправильном пользовании методом корреляции или неправильном построении исследуемых единиц и их совокупностей. Выделяется пять групп источников ложной корреляции, в том числе возникновение ложной корреляции, выражающееся в получении высоких парных коэффициентов корреляции, неизбежное при исследовании тесноты связи между показателями, заданными динамическими рядами. Мультиколлинеарность, возникающая в таких случаях, является ложной временной мультиколлинеарностью, так как она происходит в результате применения метода корреляционного анализа к данным, не удовлетворяющим основным предпосылкам метода. Устранение мультиколлинеарности представляет весьма сложную задачу. [8]
Устранение мультиколлинеарности может реализовываться путем исключения из корреляционной модели одного или. [9]
Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой, и нельзя оценить воздействие каждого фактора в отдельности. [10]
Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой, и нельзя оценить воздействие каждого фактора в отдельности. [11]
Что такое мультиколлинеарность, каковы некоторые из ее причин. Как она влияет на толкование регрессионного уравнения, и как бы вы решили эту проблему, если бы она существовала. [12]
Для устранения мультиколлинеарности применим процедуру пошагового отбора наиболее информативных переменных. [13]
Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. [14]
При функциональной форме мультиколлинеарности по крайней мере одна из парных связей между объясняющими переменными является линейной функциональной зависимостью. Это приводит к невозможности решения соответствующей системы нормальных уравнений и получения оценок параметров регрессионной модели. [15]