Мултиколинеарността е проблем, защото подкопава статистическата значимост на независима променлива. При равни други условия, колкото по-голяма е стандартната грешка на коефициента на регресия, толкова по-малко вероятно е този коефициент да бъде статистически значим.
Как да разберете дали мултиколинеарността е проблем?
Един от начините за измерване на мултиколинеарността е коефициентът на инфлация на дисперсията (VIF), който оценява колко се увеличава дисперсията на оценения коефициент на регресия, ако вашите прогнози са корелирани. … VIF между 5 и 10 показва висока корелация, която може да е проблематична.
Колинеарността проблем ли е за прогнозиране?
Мултиколинеарността все още е проблем за предсказуемата сила. Вашият модел ще се препоръча и е по-малко вероятно да се обобщи до данни извън извадката. За щастие вашият R2 няма да бъде засегнат и вашите коефициенти ще продължат да бъдат безпристрастни.
Защо колинеарността е проблем в регресията?
Мултиколинеарност намалява прецизността на изчислените коефициенти, което отслабва статистическата сила на вашия регресионен модел. Може да не сте в състояние да се доверите на p-стойностите за идентифициране на независими променливи, които са статистически значими.
Кога трябва да игнорирате колинеарността?
Увеличава стандартните грешки на техните коефициенти и може да направи тези коефициенти нестабилни по няколко начина. Но докато колинеарниятпроменливите се използват само като контролни променливи и не са съвместими с вашите променливи, които ви интересуват, няма проблем.
