Мультиколлинеарность

Мультиколлинеарность

• Мультиколлинеарность Мультиколлинеарность это понятие, используемое для описания Проблемы, когда существует неточная линейная связь между объяснениями Переменные приводят к ненадежным оценкам регрессии. Конечно так Зависимость не всегда дает плохую оценку. Во всех случаях Другие условия, то есть наблюдения и образцы являются предпочтительными.

• Дисперсия объясняющих переменных велика, а дисперсия случайных членов Поскольку он маленький, в итоге вы можете получить довольно хорошие результаты. Следовательно, мультиколлинеарность должна быть вызвана сочетанием неплотных вещей. Зависимость и одно (или несколько) плохое состояние, и это вопрос Серьезность симптома, а не его тип. Оценка регрессии Если все является независимым, страдать до некоторой степени.

Переменные не являются полностью некоррелированными. Людмила Фирмаль

Принять это во внимание Проблема начинается только в том случае, если проблема оказывает серьезное влияние на результат Оценка регрессии. Эта проблема часто встречается в регрессии временных рядов. Это значит 155 Данные состоят из серии наблюдений за определенный период времени. если Две или более независимых переменных имеют заметное время Тенденции, а затем они тесно взаимосвязаны, что может привести к Коллинеарная.

Что я могу сделать в этом случае? Различные методы, которые могут быть использованы для смягчения Тиколоры делятся на две категории. Первая категория включает в себя Попробуйте повысить удовлетворение четырех гарантированных условий Достоверность регрессионной оценки, вторая категория включает Внешняя информация. При использовании первого возможного прямого Тем не менее, полученные данные явно Наблюдение.

Используя данные временных рядов, вы можете: Уменьшите продолжительность каждого периода. Например Измерения при оценке уравнения функции спроса в упражнениях 5.3 и 5.6 Вы можете переключиться с годовых данных на квартальные пу. Тогда есть 100 наблюдений вместо 25 наблюдений. Это очень легко, большинство исследователей проводят время При применении квартальных данных во временных рядах почти автоматически.

Даже если проблема многогранна, ее можно использовать вместо годовых данных. Неравенство не стоит и сводит к минимуму теоретический разброс коэффициент регрессии. Однако такой подход Потенциальная проблема. Вы можете ввести или улучшить автокорреляцию (см. Глава 7) но это можно нейтрализовать. Вы можете взять его с собой (Или увеличить) смещение из-за ошибки измерения (см. Главу 8)

Квартальные данные измеряются с меньшей точностью, чем соответствующие Всего годовых данных. Это не так легко решить эту проблему, Не важно Используя данные перекрестной выборки, Планируя исследование, вы можете увеличить точность и просто ослабить проблему мультиколлинеарности Расходы на увеличение размера выборки.

Однако такой подход Снижение предельного дохода как стандартное отклонение Коэффициент регрессии обратно пропорционален 7l> в то время Как затраты прямо пропорциональны Так же важно, как использование данных перекрестной выборки Пройдите этап планирования вашего исследования и максимизируйте свою дисперсию Наблюдение за независимой переменной в образце. Например, в комплекте Отбор проб.

Анализ теории и метода организации выборки. Например, Л. Киш [Киш, 1965] или К. Мозер и Г. Кальтон [Мозер, Кальтон, 1979]. ) Кроме того, вы можете уменьшить значение ^. Случайные участники включают объем Динамическое воздействие всех переменных, влияющих на количество Он не включен явно в уравнение регрессии.

• Если вы принимаете идею Возможность опускать важные переменные и отображать. Поскольку это влияет на вас, добавление этого изменения может уменьшить значение ^ В уравнении регрессии. Однако, если новая переменная линейно связана с одним или несколькими Переменные, уже включенные в уравнение, все еще могут быть введены Обостряется проблема мультиколлинеарности.

Вернуться к обсуждению Этот вопрос очень важен на практике, После рассмотрения ошибки спецификации, в конце следующей главы. Наконец, об использовании самого простого метода. Вы действительно Если у вас есть возможность собрать дополнительные данные, попробуйте.

Получить образец с независимыми переменными, слабо связанными Сам (конечно, это лучше сказать, чем я). Людмила Фирмаль

Существует два типа внешней информации, которая может быть раскрыта Полезно: теоретические пределы и внешние эмпирические оценки. Teoreti Физический предел — это предположение о значении Коэффициент или некоторая связь между коэффициентами. Позвольте мне объяснить это По крайней мере. При строительстве производства Операции с использованием временных данных Серия переменных (как сделано в разделе 5.3).

Наряду с изменениями в капитале и стоимости рабочей силы, выпуск продукции Технологический прогресс может быть затронут. Если вы имеете дело С агрегированных данных невозможно количественно оценить технические данные Проще всего включить ход очереди и экспоненциальные временные тренды Напишите уравнения, функции Кобба-Дугласа, например, в виде G = AK «Lte» v, (5.47)

Где Y, K и L имеют те же определения, что и в разделе 5.3. / Час; г-темп Рост производства за счет технологических достижений. Оценивая это соотношение По данным табл. 5.1, выглядит так (стандартная ошибка показана в скобках): log Y = 2,81-0,53 log K + 0,91 log L + 0,047 /; R2 = 0,97; (5,48) (1,38) (0,34) (0,14) (0,021) F = 189,8. Очевидно, этот результат Поскольку капитальные затраты отрицательны, Стартапы с повышенными капитальными затратами.

Уравнение также показывает скорость Увеличение производства за счет технического прогресса около 4,7% в год, Это невероятно высокий балл за Пери Eau. Вот хотя бы отчасти проблематично Коэффициент корреляции между логарифмами K и t равны 0,997, а стандартная ошибка коэффициента при log Къ в 5 раз Больше, чем уравнение без /(5.32).

Поэтому стремление ввести ограничения на эффект масштаба, Если вы считаете это постоянным значением, вы можете переписать уравнение Только с двумя независимыми переменными с временным трендом, Соотношение капитала и труда как объяснение вместо трех Переменная вместо капитальных вложений. Этот показатель все еще тесно взаимосвязан.

Ван со временем (коэффициент корреляции 0,96), но степень корреляции Узор не такой высокий. Оценивая формулу (5.28) с экспоненциальным временным трендом, Нас в скобках) log Y / L = -0,11 + 0,11 log K / L + 0,006f; R2 = 0,65; (5,49) (0,03) (0,15) (0,006) F = 19,5. Оценки для a и r существенно не отличаются от нуля, но теперь намного больше. Более реалистичная, чем раньше, стандартная ошибка Формула (5.48).

Тот факт, что значение г немного отличается от нуля Заключение К. Кобба и П. Дугласа состоит в том, что общая скорость роста Продуктивность факторов за рассматриваемый период была очень низкой. Болит Срок действия этой процедуры Из-за ограничений, вы должны сначала проверить границы статистически Это описано в следующей главе. Наконец, вы можете использовать внешнюю оценку.

Если вы возобновите Ранее мы использовали формулу (5.24) в качестве формулы функции спроса са, но есть проблема мультиколлинеарности, потому что это одноразовый человек Доход и цены раскрывают временные тренды и следователей Но это тесно связано. Но предположим, что у вас также есть Перекрестная статистика y и x взята из другого образца.

Предположим, что все домохозяйства в текущем анализе заплатили за этот продукт По той же цене модель принимает следующий вид: log / = loga ‘+ p * logx’ + w ‘(5.50) Получил р \ оценщик б \ при оценке регрессионной зависимости х можно подставить в выражение (5.24). Новый сейчас Логическая переменная, равная (log y-6 ‘, log x), описывающая скорректированный спрос Изменение в доходах.

Выражение (5.25) примет следующий вид: logy = log a + p2 log / J + w (5.51) Оцените регрессию, рассчитав логику каждого наблюдения Потому что это зависит от журнала р и является независимым Переменная мультиколлинеарность автоматически исключается. Использование этого метода может вызвать две проблемы. Следует учитывать.

Во-первых, оценка P2 зависит от точности Конечно, на оценки P’p влияют ошибки Boruki. Во-вторых, предположим, что доходность равна 1 В чем смысл временных рядов и перекрестной выборки? Я не знаю, может и нет. Для большинства продуктов краткосрочные и долларовые Долгосрочная эластичность спроса на доход может варьироваться в широких пределах.

Это потому, что это влияет на характер затрат. Инерция максимальна в краткосрочной перспективе Go. Другая причина заключается в том, что изменения уровня доходов Предоставление расходов напрямую (в виде изменений бюджета) Различие) и косвенные эффекты (из-за изменения образа жизни), Кроме того, косвенные эффекты намного медленнее, чем прямые.

В первом приближении, как правило, регрессия времени Ряд дает указание, особенно с коротким периодом выборки 158 Краткосрочная эластичность Данные кросс-выборки пока имеют долгосрочную эластичность.

Для получения дополнительной информации по этому и другим связанным вопросам, Исследование Э. Ку и Дж. Мейера [Kuh, Meyer, 1957, pp. 380-393]. ) движение 5.10. Оценить логарифмическую регрессию выбранных затрат Продукты, содержащие временные тренды в уравнении (доход и Актуальная цена). Есть ли признаки мультиколлинеарности? улучшенный Результат?

Смотрите также:

• Примеры решения задач по эконометрике

Множественная регрессия в нелинейных моделях	Качество оценивания: коэффициент R2
Свойства коэффициентов множественной регрессии	Моделирование

Если вам потребуется заказать решение эконометрики вы всегда можете написать мне в whatsapp.