200 likes | 555 Views
NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI. 20 1 3-0 4 - 24 Literatūra: D.Gujarati “Basic Econometrics” McGraw-Hill, Part 2 “ relaxing the Assumption of the Classical Model”. 10 skyrelis “Multicollinearity and Micronumerosity.
E N D
NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINERUMO PROBLEMA IR JOS SPRENDIMO BŪDAI 2013-04-24 Literatūra: D.Gujarati “Basic Econometrics” McGraw-Hill, Part 2 “ relaxing the Assumption of the Classical Model”. 10 skyrelis “Multicollinearity and Micronumerosity.
NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINEARUMO PROBLEMA IR JOS SPRENDIMO BŪDAI • Multikolinearumo problemos esmė • Multikolinearumo diagnostika • Multikolinearumo eliminavimo būdai
Klasikinės regresijos prielaidos • Prielaidos, kurios susiję su tam tikrais reikalavimais duomenims • 5, 7 ir 8 prielaidos • Prielaidos susiję su modelio paklaidomis εi • 2,3,4,6 ir 9
NEPRIKLAUSOMŲ KINTAMŲJŲ MULTIKOLINEARUMO PROBLEMA IR JOS SPRENDIMO BŪDAI • Multikolinearumo problemos esmė • Multikolinearumo diagnostika • Multikolinearumo eliminavimo būdai
MULTIKOLINEARUMOproblemos esmė Multikolinearumo simptomai: • įverčiai labai nestabilūs • determinacijos koeficiento reikšmė R2 artima 1, o įverčių tapsk statistikų reikšmės artimos 0
X1 X1 X2 X1 X2 MULTIKOLINEARUMOproblemos esmė X1 X2 Y Silpnas multikolinearumas Nėra multikolinearumo Y Stiprus multikolinearumas Y
MULTIKOLINEARUMO PROBLEMOS ESMĖKodėl multikolinearumas blogai? Kai r12 = 1 • negalime apskaičiuoti SEbj, tbj, intervalinių iverčių Kai r12 1 • labai didelės įverčių standartinės paklaidos SEbj,, • tbj,- labai mažos, • intervaliniai iverčiai labai platūs.
GEROJI ŽINIA APIE MULTIKOLINEARUMĄ. • Regresijos koeficientai yra nepaslinkti, suderinti ir efektyvūs, bet įvertinti koeficientai bus tikslesni, jeigu veiksniai nebus kolinearūs • Regresinis modelis su multikolineariais veiksniais gali būti naudojamas prognozavimui.
2. MULTIKOLINEARUMO DIAGNOSTIKA Diagnozavimo metodai: • Porinių koreliacijos koeficientų panaudojimas • Porinių koreliacijų matrica • Farrar Glauber metodas • Dauginės determinacijos koeficientų panaudojimas • VIF statistika • Tolerancijos matas TOL
MULTIKOLINERUMO DIAGNOSTIKA 2. Porinių koreliacijų matrica Yi=b0+ b1X1i+ b2X2i + …bkXki+ei Koreliacijos koeficientų tarp Xj matrica Koreliacijos koeficientų tarp Y ir Xj kintamųjų vektorius r1 r2 r3 r4 rk 1 r12 r13 … r1 k r2 1 1r23 ...r2k r31 r32 1 r3k rk 1 rk2 rk3 ... 1 KyX = KXX =
2. MULTIKOLINERUMO DIAGNOSTIKA Nykščio taisyklė Jeigu porinės koreliacijos koeficientas |rij | yra didesnis už 0.8, tuomet regresinis modelis pasižymi interkoreliacija tarp iirXj veiksnių.
2. MULTIKOLINEARUMO DIAGNOSTIKAR2 panaudojimas Yi=b0+ b1X1i+ b2X2i +b3X3 + b4X4i+ei Apskaičiuojame pagalbines dauginės regresijos lygtis X1i = 1c0 + 1c2X2i + 1c3X3i + 1c4X4i + 1ei 1R2 X2i = 2c0 + 2c1XIi + 2c3X3i + 2c4X4i + 2ei 2R2 X31= 3c0 + 3c1X1i + 3c2X2i +3c4X4i + 3ei 3R2 X4 i= 4c0 + 4c1X1i + 4c2X2i + 4c3X3i + 4ei 4R2
2. MULTIKOLINEARUMO DIAGNOSTIKAR2 panaudojimas Nykščio taisyklė Jeigu kurios nors pagalbinės dauginės regresijos jR2 koeficiento reikšmė yra didesnė už pagrindinės lygties R2 reikšmę, tuomet apskaičiuotas regresinis modelis pasižymi multikolinearumu
2. MULTIKOLINEARUMO DIAGNOSTIKAVIF statistikos panaudojimas Nykščio taisyklė Tarp nepriklausomų kintamųjų yra stiprus multikolinearumas , jei VIF(Xj)>5 Tolerancijos matas
MULTIKOLINERUMO SUSILPNINIMO BŪDAI • Vieno ar kelių stipriai koreliuotų veiksnių pašalinimas • Papildomų duomenų įtraukimas • Duomenų koregavimas • Laiko ir atrankinių duomenų derinimas
Xmū= 101,30 +0.36Xtū + 3,06Dvm + eiR2= 0.24 VIF=1.32 Xtū= 93,44 + 0.52Xmū + 1.85Dvm + eiR2= 0.18 VIF=1.22 Dvm= -2,26 +0,03Xmū + 0,01Xtū + eiR2= 0.09 VIF=1.1
Regresijos su mažu stebėjimų skaičiumi problemos • įverčiai labai nestabilūs • Didelės standartinės paklaidos • Labai platūs pasikliautini intervalai • determinacijos koeficiento reikšmė R2 artima 1, o įverčių tapsk statistikų reikšmės artimos 0