![]() Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Несовершенная мультиколлинеарность
На практике совершенная мультиколлинеарность встречается исключительно редко. Несовершенная мультиколлинеарность, то есть стохастическая связь объясняющих переменных, характеризуется величиной коэффициента корреляции между объясняющими переменными. Чем ближе по абсолютной величине значение коэффициента корреляции к единице, тем ближе мультиколлинеарность к совершенной и тем труднее разделить влияние коррелированных объясняющих переменных на поведение зависимой переменной, и тем менее надежными будут оценки параметров регрессии при этих переменных. План действий В общем случае: 1) если при оценивании уравнения регрессии по данным выборки несколько факторов оказались незначимыми, то нужно выяснить, нет ли среди них сильно коррелированных между собой. Для этого полезно построить корреляционную матрицу, в которую включены факторы и зависимая переменная. В модель необходимо в первую очередь включать факторы, которые коррелируют с зависимой переменной и не коррелируют между собой. Существует много методов исследования мультиколлинеарности. Наиболее полно исследовать мультиколлинеарность можно с помощью метода Феррара-Глобера. При наличии межфакторной корреляции один из пары связанных между собой факторов исключается, либо в качестве объясняющего фактора берется какая-то их функция; 2) если же незначимым оказался только один фактор, то его можно исключить или заменить другим (хотя, возможно, на каком-то более коротком промежутке времени данный фактор оказался бы значимым). Наиболее характерные признаки мультиколлинеарности: 1. Небольшое изменение исходных данных (например, добавление новых наблюдений) приводит к существенному изменению оценок параметров модели. 2. Оценки параметров имеют большие стандартные ошибки, малую значимость, в то время как модель в целом является значимой (высокое значение коэффициента детерминации Забиваем Сайты В ТОП КУВАЛДОЙ - Уникальные возможности от SeoHammer
Каждая ссылка анализируется по трем пакетам оценки: SEO, Трафик и SMM.
SeoHammer делает продвижение сайта прозрачным и простым занятием.
Ссылки, вечные ссылки, статьи, упоминания, пресс-релизы - используйте по максимуму потенциал SeoHammer для продвижения вашего сайта.
Что умеет делать SeoHammer
— Продвижение в один клик, интеллектуальный подбор запросов, покупка самых лучших ссылок с высокой степенью качества у лучших бирж ссылок. — Регулярная проверка качества ссылок по более чем 100 показателям и ежедневный пересчет показателей качества проекта. — Все известные форматы ссылок: арендные ссылки, вечные ссылки, публикации (упоминания, мнения, отзывы, статьи, пресс-релизы). — SeoHammer покажет, где рост или падение, а также запросы, на которые нужно обратить внимание. SeoHammer еще предоставляет технологию Буст, она ускоряет продвижение в десятки раз, а первые результаты появляются уже в течение первых 7 дней. Зарегистрироваться и Начать продвижение 3. Оценки параметров имеют неправильные с точки зрения теории знаки или неоправданно большие значения.
Принципиальное замечание: оценка любой множественной регрессии будет страдать от мультиколлинеарности в определенной степени, если только все объясняющие переменные не окажутся абсолютно некоррелированными. Поэтому рассмотрение данной проблемы начинается только тогда, когда это серьезно влияет на результаты оценки регрессии, т.е. когда получены неудовлетворительные оценки параметров регрессии. Методы, которые могут быть использованы для смягчения мультиколлинеарности, делятся на две категории: 1. Повышение степени выполнения условий, обеспечивающих надежность оценок параметров регрессии. 2. Использование внешней информации. Первая категория методов t-статистика для оценки i -того параметра рассчитывается по формуле:
Оценка параметра является статистически значимой, если - увеличение - уменьшение Во-первых, если имеется возможность, то для сведения к минимуму теоретической дисперсии оценок параметров регрессии Во-вторых, столь же важно максимизировать выборочные дисперсии объясняющих переменных: чем больше В третьих, можно сократить величину оценки дисперсии ошибок Случайная ошибка Если, однако, новая переменная линейно связана с одной или несколькими переменными, уже включенными в уравнение, то ее введение может еще больше усугубить проблему мультиколлинеарности.
Таким образом, если число наблюдений и выборочные дисперсии объясняющих переменных велики, а дисперсия случайной ошибки мала, то в итоге можно получить вполне хорошие оценки. Вторая категория методов Существует два типа внешней информации: теоретические ограничения и внешние эмпирические оценки. Сервис онлайн-записи на собственном Telegram-боте
Попробуйте сервис онлайн-записи VisitTime на основе вашего собственного Telegram-бота:— Разгрузит мастера, специалиста или компанию; — Позволит гибко управлять расписанием и загрузкой; — Разошлет оповещения о новых услугах или акциях; — Позволит принять оплату на карту/кошелек/счет; — Позволит записываться на групповые и персональные посещения; — Поможет получить от клиента отзывы о визите к вам; — Включает в себя сервис чаевых. Для новых пользователей первый месяц бесплатно. Зарегистрироваться в сервисе
|