Ano ang Multicollinearity?
Ang Multicollinearity ay ang paglitaw ng mataas na intercorrelations sa mga independiyenteng variable sa isang maramihang modelo ng regression. Ang Multicollinearity ay maaaring humantong sa skewed o nakaliligaw na mga resulta kapag ang isang mananaliksik o analyst ay nagtatangka upang matukoy kung gaano kahusay ang bawat independiyenteng variable na maaaring magamit nang epektibo upang mahulaan o maunawaan ang umaasang variable sa isang istatistikong modelo. Sa pangkalahatan, ang multicollinearity ay maaaring humantong sa mas malawak na agwat ng kumpiyansa at hindi gaanong maaasahang mga halaga ng posibilidad para sa mga malayang variable. Iyon ay, ang mga sanggunian sa istatistika mula sa isang modelo na may multicollinearity ay maaaring hindi maaasahan.
Pag-unawa sa Multicollinearity
Ang mga analyst ng istatistika ay gumagamit ng maramihang mga modelo ng muling pagbabalik upang mahulaan ang halaga ng isang tinukoy na umaasang variable batay sa mga halaga ng dalawa o higit pang mga independiyenteng variable. Ang dependant variable ay kung minsan ay tinutukoy bilang variable, target, o variable criterion. Ang isang halimbawa ay isang modelo ng regression na multivariate na nagtatangkang asahan ang mga pagbabalik ng stock batay sa mga item tulad ng mga presyo ng ratios ng presyo, capitalization ng merkado, nakaraang pagganap, o iba pang data. Ang stock return ay ang umaasa variable at ang iba't ibang mga piraso ng data sa pananalapi ay ang independiyenteng mga variable.
Mga Key Takeaways
- Ang Multicollinearity ay isang konseptong pang-istatistika kung saan ang mga independyenteng variable sa isang modelo ay may ugnayan.Multicollinearity sa mga independiyenteng variable ay magreresulta sa hindi gaanong maaasahang statistical inmissions.Ito ay mas mahusay na gumamit ng mga independyenteng variable na hindi kinakaugnay o paulit-ulit kapag nagtatayo ng maraming mga modelo ng pagbabalik na gumagamit ng dalawa o higit pang mga variable.
Ang Multicollinearity sa isang maramihang modelo ng regression ay nagpapahiwatig na ang mga independiyenteng mga variable na collector ay nauugnay sa ilang fashion, bagaman ang relasyon ay maaaring o hindi maaaring maging kaswal. Halimbawa, ang nakaraang pagganap ay maaaring nauugnay sa capitalization ng merkado, dahil ang mga stock na mahusay na gumanap sa nakaraan ay magkakaroon ng pagtaas ng mga halaga ng merkado. Sa madaling salita, maaaring magkaroon ng multicollinearity kapag ang dalawang independiyenteng variable ay lubos na nauugnay. Maaari rin itong mangyari kung ang isang independiyenteng variable ay naipon mula sa iba pang mga variable sa set ng data o kung ang dalawang independiyenteng variable ay nagbibigay ng magkatulad at paulit-ulit na mga resulta.
Ang isa sa mga pinaka-karaniwang paraan ng pagtanggal ng problema ng multicollinearity ay ang unang kilalanin ang mga independiyenteng mga variable na collinear at pagkatapos ay alisin ang lahat ngunit isa. Posible ring alisin ang multicollinearity sa pamamagitan ng pagsasama ng dalawa o higit pang mga variable ng collinear sa isang variable. Pagkatapos ay isasagawa ang pagtatasa ng istatistika upang pag-aralan ang ugnayan sa pagitan ng tinukoy na umaasang variable at iisa lamang ang independiyenteng variable.
Halimbawa ng Multicollinearity
Para sa pamumuhunan, ang multicollinearity ay isang karaniwang pagsasaalang-alang kapag nagsasagawa ng pagtatasa ng teknikal upang mahulaan ang posibleng mga paggalaw ng presyo sa hinaharap ng isang seguridad, tulad ng isang stock o isang hinaharap na kalakal. Ang mga analyst ng merkado ay nais na maiwasan ang paggamit ng mga teknikal na tagapagpahiwatig na collinear na ang mga ito ay batay sa halos kapareho o nauugnay na mga input; malamang na ibunyag nila ang mga katulad na hula tungkol sa umaasa sa variable na paggalaw ng presyo. Sa halip, ang pagsusuri sa merkado ay dapat na batay sa iba't ibang mga independiyenteng mga variable upang matiyak na pag-aralan nila ang merkado mula sa iba't ibang mga independiyenteng pananaw na pananaw.
Napansin ang teknikal na analyst na si John Bollinger, tagalikha ng tagapagpahiwatig ng Bollinger Bands, na ang tala na "ang isang panuntunang kardinal para sa matagumpay na paggamit ng teknikal na pagsusuri ay nangangailangan ng pag-iwas sa multicollinearity sa gitna ng mga tagapagpahiwatig."
Upang malutas ang problema, iwasan ng mga analista ang paggamit ng dalawa o higit pang mga teknikal na tagapagpahiwatig ng parehong uri. Sa halip, pinag-aaralan nila ang isang seguridad gamit ang isang uri ng tagapagpahiwatig, tulad ng isang tagapagpahiwatig ng momentum at pagkatapos ay gumawa ng hiwalay na pagsusuri gamit ang isang iba't ibang uri ng tagapagpahiwatig, tulad ng isang tagapagpahiwatig ng trend.
Ang isang halimbawa ng isang potensyal na problema sa multicollinearity ay ang pagsasagawa ng teknikal na pagsusuri na gumagamit lamang ng ilang magkatulad na mga tagapagpahiwatig, tulad ng stochastics, ang relasyong lakas (RSI), at Williams% R, na lahat ng mga tagapagpahiwatig ng momentum na umaasa sa magkatulad na mga input at malamang na makagawa ng katulad mga resulta. Sa kasong ito, mas mahusay na alisin ang lahat maliban sa isa sa mga tagapagpahiwatig o makahanap ng isang paraan upang pagsamahin ang ilan sa mga ito sa isang tagapagpahiwatig lamang, habang nagdaragdag din ng isang tagapagpahiwatig ng trend na hindi malamang na lubos na maiugnay sa tagapagpahiwatig ng momentum.
