Олон шугаман байдал нь бие даасан хувьсагчийн статистикийн ач холбогдлыг сулруулдаг тул асуудал үүсгэдэг. Бусад зүйлс тэнцүү байх тусам регрессийн коэффициентийн стандарт алдаа их байх тусам энэ коэффициент статистикийн ач холбогдолтой байх магадлал бага болно.
Олон шугаман холболт нь асуудал гэдгийг яаж мэдэх вэ?
Олон хэлхээ холбоог хэмжих нэг арга бол хэлбэлзлийн инфляцийн хүчин зүйл (VIF) бөгөөд хэрэв таны таамаглагчид харилцан хамааралтай байвал тооцоолсон регрессийн коэффициентийн хэлбэлзэл хэр их өсөхийг үнэлдэг. … 5-аас 10-ын хоорондох VIF нь асуудал үүсгэж болзошгүй өндөр хамаарлыг илтгэнэ.
Холлинеар байдал нь таамаглахад асуудал үүсгэдэг үү?
Олон уялдаа холбоо нь урьдчилан таамаглах чадварын асуудал хэвээр байна. Таны загвар хэт зохицож, түүврээс гадуурх өгөгдлийг нэгтгэх магадлал бага байх болно. Аз болоход, таны R2-д нөлөөлөхгүй бөгөөд таны коэффициентүүд тэгш бус хэвээр байх болно.
Яагаад регрессийн үед конлинеари асуудал гардаг вэ?
Multicollinearity тооцоолсон коэффициентүүдийн нарийвчлалыг бууруулдаг нь таны регрессийн загварын статистик хүчийг сулруулдаг. Та статистикийн ач холбогдолтой бие даасан хувьсагчдыг тодорхойлохын тулд p-утгад итгэх боломжгүй байж магадгүй.
Хэмцээний хамаарлыг хэзээ үл тоомсорлох ёстой вэ?
Энэ нь тэдгээрийн коэффициентүүдийн стандарт алдааг ихэсгэх ба тэдгээр коэффициентуудыг хэд хэдэн аргаар тогтворгүй болгож болзошгүй. Гэхдээ collinear байх л болхувьсагчдыг зөвхөн хяналтын хувьсагч болгон ашигладаг бөгөөд тэдгээр нь таны сонирхож буй хувьсагчтай давхцдаггүй тул ямар ч асуудал байхгүй.
