Mikä on monikollineaarisuus?
Monikollineaarisuus on korkeajen korrelaatioiden esiintyminen riippumattomien muuttujien välillä moniregressiomallissa. Monikollineaarisuus voi johtaa vinoihin tai harhaanjohtaviin tuloksiin, kun tutkija tai analyytikko yrittää selvittää, kuinka hyvin kutakin itsenäistä muuttujaa voidaan käyttää tehokkaimmin ennustamaan tai ymmärtämään riippuvainen muuttuja tilastollisessa mallissa. Yleensä monikollineaarisuus voi johtaa laajempiin luottamusväleihin ja vähemmän luotettaviin todennäköisyysarvoihin riippumattomille muuttujille. Toisin sanoen monikollineaarisuusmallin tilastolliset päätelmät eivät välttämättä ole luotettavia.
Monikielisyyden ymmärtäminen
Tilastolliset analyytikot käyttävät useita regressiomalleja ennustamaan tietyn riippuvan muuttujan arvo kahden tai useamman riippumattoman muuttujan arvojen perusteella. Riippuvaista muuttujaa kutsutaan joskus tulos-, tavoite- tai kriteerimuuttujaksi. Esimerkki on monimuuttuja regressiomalli, joka yrittää ennakoida osaketuottoa tuottojen, kuten hinnan ja tuotto-suhteen, markkina-arvon, aikaisemman tuloksen tai muun tiedon perusteella. Osaketuotto on riippuvainen muuttuja ja taloudellisen datan eri bitit ovat riippumattomia muuttujia.
Avainsanat
- Monikollineaarisuus on tilastollinen käsite, jossa mallin riippumattomat muuttujat korreloidaan.Multologinen lineaarisuus riippumattomien muuttujien välillä johtaa vähemmän luotettaviin tilastollisiin päätelmiin.On parempi rakentaa riippumattomia muuttujia, jotka eivät ole korreloivia tai toistuvia, rakennettaessa useita regressiomalleja, joissa käytetään kahta tai useampaa muuttujaa.
Monikollineaarisuus moniregressiomallissa osoittaa, että kolineaariset riippumattomat muuttujat liittyvät toisiinsa jollakin tavalla, vaikka suhde voi olla tai ei ole satunnainen. Esimerkiksi aikaisempi kehitys saattaa liittyä markkina-arvoon, koska menneisyydessä hyvin menestyneiden osakkeiden markkina-arvot kasvavat. Toisin sanoen monikollineaarisuus voi esiintyä, kun kaksi riippumatonta muuttujaa korreloi voimakkaasti. Se voi tapahtua myös jos riippumaton muuttuja lasketaan muista tietojoukon muuttujista tai jos kaksi riippumatonta muuttujaa tarjoavat samanlaisia ja toistuvia tuloksia.
Yksi yleisimmistä tavoista monikollineaarisuuden ongelman poistamiseksi on ensin tunnistaa kolineaariset riippumattomat muuttujat ja poistaa sitten kaikki paitsi yksi. Monikollineaarisuus on myös mahdollista eliminoida yhdistämällä kaksi tai useampia kolineaarimuuttujia yhdeksi muuttujaksi. Tilastollinen analyysi voidaan sitten suorittaa määritetyn riippuvaisen muuttujan ja vain yhden riippumattoman muuttujan välisen suhteen tutkimiseksi.
Esimerkki monikollineaarisuudesta
Sijoittamisessa monikollineaarisuus on yleinen huomio teknisessä analyysissa arvioitaessa arvopaperin, kuten osake- tai hyödykefutuurin todennäköisiä tulevia hintamuutoksia. Markkina-analyytikot haluavat välttää kolinaaristen teknisten indikaattorien käytön, koska ne perustuvat hyvin samanlaisiin tai toisiinsa liittyviin panoksiin; niillä on taipumus paljastaa samanlaisia ennusteita hinnanmuutoksen riippuvaisesta muuttujasta. Sen sijaan markkinatutkimuksen on perustuttava selvästi erilaisiin riippumattomiin muuttujiin sen varmistamiseksi, että ne analysoivat markkinoita erilaisista riippumattomista analyyttisista näkökulmista.
Tekninen analyytikko John Bollinger, Bollinger Bands -indikaattorin luoja, toteaa, että "kardinaalisääntö teknisen analyysin onnistuneelle käytölle edellyttää monikoloraalisuuden välttämistä indikaattorien keskellä".
Analyytikot välttävät ongelman ratkaisemiseksi kahden tai useamman samantyyppisen teknisen indikaattorin käyttöä. Sen sijaan he analysoivat arvopapereita yhden tyyppisellä indikaattorilla, kuten vauhtimittarilla, ja suorittavat sitten erillisen analyysin erityyppisellä indikaattorilla, kuten trendi-indikaattorilla.
Esimerkki mahdollisesta monikollineaarisuusongelmasta on teknisen analyysin suorittaminen vain käyttämällä useita samankaltaisia indikaattoreita, kuten stokastiaa, suhteellista lujuusindeksiä (RSI) ja Williams% R: tä, jotka ovat kaikki impulssimittarit, jotka luottavat samanlaisiin syötteisiin ja todennäköisesti tuottavat samanlaisia tuloksiin. Tällöin on parempi poistaa kaikki indikaattorit paitsi yksi tai löytää tapa yhdistää useita niistä yhdeksi indikaattoriksi, samalla kun lisätään myös trendi-indikaattori, joka ei todennäköisesti korreloi voimakkaasti vauhtiindikaattorin kanssa.
