Բազմագծայինությունը խնդիր է, քանի որ այն խաթարում էանկախ փոփոխականի վիճակագրական նշանակությունը: Այլ հավասար բաների դեպքում, որքան մեծ է ռեգրեսիայի գործակցի ստանդարտ սխալը, այնքան քիչ հավանական է, որ այս գործակիցը կլինի վիճակագրորեն նշանակալի:
Ինչպե՞ս գիտեք, արդյոք բազմակողմանիությունը խնդիր է:
Բազմագծայինությունը չափելու եղանակներից մեկն է ինֆլյացիայի շեղման գործոնը (VIF), որը գնահատում է, թե որքանով է մեծանում գնահատված ռեգրեսիոն գործակցի շեղումը, եթե ձեր կանխատեսողները փոխկապակցված են: … 5-ի և 10-ի միջև VIF-ը ցույց է տալիս բարձր հարաբերակցություն, որը կարող է խնդրահարույց լինել:
Արդյո՞ք կոլինայնությունը կանխատեսման խնդիր է:
Բազմագծայինությունը դեռևս խնդիր է կանխատեսող ուժի համար: Ձեր մոդելը կհամապատասխանի և ավելի քիչ հավանական է ընդհանրացնի նմուշից դուրս տվյալներին: Բարեբախտաբար, ձեր R2-ը չի ազդի, և ձեր գործակիցները դեռ անաչառ կլինեն:
Ինչու է կոլինայնությունը խնդիր ռեգրեսիայի մեջ:
Բազմագծայինությունը նվազեցնում է գնահատված գործակիցների ճշգրտությունը, ինչը թուլացնում է ձեր ռեգրեսիոն մոդելի վիճակագրական հզորությունը: Հնարավոր է՝ չկարողանաք վստահել p-արժեքներին՝ վիճակագրորեն նշանակալի անկախ փոփոխականները բացահայտելու համար:
Ե՞րբ պետք է անտեսել համադրելիությունը:
Այն մեծացնում է դրանց գործակիցների ստանդարտ սխալները և կարող է այդ գործակիցները մի քանի առումներով անկայուն դարձնել: Բայց այնքան ժամանակ, քանի դեռ համագիծըփոփոխականները օգտագործվում են միայն որպես հսկիչ փոփոխականներ, և դրանք համակցված չեն ձեր հետաքրքրող փոփոխականների հետ, խնդիր չկա:
