Apa itu Multicollinearity?
Multicollinearity adalah kejadian intercorrelations yang tinggi di antara pembolehubah bebas dalam model regresi berganda. Multicollinearity boleh menyebabkan hasil yang miring atau mengelirukan apabila seorang penyelidik atau penganalisis cuba untuk menentukan seberapa baik setiap pemboleh ubah bebas boleh digunakan paling berkesan untuk meramalkan atau memahami pemboleh ubah bergantung dalam model statistik. Secara umum, multicolarisar boleh membawa kepada selang keyakinan yang lebih luas dan nilai kebarangkalian yang kurang dipercayai untuk pembolehubah bebas. Iaitu, kesimpulan statistik dari model dengan multicollineariti mungkin tidak boleh dipercayai.
Memahami Multicollinearity
Penganalisis statistik menggunakan beberapa model regresi untuk meramalkan nilai pembolehubah bergantung bergantung pada nilai dua atau lebih pembolehubah bebas. Pemboleh ubah bergantung kadang-kadang dirujuk sebagai pemboleh ubah, sasaran, atau pembolehubah. Contohnya adalah model regresi multivariat yang cuba menjangka pulangan saham berdasarkan item seperti nisbah harga kepada pendapatan, permodalan pasaran, prestasi lalu atau data lain. Pulangan saham adalah pemboleh ubah bergantung dan pelbagai bit data kewangan adalah pembolehubah bebas.
Takeaways Utama
- Multicollinearity adalah konsep statistik di mana pembolehubah bebas dalam model berkorelasi.Multicollinearity di kalangan pembolehubah bebas akan menghasilkan inferens statistik yang kurang boleh dipercayai.Ia lebih baik menggunakan pembolehubah bebas yang tidak berkorelasi atau berulang apabila membina model regresi berganda yang menggunakan dua atau lebih pembolehubah.
Multicollinearity dalam model regresi berganda menunjukkan bahawa pembolehubah bebas kollinear dikaitkan dalam beberapa fesyen, walaupun hubungan itu mungkin atau mungkin tidak kasual. Contohnya, prestasi lalu mungkin berkaitan dengan permodalan pasaran, kerana stok yang telah menunjukkan prestasi yang baik pada masa lalu akan meningkatkan nilai pasaran. Dalam erti kata lain, multicollinearity boleh wujud apabila dua pemboleh ubah bebas sangat berkorelasi. Ia juga boleh berlaku jika pembolehubah bebas dikira daripada pembolehubah lain dalam set data atau jika dua pembolehubah bebas memberikan hasil yang sama dan berulang.
Salah satu cara yang paling biasa untuk menghapuskan masalah multicollinearity ialah mengenal pasti pembolehubah bebas kollinear terlebih dahulu dan kemudian menghapus semua kecuali satu. Ia juga mungkin untuk menghapuskan multicollinearity dengan menggabungkan dua atau lebih pembolehubah kollinear menjadi pemboleh ubah tunggal. Analisis statistik kemudiannya dapat dijalankan untuk mengkaji hubungan antara pemboleh ubah bergantung tertentu dan hanya pemboleh ubah bebas tunggal.
Contoh Multicollinearity
Untuk melabur, multicolarisar adalah pertimbangan yang sama apabila menjalankan analisa teknikal untuk meramalkan pergerakan harga masa depan keselamatan, seperti saham atau masa depan komoditi. Penganalisis pasaran ingin mengelakkan menggunakan petunjuk teknikal yang bersifat collinear kerana ia berdasarkan input yang sangat serupa atau yang berkaitan; mereka cenderung untuk mendedahkan ramalan serupa mengenai pembolehubah pergerakan harga yang bergantung. Sebaliknya, analisis pasaran mestilah berasaskan pemboleh ubah bebas yang ketara untuk memastikan mereka menganalisis pasaran dari sudut pandang analisis bebas yang berbeza.
Penganalisis teknikal yang dicatatkan John Bollinger, pencipta penunjuk Bollinger Bands, menyatakan bahawa "peraturan kardinal untuk kejayaan penggunaan analisis teknikal menghendaki mengelakkan multicolarisar di tengah petunjuk."
Untuk menyelesaikan masalah ini, penganalisis mengelakkan menggunakan dua atau lebih penunjuk teknikal jenis yang sama. Sebaliknya, mereka menganalisis keselamatan menggunakan satu jenis penunjuk, seperti penunjuk momentum dan kemudian melakukan analisis berasingan menggunakan penunjuk jenis yang berbeza, seperti penunjuk arah.
Satu contoh masalah multicollineariti yang berpotensi adalah melakukan analisis teknikal hanya menggunakan beberapa petunjuk yang serupa, seperti stokastik, indeks kekuatan relatif (RSI), dan Williams% R, yang semuanya adalah petunjuk momentum yang bergantung pada input yang serupa dan kemungkinan menghasilkan serupa keputusan. Dalam kes ini, lebih baik untuk menghapuskan semua kecuali salah satu indikator atau mencari cara untuk menggabungkan beberapa daripadanya menjadi hanya satu indikator, sementara juga menambahkan penunjuk trend yang tidak berkorelasi dengan indikator momentum.
