Kaj je večkolinearnost?
Multikolinearnost je pojav močne medsebojne povezanosti med neodvisnimi spremenljivkami v modelu z več regresijami. Večkolinearnost lahko privede do poševnih ali zavajajočih rezultatov, ko raziskovalec ali analitik poskuša ugotoviti, kako dobro je mogoče vsako neodvisno spremenljivko uporabiti najučinkoviteje za napovedovanje ali razumevanje odvisne spremenljivke v statističnem modelu. Na splošno lahko multikolinearnost vodi do širših intervalov zaupanja in manj zanesljivih vrednosti verjetnosti za neodvisne spremenljivke. Se pravi, statistični sklepi iz modela z večkolinearnostjo morda niso zanesljivi.
Razumevanje večkolinearnosti
Statistični analitiki uporabljajo več regresijskih modelov za napovedovanje vrednosti določene odvisne spremenljivke na podlagi vrednosti dveh ali več neodvisnih spremenljivk. Odvisna spremenljivka se včasih imenuje izhodna, ciljna ali merilna spremenljivka. Primer je multivariatni regresijski model, ki poskuša predvideti donosnost zalog na podlagi postavk, kot so razmerje med ceno in prihodkom, tržno kapitalizacijo, preteklo uspešnostjo ali drugimi podatki. Donosnost zalog je odvisna spremenljivka, različni deli finančnih podatkov so neodvisne spremenljivke.
Ključni odvzemi
- Večkolinearnost je statistični koncept, pri katerem so neodvisne spremenljivke v modelu medsebojno korelirane. Multikolinearnost med neodvisnimi spremenljivkami bo privedla do manj zanesljivih statističnih sklepov. Bolje je, da pri gradnji več regresijskih modelov, ki uporabljajo dve ali več spremenljivk, uporabljate neodvisne spremenljivke, ki niso med seboj povezane ali ponavljajoče se..
Večkolinearnost v modelu z več regresijami kaže, da so kolinearne neodvisne spremenljivke na nek način povezane, čeprav je razmerje lahko ali ne naključno. Na primer, pretekla uspešnost je lahko povezana s tržno kapitalizacijo, saj bodo zaloge, ki so v preteklosti poslovale dobro, imele vedno večje tržne vrednosti. Z drugimi besedami, multikolinearnost lahko obstaja, kadar sta dve neodvisni spremenljivki močno povezani. Lahko se zgodi tudi, če je neodvisna spremenljivka izračunana iz drugih spremenljivk v naboru podatkov ali če dve neodvisni spremenljivki zagotavljata podobne in ponavljajoče se rezultate.
Eden najpogostejših načinov odpravljanja problema multikolinearnosti je najprej določiti kolinearne neodvisne spremenljivke in nato odstraniti vse razen ene. Večkolinearnost je mogoče odpraviti tudi s kombiniranjem dveh ali več kolinearnih spremenljivk v eno spremenljivko. Nato se lahko izvede statistična analiza, da se preuči odnos med določeno odvisno spremenljivko in samo eno samostojno spremenljivko.
Primer večkolinearnosti
Za vlaganje je večkolinearnost običajna presoja pri izvajanju tehnične analize za napovedovanje verjetnih prihodnjih gibanj cen vrednostnega papirja, kot sta zaloga ali prihodnost blaga. Tržni analitiki se želijo izogniti uporabi tehničnih kazalcev, ki so kolinearni, ker temeljijo na zelo podobnih ali povezanih vložkih; ponavadi razkrivajo podobne napovedi glede odvisne spremenljivke gibanja cen. Namesto tega mora analiza trga temeljiti na izrazito različnih neodvisnih spremenljivkah, da se zagotovi analiza trga z različnih neodvisnih analitičnih stališč.
Znani tehnični analitik John Bollinger, ustvarjalec kazalnika Bollinger Bands, ugotavlja, da "kardinalno pravilo za uspešno uporabo tehnične analize zahteva izogibanje večkolinearnosti na podlagi kazalcev."
Za rešitev težave se analitiki izogibajo uporabi dveh ali več tehničnih kazalnikov iste vrste. Namesto tega analizirajo zaščito z eno vrsto indikatorja, kot je na primer indikator momenta, nato pa ločijo analizo z uporabo druge vrste indikatorja, kot je na primer indikator trenda.
Primer potencialne težave z večkolinearnostjo je izvedba tehnične analize le z uporabo več podobnih kazalcev, kot so stohastika, indeks relativne jakosti (RSI) in Williams% R, ki so vsi kazalniki zaleta, ki se zanašajo na podobne vložke in bodo verjetno proizvedli podobne rezultati. V tem primeru je bolje odstraniti vse kazalnike razen enega ali poiskati način, da jih več združite v samo en indikator, hkrati pa dodate tudi indikator trenda, ki verjetno ne bo močno povezan s kazalnikom trenutka.
