Корреляционный анализ

Корреляции — набор данных logdat1

Коэффициенты корреляции Пирсона / Вероятность > |R | при Pho = 0 / N =

	LOGY	LOGX2	LOGX3	LOGX4	LOGX5
ГОД	0.01405	0.99965	0.98631	0.78259	0.94477
	0.9493	0.0001	0.0001	0.0001	0.0001
Y	0.99300	0.03801	0.08952	-0.03297	-0.16982
	0.0001	0.8633	0.6846	0.8813	0.4385
X2	0.01003	0.99949	0.98494	0.78092	0.94561
	0.9638	0.0001	0.0001	0.0001	0.0001
X3	0.06379	0.99099	0.99607	0.70413	0.92003
	0.7725	0.0001	0.0001	0.0002	0.0001
X4	-0.13861	0.77956	0.68761	0.98780	0.78467
	0.5282	0.0001	0.0003	0.0001	0.0001
X5	-0.27071	0.91010	0.87116	0.76427	0.99004
	0.2115	0.0001	0.0001	0.0001	0.0001
LOGY	1.00000	0.01501	0.06686	-0.06303	-0.20006
	0.0	0.9458	0.7618	0.7751	0.3601
LOGX2	0.01501	1.00000	0.98824	0.77776	0.94575
	0.9458	0.0	0.0001	0.0001	0.0001
LOGX3	0.06686	0.98824	1.00000	0.69058	0.91847
	0.7618	0.0001	0.0	0.0003	0.0001
LOGX4	-0.06303	0.77776	0.69058	1.00000	0.76807
	0.7751	0.0001	0.0003	0.0	0.0001
LOGX5	-0.20006	0.94575	0.91847	0.76807	1.00000
	0.3601	0.001	0.0001	0.0001	0.0

0.98824 — поправка X₂ и X₃

D. Последствия мультиколлинеарности

1. Точная мультиколлинеарность: Модель не может быть (уникально) оценена. () является сингулярным.

2. Любая другая степень мультиколлинеарности: Модель может быть оценена. Однако, стандартные ошибки оцененных параметров, которые являются высоко коллинеарными, будет слишком велики.

s.e является "БОЛЬШИМ"

[Кое-что / "БОЛЬШОЙ"] = малая величина

 

более вероятно, что закончиться: не может отклонить H_o

Мы склоняемся к тому, чтобы сделать вывод о том, что независимая переменная в уравнении регрессии X_j является insignig.

 

ЗАМЕЧАНИЕ: Мультиколлинеарность не является нарушением допущений Гаусса и Маркова. Поэтому оценки параметра будут все еще несмещенны, плотны и действенны (СИНИМИ) при наличии мультиколлинеарности.

E. Пути Исправления / Имеющий дело м мультиколлинеарностью

 

1. Ничего не делать.

методом обыкновенных наименьших квадратов все еще является Синим

действующий с низкими t-начинающего.

2. Увеличить объем выборки.

3. Опустить одну из высоко коррелированых независимых переменных в уравнении регрессии.

Теории должна определить, какие независимые переменные в уравнении регрессии находятся в модели, а какие - нет.

будет смещен (не СИНИЙ)

Мы можем терять эффективность

4. Применить методику "Оценки сужения".

(A) оценки правила Stein

Оценить и посмотреть , потом умножить и s.e. на некоторую дробь меньше 1 (но близкую к 1).

Это делает s.e меньшим, а t-статистический параметр большим. Следовательно является смещенным и несовместным.

(B) Регрессия Ребра

Задача: () является почти единственным решением: и некоторый + малая константа ко всем диагональным элементам ()

смещен и неэффективнен. Следовательно он делает () "менее" сингулярным.

5. Откажитесь от этого; начните работать над чем-либо еще.