Содержание
- 2. 2 Первый метод гласит: если коррелированные переменные одинаковы по своему принципу, то резонно было объединить их
- 3. 3 Данное действие определенно можно выполнить с помощью трех (ASVAB) показателей. ASVABC считается как среднее значение
- 4. 4 Объединение и подсчет среднего значения этих трех показателей поможет установить большую связь (корреляцию), нежели использование
- 5. (2) Отбрасывание (упущение) одной из коррелированных переменных. 5 Второй Метод: в случае если одна из коррелированных
- 6. 6 Однако, такой подход к решению может быть опасным. Вполне возможно, что переменная с незначительным коэффициентом
- 7. 7 Если такое происходит, то метод «упущения» приведет к неправильным расчетам. (Подробнее в главе 6) Возможные
- 8. 8 Третий метод решения проблем с мультиколлинеарностью это использование дополнительной информации об одной из переменных, если
- 9. 9 Предположим, что Y это количество потребительских расходов, X это количество располагаемого личного дохода, а P
- 10. 10 Чтобы оперировать данным методом, необходимо использовать временные ряды. Если показатели X и P являются значимыми
- 11. 11 Полученные в ходе опроса данные о доходах и расходах. Регрессия Y’ от X'. (отметка ‘
- 12. 12 Это (простая) линейная регрессия, потому что в ходе опроса был выявлен сравнительно маленький разброс цены,
- 13. 13 Рассмотрим величину для β2 во временных рядах. Сократим X с обеих сторон, и создадим регрессию
- 14. 14 Существует несколько проблем, связанных с данным методом. Во-первых, коэффициент β2 во временных рядах, может отличаться
- 15. 15 Во-вторых, Изначально мы вычисляли предполагаемую единицу X, а не исконно верную β 2X. При построении
- 16. 16 Последний, среди приведенных косвенных методов по улучшению мультиколлинеарности, это метод теоретического сокращения, который определяется как
- 17. 17 Данный метод можно объяснить с помощью простой модели на примере сверху. Предположим, что значение переменной
- 18. 187 Значение S увеличивается на 0.09 за каждую дополнительную полученную степень образования у мамы, и на
- 19. 19 Образование у мамы считается как минимум важнее чем образование, полученное папой, по меркам образовательной подготовки.
- 20. 20 Однако соединение показателей ведет к корреляции между SM и SF и регрессия может пострадать из
- 21. 21 Предположим, что образование (показатели образования) мамы и папы одинаково важны, в таком случае мы можем
- 22. 22 Это позволит нам переформировать уравнение, как показано на экране. Возможные косвенные показатели для улучшения мультиколлинеарности.
- 23. 23 Определяем SP как сумму SM и SF, переформировываем уравнение, как показано на экране. Проблема, вызванная
- 24. . g SP=SM+SF . reg S ASVABC SP ---------------------------------------------------------------------------- Source | SS df MS Number of
- 25. . g SP=SM+SF . reg S ASVABC SP ---------------------------------------------------------------------------- S | Coef. Std. Err. t P>|t|
- 26. 26 Стандартная ошибка SP значительно меньше чем у SM и SF. Использование ограничения привело нас к
- 28. Скачать презентацию