Содержание
- 2. 2 Прежде чем сделать это, необходимо подчеркнуть два важных момента. Во-первых, мультиколлинеарность не приводит к смещению
- 3. 3 Проблема в том, что они имеют неудовлетворительно большие отклонения. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
- 4. 4 Во-вторых, стандартные ошибки и t-тесты остаются в силе. Стандартные ошибки больше, чем они были бы
- 5. 5 Проблема мультиколлинеарности обусловлена тем, что дисперсии коэффициентов неудовлетворительно велики. В этой последовательности мы рассмотрим возможные
- 6. 6 Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ
- 7. 7 Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ
- 8. 8 Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ
- 9. 9 Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии. . ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ,
- 10. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 10 Начнем с n, количества наблюдений.
- 11. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 11 Предположим, что исследуются детерминанты образовательного уровня. На выходе показан
- 12. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 12 Пояснительными переменными являются ASVABC, SM и SF. ASVABC -
- 13. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 13 Все коэффициенты регрессии являются положительными, как и ожидалось, но
- 14. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 14 Материнское образование можно разумно считать мощным детерминантом образовательного уровня.
- 15. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 16 Наиболее вероятным объяснением является многоколлинеарность, учитывая, что из-за ассортативного
- 16. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 16 Вот результат регрессии с той же спецификацией, используя все
- 17. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 17 Сравнивая этот результат с использованием набора данных 21, мы
- 18. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 18 Как следствие, статистика t всех переменных велика и коэффициенты
- 19. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 19 Этот пример является искусственным, потому что набор данных 21
- 20. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 20 Если вы работаете с данными поперечного сечения (люди, домашние
- 21. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 21 Кроме того, вы можете сделать фиксированный бюджет пойти дальше,
- 22. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 22 You select a number of these randomly, perhaps using
- 23. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ 23 You then confine the survey to the areas selected.
- 24. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ (1) Увеличьте количество наблюдений. Опросы: увеличение бюджета, использование кластеризации. Временные
- 25. (2) Уменьшите, включив в модель дополнительные релевантные переменные 25 Мы могли бы уменьшить дисперсию, добавив в
- 26. 26 Здесь мы добавили в спецификацию фиктивную переменную MALE. Использование фиктивных переменных будет подробно описано в
- 27. 27 Коэффициент MALE указывает на то, что, контролируя другие характеристики, мужчины, как правило, имеют менее 0,67
- 28. 28 Значение t и значение p показывают, что эффект очень значителен, поэтому включение MALE, похоже, улучшило
- 29. 29 С включением MALE RSS упал с 2519 до 2463. Как следствие, упал с 5,08 до
- 30. 30 Хотя это шаг в правильном направлении, он очень мал. Как следствие, уменьшение стандартной погрешности коэффициента
- 31. 31 Этот результат на самом деле довольно типичен. Вероятно, вы уже включили все основные переменные в
- 32. 32 Этот подход может даже иметь эффект, противоположный намеченному. Стандартные ошибки существующих переменных в спецификации могут
- 33. 33 Третьим возможным способом уменьшения проблемы многоколлинеарности может быть увеличение вариации объясняющих переменных. Это возможно только
- 34. 34 Например, если вы планируете опрос домашних хозяйств с целью изучения того, как структура расходов варьируется
- 36. Скачать презентацию