Mikä on monikollinaarisuus?
Monikollinaarisuus on tilastollinen ilmiö, jossa kaksi tai useampia regressiomallin muuttujia riippuu muista muuttujista siten, että toinen voidaan ennustaa lineaarisesti toisesta suurella tarkkuudella. Sitä käytetään yleensä havaintotutkimuksissa ja vähemmän suosittu kokeellisissa tutkimuksissa.
Monikollineaarisuuden tyypit
Monikollineaarisuutta on neljää tyyppiä
- # 1 - Perfect Multicollinearity - Se on olemassa, kun yhtälön itsenäiset muuttujat ennustavat täydellisen lineaarisen suhteen.
- # 2 - Suuri monikollineaarisuus - Se viittaa kahden tai useamman itsenäisen muuttujan väliseen lineaariseen suhteeseen, jotka eivät ole täysin korreloineet toistensa kanssa.
- # 3 - Rakenteellinen monikollineaarisuus - Tämän aiheuttaa tutkija itse lisäämällä yhtälöön erilaisia itsenäisiä muuttujia.
- # 4 - Tietopohjainen monikollinaarisuus - Se johtuu kokeista, jotka tutkija on suunnitellut huonosti.
Monikollineaarisuuden syitä
Itsenäiset muuttujat, Muuttujien muuttujat tekevät muutoksen muuttujiin vähän. Tuloksella on merkittävä vaikutus, ja tiedonkeruu viittaa otokseen valitusta populaatiosta.
Esimerkkejä monikollinaarisuudesta
Esimerkki 1
Oletetaan, että lääkeyhtiö on palkannut KC: n ABC Ltd: n tarjoamaan tutkimuspalveluja ja tilastollisia analyyseja Intian sairauksista. Tätä varten ABC Oy on valinnut iän, painon, ammatin, pituuden ja terveyden prima facie -parametreiksi.
- Edellä olevassa esimerkissä on monikollineaarisuustilanne, koska tutkimukseen valitut riippumattomat muuttujat korreloivat suoraan tuloksiin. Siksi olisi suositeltavaa, että tutkija säätää muuttujat ensin ennen projektin aloittamista, koska valittuihin muuttujiin vaikuttaa suoraan tuloksiin.
Esimerkki 2
Oletetaan, että Tata Motors on nimittänyt ABC Ltd: n ymmärtämään tata-moottoreiden myyntimäärän olevan suuri missä luokassa markkinoilla.
- Yllä olevassa esimerkissä ensinnäkin viimeistellään itsenäiset muuttujat, joiden perusteella tutkimus on saatettava päätökseen. Se voi olla kuukausitulot, ikä. Brand, alempi luokka. Se tarkoittaa vain, että valitaan tiedot, jotka sopivat kaikkiin näihin välilehtiin selvittääkseen kuinka moni voi ostaa tämän auton (tata nano) edes katsomatta mitään muuta autoa.
Esimerkki 3
Oletetaan, että ABC Ltd on palkattu toimittamaan raportti, joka tietää, kuinka monella alle 50-vuotiaalla on taipumus sydänkohtaukseen. tätä varten parametrit ovat ikä, sukupuoli, sairaushistoria
- Edellä olevassa esimerkissä on monikollinaarisuus, joka on syntynyt, koska itsenäinen muuttuja "ikä" on muutettava alle 50-vuotiaaksi kutsuttaessa yleisön hakemuksia, jotta yli 50-vuotiaat henkilöt suodatetaan automaattisesti.
Edut
Alla on joitain etuja
- Lineaarinen suhde yhtälön itsenäisten muuttujien välillä.
- Erittäin hyödyllinen tutkimuspohjaisten yritysten laatimissa tilastomalleissa ja tutkimusraporteissa.
- Suora vaikutus haluttuun tulokseen.
Haitat
Alla on joitain haittoja
- Joissakin tilanteissa tämä ongelma ratkaistaisiin keräämällä enemmän tietoja muuttujista.
- Nuken muuttujien väärä käyttö, ts. Tutkija saattaa unohtaa käyttää nuken muuttujia tarvittaessa.
- Lisätään yhtälöön 2 samaa tai identtistä muuttujaa, kuten kg ja lbs painoissa.
- Lisätään yhtälöön muuttuja, joka on yhdistelmä 2.
- Laskutoimitusten tekeminen on monimutkaista, koska se on tilastollinen tekniikka ja vaatii tilastollisten laskinten suorittamisen.
Johtopäätös
Monikollinaarisuus on yksi suosituimmista tilastollisista työkaluista, joita käytetään usein regressioanalyysissä ja tilastollisessa analyysissä suurille tietokannoille ja halutulle tulokselle. Kaikilla suurilla yrityksillä on yrityksessään erillinen tilasto-osasto, joka suorittaa tuotteiden tai ihmisten tilastollisen regressioanalyysin tarjotakseen johdolle strategisen kuvan markkinoista ja auttaakseen heitä laatimaan pitkän aikavälin strategiansa pitäen tätä mieltä. Analyysin graafinen esitys antaa lukijalle selkeän kuvan suorasta suhteesta, tarkkuudesta ja suorituskyvystä.
- Jos tutkijan tavoitteena on ymmärtää yhtälön riippumattomat muuttujat, monikollinaarisuus on hänelle suuri ongelma.
- Tutkijan on tehtävä tarvittavat muutokset muuttujiin itse vaiheessa 0, muuten sillä voi olla valtava vaikutus tuloksiin.
- Monikollineaarisuus voidaan tehdä tutkimalla korrelaatiomatriisia.
- Korjaavilla toimenpiteillä on merkittävä rooli monikollinaarisuuden ongelmien ratkaisemisessa.
