4.2.Методи визначення мультиколінеарності та способи її усунення.
На жаль ,немає єдиного методу для визначення мультиколінеарності. Розглянемо деякі із цих методів тестування мультиколінеарності.
1. Високе значення 2 і не значимість —статистики.
Одночасна наявність цих двох факторів є "класичною" ознакою мультиколінеарності. Розглянемо —факторну регресивну модель
(4.1).
У випадку мультиколінеарності можна визначити за —статистикою Стьюдента, що один або більше оцінених параметрів статистично не значимо відрізняються від нуля. При високому значенні 2 ми приймаємо з великим ступенем імовірності —критерій Фішера бо він відкидає нульову гіпотезу, коли
(4.2).
Тому високе значення 2 і статистична не значимість деяких параметрів може свідчити про наявність мультиколінеарності.
2. Високе значення парних коефіцієнтів кореляції.
Другим поширеним тестом на наявність мультиколінеарності є перевірка значень парних коефіцієнтів кореляції. Якщо значення хоча б одного коефіцієнта кореляції більше 0,8, то в економетричній моделі має місце мультиколінеарність. Однак високе значення парних коефіцієнтів кореляції – це достатня, але не необхідна умова наявності мультиколінеарності.
Мультиколінеарність може бути навіть при невеликих значеннях парних коефіцієнтів кореляції у більше, ніж двох факторній регресійній моделі.
Оцінити рівень мультиколінеарності можна за допомогою величини дисперсії інфляційного фактора для кожної —її змінної:
,
де —varience inflationary factor.
Значення приймається як критичне.
Якщо , то можна стверджувати про недостатність зв’язку між —м фактором і всіма іншими. Якщо , то це свідчить про наявність мультиколінеарності.
Існує декілька простих способів усунення мультиколінеарності
1. Вилучення змінної (змінних) та помилки специфікації. При високій мультиколінеарності найкраще та найлегше вивести з рівняння регресії одну із незалежних змінних, для якої парний коефіцієнт кореляції найбільший. Наприклад, якщо в економетричній моделі, яка описує рівень споживання від доходу та багатства, вивести змінну, що відповідає багатству, то отримаємо регресійну модель з однією незалежною змінною – доходом.
Але вилучення змінної з моделі може призвести до помилки специфікації. Помилка специфікації виникає через некоректне визначення моделі, що використовується в аналізі. Так, якщо за економічною теорією для пояснення розширення споживання модель повинна включати і доход і багатство, тоді вилучення змінної багатства створюватиме помилку специфікації. Це також може призвести до зміщення оцінок.
2. Перетворення змінних. Одна з причин мультиколінеарності даних є їх схильність змінюватись в одному напрямку, а один із шляхів зменшення такої залежності—використання перших різниць в моделі:
(4.3),
де .
Наведене вище рівняння відоме як рівняння перших різниць, бо ми отримали регресію не з початкових змінних, а з різниць послідовних значень змінних.
3. Збільшення числа спостережень. Оскільки мультиколінеарність змінюється у кожній вибірці, то можливо в іншій моделі вона буде відсутня. Іноді просте збільшення числа спостережень у моделі, якщо це можливо, пом’якшує проблему мультиколінеарності.
Серед інших способів слід виділити такі: використання первинної інформації, об¢єднання міжгалузевої та динамічної інформації, факторний аналіз, метод головних компонент, гребенева регресія.
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 Наверх ↑