Multikolinearitāte (definīcija, veidi) Top 3 piemēri ar skaidrojumu

Kas ir multikolinearitāte?

Multikolinearitāte ir statistikas parādība, kurā divi vai vairāki mainīgie regresijas modelī ir atkarīgi no pārējiem mainīgajiem lielumiem tādā veidā, ka vienu no otra var lineāri paredzēt ar lielu precizitātes pakāpi. To parasti izmanto novērojumu pētījumos un mazāk populāri eksperimentālos pētījumos.

Multikolinearitātes veidi

Ir četri daudzkolinearitātes veidi

  • # 1 - perfekta daudzkolinearitāte - tā pastāv, kad vienādojuma neatkarīgie mainīgie paredz perfektu lineāro sakarību.
  • # 2 - Augsta daudzkolinearitāte - tā attiecas uz lineāru saistību starp diviem vai vairākiem neatkarīgiem mainīgajiem, kas nav pilnīgi savstarpēji saistīti.
  • # 3 - Strukturālā daudzkolinearitāte - to izraisa pats pētnieks, ievietojot vienādojumā dažādus neatkarīgus mainīgos.
  • # 4 - uz datiem balstīta daudzkolaritāte - to izraisa eksperimenti, kurus pētnieks ir slikti izstrādājis.

Multikolinearitātes cēloņi

Neatkarīgie mainīgie, Mainīgo parametru izmaiņas dara, ka nedaudz mainoties mainīgajiem, ir būtiska ietekme uz rezultātu, un datu kolekcijas attiecas uz atlasītās populācijas izlasi.

Multikolinearitātes piemēri

1. piemērs

Pieņemsim, ka farmācijas uzņēmums algo ABC Ltd KPO, lai sniegtu pētījumu pakalpojumus un statistisko analīzi par slimībām Indijā. Šim nolūkam ABC kā prima facie parametrus ir izvēlējies vecumu, svaru, profesiju, augumu un veselību.

  • Iepriekš minētajā piemērā pastāv multikolinearitātes situācija, jo pētījumam izvēlētie neatkarīgie mainīgie ir tieši saistīti ar rezultātiem. tāpēc pētniekam būtu ieteicams pirms projekta uzsākšanas vispirms pielāgot mainīgos, jo šeit atlasīto mainīgo dēļ tiks tieši ietekmēti rezultāti.

2. piemērs

Pieņemsim, ka ABC Ltd ir iecēlusi Tata Motors, lai saprastu, kurā tirgus kategorijā tata motoru pārdošanas apjoms būs liels.

  • Iepriekš minētajā piemērā vispirms tiks pabeigti neatkarīgi mainīgie, pamatojoties uz kuriem jāpabeidz pētījums. tie var būt ikmēneša ienākumi, vecums. zīmols, zemākā klase. Tas nozīmē tikai to, ka tiks atlasīti dati, kas iekļausies visās šajās cilnēs, lai noskaidrotu, cik daudz cilvēku var iegādāties šo automašīnu (tata nano), nemaz neskatoties uz citu automašīnu.

3. piemērs

Pieņemsim, ka ABC Ltd ir pieņemta darbā, lai iesniegtu ziņojumu, lai uzzinātu, cik cilvēku, kas jaunāki par 50 gadiem, ir pakļauti sirdslēkmei. šim nolūkam parametri ir vecums, dzimums, slimības vēsture

  • Iepriekš minētajā piemērā ir daudzkolinearitāte, kas radusies tāpēc, ka, lai uzaicinātu sabiedrības pieteikumus, ir jāpielāgo neatkarīgais mainīgais “vecums” līdz vecumam līdz 50 gadiem, lai personas, kuras ir vecākas par 50 gadiem, automātiski tiktu filtrētas.

Priekšrocības

Zemāk ir daži no priekšrocībām

  • Lineārā sakarība starp neatkarīgajiem mainīgajiem vienādojumā.
  • Ļoti noderīgi uz statistiku balstītos uzņēmumos sagatavotos statistikas modeļos un pētījumu ziņojumos.
  • Tieša ietekme uz vēlamo rezultātu.

Trūkumi

Zemāk ir minēti daži trūkumi

  • Dažās situācijās šis jautājums tiktu atrisināts, vācot vairāk datu par mainīgajiem lielumiem.
  • Nepareiza fiktīvo mainīgo izmantošana, ti, pētnieks var aizmirst izmantot fiktīvos mainīgos, kad tas ir nepieciešams.
  • 2 vienādu vai identisku mainīgo ievietošana vienādojumā, piemēram, kg un lbs svaros.
  • Vienādojumā ievietojot mainīgo, kas sastāv no 2.
  • Aprēķinu veikšana ir sarežģīta, jo tā ir statistikas tehnika, un izpildei nepieciešami statistikas kalkulatori.

Secinājums

Multikolinearitāte ir viens no visvairāk iecienītajiem statistikas rīkiem, ko bieži izmanto regresijas analīzē un statistiskajā analīzē lielām datu bāzēm un vēlamajam iznākumam. Visu lielāko uzņēmumu uzņēmumā ir atsevišķa statistikas nodaļa, kas veic statistikas regresijas analīzi par produktiem vai cilvēkiem, lai vadībai sniegtu stratēģisku tirgus priekšstatu un palīdzētu viņiem izstrādāt ilgtermiņa stratēģijas, paturot to prātā. Analīzes grafiskais attēlojums sniedz lasītājam skaidru priekšstatu par tiešajām attiecībām, precizitāti un veiktspēju.

  • Ja pētnieka mērķis ir izprast vienādojuma neatkarīgos mainīgos, viņam daudzkolinearitāte būs liela problēma.
  • Pētniekam ir jāveic nepieciešamās izmaiņas mainīgajos pašā 0 posmā, pretējā gadījumā tam var būt liela ietekme uz rezultātiem.
  • Multikolinearitāti var veikt, pārbaudot korelācijas matricu.
  • Ārkārtas pasākumiem ir nozīmīga loma multikolinearitātes problēmu risināšanā.