МУЛЬТИКОЛЛИНЕАРНОСТЬ
DESCRIPTION
МУЛЬТИКОЛЛИНЕАРНОСТЬ. Чем выше корреляция, тем выше дисперсии и больше риск получить несостоятельные оценки. В этом случае говорят о мультиколлинеарности . - PowerPoint PPT PresentationTRANSCRIPT
1
МУЛЬТИКОЛЛИНЕАРНОСТЬ
• Чем выше корреляция, тем выше дисперсии и больше риск получить несостоятельные оценки. В этом случае говорят о мультиколлинеарности.
• Высокая коррелированность не всегда ведет к несостоятельности. Например если n велико и дисперсия случайного члена мала, то можно получить состоятельные оценки.
• Любая регрессия страдает от мультиколлинеар- ности. Задача определить, когда это влияние становится существенным.
2
X2 X3 Y
10 19 51
11 21 56
12 23 61
13 25 66
14 27 71
15 29 76
МУЛЬТИКОЛЛИНЕАРНОСТЬ
3232 XXY
12 23 XX
Предположим Y = 2 + 3X2 + X3 и X3 = 2X2 - 1. Случайного возмущения нет.
3
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Графики переменных приведены выше.
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6
Y
X3
X2
4
Change Change ChangeX2 X3 Y in X2 in X3 in Y
10 19 51 1 2 5
11 21 56 1 2 5
12 23 61 1 2 5
13 25 66 1 2 5
14 27 71 1 2 5
15 29 76 1 2 5
МУЛЬТИКОЛЛИНЕАРНОСТЬ
3232 XXY
12 23 XX
Y увеличивается на 5 в каждом наблюдении при увеличении X2 на 1.
5
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Итоговое соотношение Y = 1 + 5X2.
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6
Y
X3
X2
Y = 1 + 5X2 ?
6
Change Change ChangeX2 X3 Y in X2 in X3 in Y
10 19 51 1 2 5
11 21 56 1 2 5
12 23 61 1 2 5
13 25 66 1 2 5
14 27 71 1 2 5
15 29 76 1 2 5
МУЛЬТИКОЛЛИНЕАРНОСТЬ
3232 XXY
12 23 XX
С другой стороны можно выразить Х2 через Х3.
7
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Уравнение имеет вид Y = 3.5 +2.5X3. Что предпочесть?
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6
Y
X3
X2
Y = 3.5 + 2.5X3 ?
8
МУЛЬТИКОЛЛИНЕАРНОСТЬ
uXXY 33221 23 XX
22222
22222
22222
22222
23232
323322
),(Cov))Var((Var
),(Cov),(Cov-)()Var(Cov
])[,(Cov))Var((Var
])[,(Cov)],([Cov-)()Var(Cov
),(Cov))Var((Var
),(Cov),(Cov-)()Var(Cov
XXXX
XXYXX,YX
XXXX
XXYXX,YX
XXXX
XXYXX,YXb
Определим как влияет на коэффициенты регрессии мультиколлинеарность. Подставим Х3 в выражение для b2. Выражение не зависит от .
9
МУЛЬТИКОЛЛИНЕАРНОСТЬ
00
)(Var))Var((Var
)(Var),(Cov-)()Var(Cov
),(Cov)Var()(Var
),(Cov),(Cov-)(Var)(Cov
),(Cov))Var((Var
),(Cov),(Cov-)()Var(Cov
2222
222
222
2
2222
22
22222
2
22222
222222
XXX
XYXX,YX
XXXX
XXYXX,YX
XXXX
XXYXX,YXb
Вынося µ за знак вариации и сокращая подобные члены в числителе и знаменателе получаем 0. Регрессионный коэффициент не определен. Наличие строгой связи говорит о логической ошибке спецификации.
uXXY 33221 23 XX
10
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Регрессия EARNINGS от S, ASVABC и ASVAB5. ASVAB5 - тест на скорость арифметических операций. ASVABC, оценки этого теста построены так, что имеют ожидание 50 и стандартное отклонение 10.
11
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Регрессионный коэффициент времени обучения - $0.71. Значимая оценка.
12
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Увеличение ASVABC на единицу увеличивает часовую зарплату на $0.11. Оценка значимая на уровне 2,9%.
13
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
На единицу способностей в арифметических вычислениях зарплата прибавляется на $0.08. Уровень значимости 9,7% Нужно ли включать эту переменную в уравнение?
14
. reg EARNINGS S ASVABC
Source | SS df MS Number of obs = 570---------+------------------------------ F( 2, 567) = 39.98 Model | 4745.74965 2 2372.87483 Prob > F = 0.0000Residual | 33651.2874 567 59.3497133 R-squared = 0.1236---------+------------------------------ Adj R-squared = 0.1205 Total | 38397.0371 569 67.4816117 Root MSE = 7.7039
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7390366 .1606216 4.601 0.000 .4235506 1.054523 ASVABC | .1545341 .0429486 3.598 0.000 .0701764 .2388918 _cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Без учета ASVAB5, t статистика умственных способностей была 3.60, более чем на 0.1% уровне.
15
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Причина в высокой коррелированности ASVABС и ASVAB5. Трудно определить индивидуальный эффект вносимый каждой переменной. Как следствие – неопределенность оценок регрессии.
. cor ASVABC ASVAB5(obs=570)
| ASVABC ASVAB5--------+------------------ ASVABC| 1.0000 ASVAB5| 0.6371 1.0000
16
. reg EARNINGS S ASVABC ASVAB5
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
. reg EARNINGS S ASVABC
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7390366 .1606216 4.601 0.000 .4235506 1.054523 ASVABC | .1545341 .0429486 3.598 0.000 .0701764 .2388918 _cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Большая коррелированность ведет к увеличению стандартных ошибок и свидетельствует, что эти оценки несостоятельные. Скачки регрессионных коэффициентов, большие стандартные ошибки и низкие значения t-статистики - характерные признак мультиколлинеарности.
17
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Средства уменьшения среднеквадратичного отклонения, отражающего влияние переменных не включенных в уравнение регрессии.
18
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Добавление новых переменных, вносящих существенный вклад в модель с целью уменьшения отклонения.
1) Уменьшение путем включения других релевантных переменных в регрессионную модель
2u
19
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Оценкой качества модели может служить R2.
20
. reg EARNINGS S ASVABC ASVAB5 TENURE MALE URBAN
Source | SS df MS Number of obs = 570---------+------------------------------ F( 6, 563) = 23.60 Model | 7715.87322 6 1285.97887 Prob > F = 0.0000Residual | 30681.1638 563 54.4958505 R-squared = 0.2009---------+------------------------------ Adj R-squared = 0.1924 Total | 38397.0371 569 67.4816117 Root MSE = 7.3821
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .8137184 .1563975 5.203 0.000 .5065245 1.120912 ASVABC | .0442801 .049716 0.891 0.373 -.0533714 .1419317 ASVAB5 | .1113769 .0458757 2.428 0.016 .0212685 .2014853 TENURE | .287038 .0676471 4.243 0.000 .1541665 .4199095 MALE | 3.123929 .64685 4.829 0.000 1.853395 4.394463 URBAN | 2.061867 .7274286 2.834 0.005 .6330618 3.490672 _cons | -10.60023 2.195757 -4.828 0.000 -14.91311 -6.287358------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Добавим 3 новые переменные время пребывания в должности работодателя (в неделях), пол респондента и место проживания (город, село). Все они значимы на уровне 1% или выше.
21
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 27.66 Model | 4909.11468 3 1636.37156 Prob > F = 0.0000Residual | 33487.9224 566 59.1659406 R-squared = 0.1279---------+------------------------------ Adj R-squared = 0.1232 Total | 38397.0371 569 67.4816117 Root MSE = 7.6919
. reg EARNINGS S ASVABC ASVAB5 TENURE MALE URBAN
Source | SS df MS Number of obs = 570---------+------------------------------ F( 6, 563) = 23.60 Model | 7715.87322 6 1285.97887 Prob > F = 0.0000Residual | 30681.1638 563 54.4958505 R-squared = 0.2009---------+------------------------------ Adj R-squared = 0.1924 Total | 38397.0371 569 67.4816117 Root MSE = 7.3821
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Но их вклад в итоговую объясняющую способность модели невелик.
22
. reg EARNINGS S ASVABC ASVAB5
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
. reg EARNINGS S ASVABC ASVAB5 TENURE MALE URBAN
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .8137184 .1563975 5.203 0.000 .5065245 1.120912 ASVABC | .0442801 .049716 0.891 0.373 -.0533714 .1419317 ASVAB5 | .1113769 .0458757 2.428 0.016 .0212685 .2014853 TENURE | .287038 .0676471 4.243 0.000 .1541665 .4199095 MALE | 3.123929 .64685 4.829 0.000 1.853395 4.394463 URBAN | 2.061867 .7274286 2.834 0.005 .6330618 3.490672 _cons | -10.60023 2.195757 -4.828 0.000 -14.91311 -6.287358------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Как следствие влияние на стандартные ошибки ASVABC и ASVAB5 мало значимо. Нестабильность коэффициентов – признак мультиколлинеарности
23
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Добавление новых переменных, вносящих существенный вклад в модель с целью уменьшения отклонения. Увеличение выборки переходом к более коротким интервалам (кварталам вместо года)
2) Увеличение числа наблюдений n, приводящего кувеличению бюджета обследования, или переход к более коротким интервалам обследования;
24
. reg EARNINGS S ASVABC ASVAB5
Source | SS df MS Number of obs = 2868---------+------------------------------ F( 3, 2864) = 183.45 Model | 36689.8765 3 12229.9588 Prob > F = 0.0000Residual | 190928.139 2864 66.664853 R-squared = 0.1612---------+------------------------------ Adj R-squared = 0.1603 Total | 227618.016 2867 79.3924017 Root MSE = 8.1649
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | 1.002693 .0787447 12.733 0.000 .8482905 1.157095 ASVABC | .1448345 .0241135 6.006 0.000 .097553 .1921161 ASVAB5 | .0483846 .0218352 2.216 0.027 .0055703 .091199 _cons | -9.654593 1.033311 -9.343 0.000 -11.6807 -7.628485------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Результаты построения регрессионной модели для 2,867 наблюдений.
25
. reg EARNINGS S ASVABC ASVAB5 Number of obs = 570------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7115506 .1612235 4.413 0.000 .3948811 1.02822 ASVABC | .1104595 .0504223 2.191 0.029 .0114219 .2094972 ASVAB5 | .0770794 .0463868 1.662 0.097 -.0140319 .1681908 _cons | -5.944977 2.161409 -2.751 0.006 -10.19034 -1.699616------------------------------------------------------------------------------
. reg EARNINGS S ASVABC ASVAB5 Number of obs = 2868------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | 1.002693 .0787447 12.733 0.000 .8482905 1.157095 ASVABC | .1448345 .0241135 6.006 0.000 .097553 .1921161 ASVAB5 | .0483846 .0218352 2.216 0.027 .0055703 .091199 _cons | -9.654593 1.033311 -9.343 0.000 -11.6807 -7.628485------------------------------------------------------------------------------
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Результаты построения регрессионной модели для 2,867 наблюдений. Более значимые коэффициенты. Выше t-статистка для ASVABС.
26
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Проектирование выборки так, чтобы разброс переменных был велик. Выбор единиц измерения. Включение респондентов с крайними оценками.
3) Увеличение VAR(X).
27
Зависимость от выборочного отклонения
А) Б)
МУЛЬТИКОЛЛИНЕАРНОСТЬ
-15
-10
-5
0
5
10
15
20
25
30
35
0 5 10 15 20
-15
-10
-5
0
5
10
15
20
25
30
35
0 5 10 15 20
На правой диаграмме точки Х находятся ближе друг к другу [ Var(Xa)>Var(Xб) ], что обуславливает большую возможную ошибку в значениях оценок.
10
Y Y
X X
Y = 3.0 + 0.8X
28
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Проектирование модели так, чтобы корреляция объясняющих переменных была относительно невелика.
4) Уменьшить степень коррелированности объясняющих переменных
32 ,XXr
Объединение коррелированных переменных в одну
29
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. reg EARNINGS S ASVAB2 ASVAB3 ASVAB4
Source | SS df MS Number of obs = 570---------+------------------------------ F( 4, 565) = 25.68 Model | 5906.47726 4 1476.61931 Prob > F = 0.0000Residual | 32490.5598 565 57.5054156 R-squared = 0.1538---------+------------------------------ Adj R-squared = 0.1478 Total | 38397.0371 569 67.4816117 Root MSE = 7.5832
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7362439 .1586812 4.640 0.000 .4245668 1.047921 ASVAB2 | .2472668 .0472249 5.236 0.000 .154509 .3400246 ASVAB3 | .0137422 .058716 0.234 0.815 -.1015861 .1290705 ASVAB4 | -.1051868 .0544682 -1.931 0.054 -.2121716 .001798 _cons | -4.734303 2.06706 -2.290 0.022 -8.794363 -.6742428------------------------------------------------------------------------------
Высокая коррелированность между ASVAB переменными.
. cor ASVAB2 ASVAB3 ASVAB4(obs=570)
| ASVAB2 ASVAB3 ASVAB4--------+--------------------------- ASVAB2| 1.0000 ASVAB3| 0.6916 1.0000 ASVAB4| 0.6536 0.7628 1.0000
30
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. reg EARNINGS S ASVABC
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7390366 .1606216 4.601 0.000 .4235506 1.054523 ASVABC | .1545341 .0429486 3.598 0.000 .0701764 .2388918 _cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095------------------------------------------------------------------------------
. reg EARNINGS S ASVAB2 ASVAB3 ASVAB4
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7362439 .1586812 4.640 0.000 .4245668 1.047921 ASVAB2 | .2472668 .0472249 5.236 0.000 .154509 .3400246 ASVAB3 | .0137422 .058716 0.234 0.815 -.1015861 .1290705 ASVAB4 | -.1051868 .0544682 -1.931 0.054 -.2121716 .001798 _cons | -4.734303 2.06706 -2.290 0.022 -8.794363 -.6742428------------------------------------------------------------------------------
Сравнение использования интегральной переменной ASVABC с ее компонентами. Стандартная ошибка ASVABC меньше, чем у ее компонент.
31
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Проектирование выборки так, чтобы не включать некоторые коррелированные объясняющие переменные. Опасно по причине смещения оценок из-за исключения из модели существенных переменных.
6) Исключение некоторых коррелированных переменных
32
MULTICOLLINEARITY
. reg EARNINGS S ASVAB2
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .6449415 .1519755 4.244 0.000 .3464378 .9434452 ASVAB2 | .2019724 .0376567 5.364 0.000 .1280086 .2759361 _cons | -5.796398 1.957987 -2.960 0.003 -9.642191 -1.950605------------------------------------------------------------------------------
. reg EARNINGS S ASVAB2 ASVAB3 ASVAB4
------------------------------------------------------------------------------EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- S | .7362439 .1586812 4.640 0.000 .4245668 1.047921 ASVAB2 | .2472668 .0472249 5.236 0.000 .154509 .3400246 ASVAB3 | .0137422 .058716 0.234 0.815 -.1015861 .1290705 ASVAB4 | -.1051868 .0544682 -1.931 0.054 -.2121716 .001798 _cons | -4.734303 2.06706 -2.290 0.022 -8.794363 -.6742428------------------------------------------------------------------------------
Удаление ASVAB3 и ASVAB4. Стандартные ошибки стали меньше.
33
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
Устранение мультиколлинеарности при использовании дополнительной информации.
Пример: Зависимость времени обучения от IQ, и числа лет обучения отца и матери.
7) Эмпирические и теоретические ограничения
uSFSMASVABCS 4321
34
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. reg S ASVABC SM SF
Source | SS df MS Number of obs = 570---------+------------------------------ F( 3, 566) = 110.83 Model | 1278.24153 3 426.080508 Prob > F = 0.0000Residual | 2176.00584 566 3.84453329 R-squared = 0.3700---------+------------------------------ Adj R-squared = 0.3667 Total | 3454.24737 569 6.07073351 Root MSE = 1.9607
------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527 SM | .069403 .0422974 1.641 0.101 -.013676 .152482 SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401 _cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214------------------------------------------------------------------------------
Неравные вклады отца и матери в S выглядят странными. Сильная корреляция образования при подборе супружеских пар является причиной мультиколлинеарности.
. cor SM SF(obs=570) | SM SF--------+------------------ SM| 1.0000 SF| 0.6391 1.0000
35
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Средства для смягчения мультиколлинеарности
2,2
22
32
2 1
1
)(Var XX
ub rXn
7) Эмпирические и теоретические ограничения
uSFSMASVABCS 4321
Предположим, что выдвинута гипотеза о равном вкладе родителей в образование детей, т.е. 3 = 4. Добавляя переменную SP можно получить новую модель.
43
uSPASVABC
uSFSMASVABCS
321
321 )(
36
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. g SP=SM+SF
. reg S ASVABC SP
------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- ASVABC | .1295653 .0099485 13.024 0.000 .1100249 .1491057 SP | .093741 .0165688 5.658 0.000 .0611973 .1262847 _cons | 4.823123 .4844829 9.955 0.000 3.871523 5.774724------------------------------------------------------------------------------
. reg S ASVABC SM SF
------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval]---------+-------------------------------------------------------------------- ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527 SM | .069403 .0422974 1.641 0.101 -.013676 .152482 SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401 _cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214------------------------------------------------------------------------------
Новая оценка β3 = 0.094. Это компромисс между SM и SF. Стандартная ошибка SP меньше чем у SM и SF. t-статистика очень высока. Мультиколлинеарность модели устранена.