Разделы презентаций

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ ДЛЯ УМЕНЬШЕНИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ 1 Что вы можете

Содержание

2Прежде чем сделать это, необходимо подчеркнуть два важных момента. Во-первых, мультиколлинеарность не приводит к смещению коэффициентов регрессии.ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайды и текст этой презентации

Слайд 1ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ ДЛЯ УМЕНЬШЕНИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ
1
Что вы можете сказать о

мультиколлинеарности, если вы столкнулись с этим? Мы обсудим некоторые возможные

меры, рассматривая модель с двумя объясняющими переменными.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ ДЛЯ УМЕНЬШЕНИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ1Что вы можете сказать о мультиколлинеарности, если вы столкнулись с этим? Мы

Слайд 22
Прежде чем сделать это, необходимо подчеркнуть два важных момента. Во-первых,

мультиколлинеарность не приводит к смещению коэффициентов регрессии.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ

АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
2Прежде чем сделать это, необходимо подчеркнуть два важных момента. Во-первых, мультиколлинеарность не приводит к смещению коэффициентов регрессии.ВОЗМОЖНЫЕ

Слайд 33
Проблема в том, что они имеют неудовлетворительно большие отклонения.
ВОЗМОЖНЫЕ ПРЯМЫЕ

МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

3Проблема в том, что они имеют неудовлетворительно большие отклонения.ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайд 44
Во-вторых, стандартные ошибки и t-тесты остаются в силе. Стандартные ошибки

больше, чем они были бы в отсутствие мультиколлинеарности, предупреждая нас,

что оценки регрессии неустойчивы.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

4Во-вторых, стандартные ошибки и t-тесты остаются в силе. Стандартные ошибки больше, чем они были бы в отсутствие

Слайд 55
Проблема мультиколлинеарности обусловлена ​​тем, что дисперсии коэффициентов неудовлетворительно велики. В

этой последовательности мы рассмотрим возможные прямые методы их сокращения. В

следующей последовательности мы рассмотрим возможные косвенные методы.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

5Проблема мультиколлинеарности обусловлена ​​тем, что дисперсии коэффициентов неудовлетворительно велики. В этой последовательности мы рассмотрим возможные прямые методы

Слайд 66
Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его

дисперсии.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

6Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайд 77
Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его

дисперсии.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

7Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии.ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайд 88
Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его

дисперсии.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

8Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии.ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайд 99
Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его

дисперсии.
.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

9Мы сосредоточимся на коэффициенте наклона и рассмотрим различные компоненты его дисперсии.. ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

Слайд 10ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
10
Начнем с n, количества наблюдений.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ10Начнем с n, количества наблюдений.

Слайд 11ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
11
Предположим, что исследуются детерминанты образовательного

уровня. На выходе показан результат установки базовой спецификации с использованием

набора данных EAWE 21. Зависимая переменная S - это годы обучения респондента.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ11Предположим, что исследуются детерминанты образовательного уровня. На выходе показан результат установки базовой

Слайд 12ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
12
Пояснительными переменными являются ASVABC, SM

и SF. ASVABC - это оценка по когнитивной способности, масштабируемая

таким образом, что она имеет среднее значение 0 и стандартное отклонение 1. SM и SF являются годами обучения матери и отца респондента, соответственно.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ12Пояснительными переменными являются ASVABC, SM и SF. ASVABC - это оценка по

Слайд 13ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
13
Все коэффициенты регрессии являются положительными,

как и ожидалось, но для SM достаточно просто на уровне

5 процентов.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ13Все коэффициенты регрессии являются положительными, как и ожидалось, но для SM достаточно

Слайд 14ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
14
Материнское образование можно разумно считать

мощным детерминантом образовательного уровня. Соответственно, предельное значение коэффициента СМ является

неожиданным.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ14Материнское образование можно разумно считать мощным детерминантом образовательного уровня. Соответственно, предельное значение

Слайд 15ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
16
Наиболее вероятным объяснением является многоколлинеарность,

учитывая, что из-за ассортативного спаривания корреляция между SM и SF

составляет 0,53.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

. cor SM SF
(obs=500)
| SM SF
--------+------------------
SM | 1.0000
SF | 0.5312 1.0000

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ16Наиболее вероятным объяснением является многоколлинеарность, учитывая, что из-за ассортативного спаривания корреляция между

Слайд 16ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
16
Вот результат регрессии с той

же спецификацией, используя все 2 274 наблюдения в базе данных

EAWE.

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 2274
-----------+------------------------------ F( 3, 2270) = 397.47
Model | 5939.99328 3 1979.99776 Prob > F = 0.0000
Residual | 11308.1092 2270 4.98154589 R-squared = 0.3444
-----------+------------------------------ Adj R-squared = 0.3435
Total | 17248.1025 2273 7.58825449 Root MSE = 2.2319
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.23488 .0556274 22.20 0.000 1.125794 1.343966
SM | .1477984 .0222765 6.63 0.000 .1041139 .1914829
SF | .1527509 .0197091 7.75 0.000 .1141011 .1914007
_cons | 10.28846 .2834715 36.29 0.000 9.732573 10.84435
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ16Вот результат регрессии с той же спецификацией, используя все 2 274 наблюдения

Слайд 17ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
17
Сравнивая этот результат с использованием

набора данных 21, мы видим, что стандартные ошибки намного меньше,

как и ожидалось.

. reg S ASVABC SM SF
Number of obs = 2274
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.23488 .0556274 22.20 0.000 1.125794 1.343966
SM | .1477984 .0222765 6.63 0.000 .1041139 .1914829
SF | .1527509 .0197091 7.75 0.000 .1141011 .1914007
_cons | 10.28846 .2834715 36.29 0.000 9.732573 10.84435
----------------------------------------------------------------------------

. reg S ASVABC SM SF
Number of obs = 500
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ17Сравнивая этот результат с использованием набора данных 21, мы видим, что стандартные

Слайд 18ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
18
Как следствие, статистика t всех

переменных велика и коэффициенты существенно отличаются от нуля на уровне

0,1 процента. Проблема мультиколлинеарности исчезла.

. reg S ASVABC SM SF
Number of obs = 2274
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.23488 .0556274 22.20 0.000 1.125794 1.343966
SM | .1477984 .0222765 6.63 0.000 .1041139 .1914829
SF | .1527509 .0197091 7.75 0.000 .1141011 .1914007
_cons | 10.28846 .2834715 36.29 0.000 9.732573 10.84435
----------------------------------------------------------------------------

. reg S ASVABC SM SF
Number of obs = 500
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ18Как следствие, статистика t всех переменных велика и коэффициенты существенно отличаются от

Слайд 19ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
19
Этот пример является искусственным, потому

что набор данных 21 является подмножеством базы данных EAWE. На

практике вы всегда будете использовать весь набор данных, если только он не будет настолько огромным, как в случае переписи населения, что затраты на его обработку полностью не могут быть оправданы.

. reg S ASVABC SM SF
Number of obs = 2274
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.23488 .0556274 22.20 0.000 1.125794 1.343966
SM | .1477984 .0222765 6.63 0.000 .1041139 .1914829
SF | .1527509 .0197091 7.75 0.000 .1141011 .1914007
_cons | 10.28846 .2834715 36.29 0.000 9.732573 10.84435
----------------------------------------------------------------------------

. reg S ASVABC SM SF
Number of obs = 500
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ19Этот пример является искусственным, потому что набор данных 21 является подмножеством базы

Слайд 20ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
20
Если вы работаете с данными

поперечного сечения (люди, домашние хозяйства, предприятия и т. Д.), И

вы проводите опрос, вы можете увеличить размер выборки, обсудив больший бюджет на стадии планирования.

(1) Увеличьте количество наблюдений.
Опросы: увеличение бюджета, использование кластеризации.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ20Если вы работаете с данными поперечного сечения (люди, домашние хозяйства, предприятия и

Слайд 21ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
21
Кроме того, вы можете сделать

фиксированный бюджет пойти дальше, используя метод, известный как кластеризация. Вы

географически разбиваете страну по почтовому индексу или почтовой области.

(1) Увеличьте количество наблюдений.
Опросы: увеличение бюджета, использование кластеризации.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ21Кроме того, вы можете сделать фиксированный бюджет пойти дальше, используя метод, известный

Слайд 22ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
22
You select a number of

these randomly, perhaps using stratified random sampling to make sure

that metropolitan, other urban, and rural areas are properly represented.

(1) Увеличьте количество наблюдений.
Опросы: увеличение бюджета, использование кластеризации.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ22You select a number of these randomly, perhaps using stratified random sampling

Слайд 23ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
23
You then confine the survey

to the areas selected. This reduces the travel time and

cost of the fieldworkers, allowing them to interview a greater number of respondents.

(1) Увеличьте количество наблюдений.
Опросы: увеличение бюджета, использование кластеризации.
.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ23You then confine the survey to the areas selected. This reduces the

Слайд 24ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ
(1) Увеличьте количество наблюдений.
Опросы: увеличение

бюджета, использование кластеризации.
Временные ряды: используйте ежеквартально вместо годовых данных.
24
Если

вы работаете с данными временных рядов, вы можете увеличить выборку, работая с более короткими интервалами времени для данных, например ежеквартальные или даже ежемесячные данные, а не годовые данные.
ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ(1) Увеличьте количество наблюдений. Опросы: увеличение бюджета, использование кластеризации. Временные ряды: используйте ежеквартально

Слайд 25(2) Уменьшите, включив в модель дополнительные релевантные

переменные
25
Мы могли бы уменьшить дисперсию, добавив в модель больше переменных

и уменьшив дисперсию условия нарушения.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

(2) Уменьшите, включив в модель дополнительные релевантные переменные25Мы могли бы уменьшить дисперсию, добавив в

Слайд 2626
Здесь мы добавили в спецификацию фиктивную переменную MALE. Использование фиктивных

переменных будет подробно описано в главе 5.d спецификации.
. reg S

ASVABC SM SF MALE
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 4, 495) = 64.87
Model | 1291.03572 4 322.758931 Prob > F = 0.0000
Residual | 2462.98628 495 4.97572985 R-squared = 0.3439
-----------+------------------------------ Adj R-squared = 0.3386
Total | 3754.022 499 7.52309018 Root MSE = 2.2306
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

26Здесь мы добавили в спецификацию фиктивную переменную MALE. Использование фиктивных переменных будет подробно описано в главе 5.d

Слайд 2727
Коэффициент MALE указывает на то, что, контролируя другие характеристики, мужчины,

как правило, имеют менее 0,67 года меньше школьного образования, чем

женщины.

. reg S ASVABC SM SF MALE
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 4, 495) = 64.87
Model | 1291.03572 4 322.758931 Prob > F = 0.0000
Residual | 2462.98628 495 4.97572985 R-squared = 0.3439
-----------+------------------------------ Adj R-squared = 0.3386
Total | 3754.022 499 7.52309018 Root MSE = 2.2306
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

27Коэффициент MALE указывает на то, что, контролируя другие характеристики, мужчины, как правило, имеют менее 0,67 года меньше

Слайд 2828
Значение t и значение p показывают, что эффект очень значителен,

поэтому включение MALE, похоже, улучшило спецификацию.
. reg S ASVABC SM

SF MALE
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 4, 495) = 64.87
Model | 1291.03572 4 322.758931 Prob > F = 0.0000
Residual | 2462.98628 495 4.97572985 R-squared = 0.3439
-----------+------------------------------ Adj R-squared = 0.3386
Total | 3754.022 499 7.52309018 Root MSE = 2.2306
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

28Значение t и значение p показывают, что эффект очень значителен, поэтому включение MALE, похоже, улучшило спецификацию.. reg

Слайд 2929
С включением MALE RSS упал с 2519 до 2463. Как

следствие, упал с 5,08 до 4,98.
. reg S ASVABC

SM SF MALE
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 4, 495) = 64.87
Model | 1291.03572 4 322.758931 Prob > F = 0.0000
Residual | 2462.98628 495 4.97572985 R-squared = 0.3439
-----------+------------------------------ Adj R-squared = 0.3386
Total | 3754.022 499 7.52309018 Root MSE = 2.2306
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

. reg S ASVABC SM SF
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 81.06
Model | 1235.0519 3 411.683966 Prob > F = 0.0000
Residual | 2518.9701 496 5.07856875 R-squared = 0.3290
-----------+------------------------------ Adj R-squared = 0.3249
Total | 3754.022 499 7.52309018 Root MSE = 2.2536
----------------------------------------------------------------------------

29С включением MALE RSS упал с 2519 до 2463. Как следствие, упал с 5,08 до 4,98. .

Слайд 3030
Хотя это шаг в правильном направлении, он очень мал. Как

следствие, уменьшение стандартной погрешности коэффициента СМ очень мало. Увеличение ее

статистики объясняется главным образом увеличением оценочного коэффициента.

. reg S ASVABC SM SF MALE
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

. reg S ASVABC SM SF
----------------------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

30Хотя это шаг в правильном направлении, он очень мал. Как следствие, уменьшение стандартной погрешности коэффициента СМ очень

Слайд 3131
Этот результат на самом деле довольно типичен. Вероятно, вы уже

включили все основные переменные в исходную спецификацию, поэтому те, которые

останутся в вашем наборе данных, скорее всего, будут незначительными.

. reg S ASVABC SM SF MALE
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

. reg S ASVABC SM SF
----------------------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

31Этот результат на самом деле довольно типичен. Вероятно, вы уже включили все основные переменные в исходную спецификацию,

Слайд 3232
Этот подход может даже иметь эффект, противоположный намеченному. Стандартные ошибки

существующих переменных в спецификации могут фактически увеличиваться, если новая переменная

коррелирует с ними.

. reg S ASVABC SM SF MALE
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ASVABC | 1.224768 .1224438 10.00 0.000 .9841945 1.465342
SM | .1028448 .0455914 2.26 0.025 .0132684 .1924213
SF | .1942085 .0421586 4.61 0.000 .1113766 .2770405
MALE | -.6720436 .2003524 -3.35 0.001 -1.06569 -.2783976
_cons | 10.89728 .6145927 17.73 0.000 9.689752 12.10482
----------------------------------------------------------------------------

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

. reg S ASVABC SM SF
----------------------------------------------------------------------------
ASVABC | 1.242527 .123587 10.05 0.000 .999708 1.485345
SM | .091353 .0459299 1.99 0.047 .0011119 .1815941
SF | .2028911 .0425117 4.77 0.000 .1193658 .2864163
_cons | 10.59674 .6142778 17.25 0.000 9.389834 11.80365
----------------------------------------------------------------------------

32Этот подход может даже иметь эффект, противоположный намеченному. Стандартные ошибки существующих переменных в спецификации могут фактически увеличиваться,

Слайд 3333
Третьим возможным способом уменьшения проблемы многоколлинеарности может быть увеличение вариации

объясняющих переменных. Это возможно только на этапе проектирования обследования.
(3) Увеличить

.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

33Третьим возможным способом уменьшения проблемы многоколлинеарности может быть увеличение вариации объясняющих переменных. Это возможно только на этапе

Слайд 3434
Например, если вы планируете опрос домашних хозяйств с целью изучения

того, как структура расходов варьируется в зависимости от дохода, вы

должны убедиться, что в выборку включены относительно богатые и относительно бедные домашние хозяйства, а также домохозяйства со средним доходом.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

(3) Увеличить .

34Например, если вы планируете опрос домашних хозяйств с целью изучения того, как структура расходов варьируется в зависимости

Слайд 3535
Другая возможность может заключаться в уменьшении корреляции между объясняющими переменными.

Опять же, это возможно только на этапе проектирования опроса, и

даже тогда это редко возможно с экономическими данными.

ВОЗМОЖНЫЕ ПРЯМЫЕ МЕРЫ, КАСАЮЩИЕСЯ АЛЛЕВИРОВАНИЯ МУЛЬТИКОЛИНЕЙНОСТИ

(4) Уменьшить

35Другая возможность может заключаться в уменьшении корреляции между объясняющими переменными. Опять же, это возможно только на этапе

Похожие презентации

ГБОУ детский сад №1216 Проект на тему: Правовое воспитание детей старшего ГБОУ детский сад №1216 Проект на тему: Правовое воспитание детей старшего 187
ДЕТИ, СТОПА, ОБУВЬ ПРАВДА И МИФЫ ДЕТИ, СТОПА, ОБУВЬ ПРАВДА И МИФЫ 200
Анамнез в гастроэтерологии Анамнез в гастроэтерологии 859
Теория вероятностей Теория вероятностей 320
Знакомство с числами 2-го десятка. Состав чисел Знакомство с числами 2-го десятка. Состав чисел 333
Государственный надзор за деятельностью НО СРО КИ Государственный надзор за деятельностью НО СРО КИ 331
ПЕЧЕНОЧНАЯ НЕДОСТАТОЧНОСТЬ И ИНФЕКЦИЯ ПЕЧЕНОЧНАЯ НЕДОСТАТОЧНОСТЬ И ИНФЕКЦИЯ 289
Методические основы маркетинговых исследований Методические основы маркетинговых исследований 359
mir skazok Andersena1 mir skazok Andersena1 189
Первые колониальные империи Первые колониальные империи 918
ЦЕЛЕВАЯ АУДИТОРИЯ ШУС РАДУГА ЦЕЛЕВАЯ АУДИТОРИЯ ШУС РАДУГА 226
Динаміка наукового знання моделі росту Динаміка наукового знання моделі росту 296
ENGLISH PRESENTATION Theme : Cinema the Ukraine Performer : Nazar ENGLISH PRESENTATION Theme : Cinema the Ukraine Performer : Nazar 261
Тема 11 Силы и средства гражданской обороны и РСЧС Виды, порядок создания, Тема 11 Силы и средства гражданской обороны и РСЧС Виды, порядок создания, 252
Добрый день! Добрый день! 164
ЗАГАЛЬНІ ВІДОМОСТІ ПРО ДЕРЕВООБРОБНІ ПІДПРИЄМСТВА ЗАГАЛЬНІ ВІДОМОСТІ ПРО ДЕРЕВООБРОБНІ ПІДПРИЄМСТВА 260
PAST PERFECT They were pleased to arrive; they ________________ ( travel ) for PAST PERFECT They were pleased to arrive; they ________________ ( travel ) for 232
Biologische Heilmittel Heel GmbH d Biologische Heilmittel Heel GmbH d 296
МИНЕРАЛЬНЫЕ КИСЛОТЫ. ВЗАИМОДЕЙСТВИЕ С ПРОСТЫМИ ВЕЩЕСТВАМИ МИНЕРАЛЬНЫЕ КИСЛОТЫ. ВЗАИМОДЕЙСТВИЕ С ПРОСТЫМИ ВЕЩЕСТВАМИ 278
На севере Европы. Комарова А.А. ГБОУ СОШ №262 г. Санкт-Петербург На севере Европы. Комарова А.А. ГБОУ СОШ №262 г. Санкт-Петербург 200

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.

Для правообладателей

Яндекс.Метрика