1. Изменить или увеличить выборку;
2. Исключить одну из переменных;
3. Преобразовать мультиколлинеарные переменные:
· Использовать нелинейные формы;
· Использовать агрегаты (нелинейные комбинации нескольких переменных);
· Использовать первые разницы в место самих переменных;
4. Ничего не делать!
Самое главное – выбрать правильное средство.
Сбор дополнительных данных — это самый простой способ устранения мультиколлинеарности, однако на практике это не всегда возможно.
Метод преобразования переменных — это способ замены всех переменных, включенных в модель. Например, вместо значений результативной переменной и факторных переменных можно взять их логарифмы. Тогда модель множественной регрессии имеет вид:
In у = В0 + В1In х1 + В2 In х2 + е.
Однако этот метод не гарантирует устранения мультиколлинеарности.
Гребневая регрессия (или ридж) — это один из смещенных методов оценки коэффициентов модели регрессии. Данный метод применяется в случае, когда ни одну из переменных, включенных в модель регрессии, нельзя удалить. Суть гребневой регрессии заключается в том, что ко всем диагональным элементам корреляционной матрицы (XТ X) добавляется число т (тау): 10 -6 < т < 0,1. Тогда неизвестные коэффициенты модели множественной регрессии будут определяться по формуле: В˜ = (ХТХ +тIn)-1 ХтY где In — единичная матрица.
|
|
Гребневая регрессия позволяет стабилизировать оценки коэффициентов модели множественной регрессии к определенному числу и уменьшить их стандартные ошибки.
Метод главных компонент — это основной метод исключения переменных из модели регрессии. В этом случае модель множественной регрессии строится не на основе матрицы факторных переменных X, а на основе матрицы главных компонент F.
Метод пошагового включения факторных переменных в модель регрессии — это метод определения из возможного набора факторных переменных именно тех, которые усилят качество модели регрессии.
Суть метода пошагового включения состоит в том, что из числа всех факторных переменных в модель регрессии включаются переменные, имеющие наибольший модуль парного линейного коэффициента корреляции с результативной переменной. При добавлении в модель регрессии новых факторных переменных их значимость проверяется с помощью F-критерия Фишера. Если Fнабл > Fкрит, то включение факторной переменной в модель множественной регрессии является обоснованным. Проверка факторных переменных на значимость осуществляется до тех пор, пока не найдется хотя бы одна переменная, для которой не выполняется условие F набл > F крит
Линеаризация регрессионных моделей путем логарифмических преобразований.