Monikollinaarisuus (määritelmä, tyypit) Kolme suosituinta esimerkkiä selityksineen

Mikä on monikollinaarisuus?

Monikollinaarisuus on tilastollinen ilmiö, jossa kaksi tai useampia regressiomallin muuttujia riippuu muista muuttujista siten, että toinen voidaan ennustaa lineaarisesti toisesta suurella tarkkuudella. Sitä käytetään yleensä havaintotutkimuksissa ja vähemmän suosittu kokeellisissa tutkimuksissa.

Monikollineaarisuuden tyypit

Monikollineaarisuutta on neljää tyyppiä

  • # 1 - Perfect Multicollinearity - Se on olemassa, kun yhtälön riippumattomat muuttujat ennustavat täydellisen lineaarisen suhteen.
  • # 2 - Suuri monikollineaarisuus - Se viittaa kahden tai useamman itsenäisen muuttujan väliseen lineaariseen suhteeseen, jotka eivät ole täysin korreloineet toistensa kanssa.
  • # 3 - Rakenteellinen monikollineaarisuus - Tämän aiheuttaa tutkija itse lisäämällä yhtälöön erilaisia ​​itsenäisiä muuttujia.
  • # 4 - Tietopohjainen monikollinaarisuus - Se johtuu kokeista, jotka tutkija on suunnitellut huonosti.

Monikollineaarisuuden syitä

Riippumattomat muuttujat, Muuttuja muuttujien muuttujissa tekevät niin, että pienellä muutoksella muuttujilla on merkittävä vaikutus tulokseen ja tietokokoelmat viittaavat otokseen valitusta populaatiosta.

Esimerkkejä monikollinaarisuudesta

Esimerkki 1

Oletetaan, että lääkeyhtiö on palkannut ABC Ltd: n KPO: n tarjoamaan tutkimuspalveluja ja tilastollisia analyyseja Intian sairauksista. Tätä varten ABC on valinnut iän, painon, ammatin, pituuden ja terveyden ensi näkemältä.

  • Edellä olevassa esimerkissä on monikollineaarisuustilanne, koska tutkimukseen valitut riippumattomat muuttujat korreloivat suoraan tuloksiin. Siksi olisi suositeltavaa, että tutkija säätää muuttujat ensin ennen projektin aloittamista, koska tuloksiin vaikuttaa suoraan valittujen muuttujien vuoksi.

Esimerkki 2

Oletetaan, että Tata Motors on nimittänyt ABC Ltd: n ymmärtämään tata-moottoreiden myyntimäärän olevan suuri missä luokassa markkinoilla.

  • Edellä olevassa esimerkissä viimeistellään ensin itsenäiset muuttujat, joiden perusteella tutkimus on saatettava päätökseen. se voi olla kuukausitulot, ikä. tuotemerkki, alempi luokka. Se tarkoittaa vain, että valitaan tiedot, jotka sopivat kaikkiin näihin välilehtiin sen selvittämiseksi, kuinka moni ihminen voi ostaa tämän auton (tata nano) edes katsomatta mitään muuta autoa.

Esimerkki 3

Oletetaan, että ABC Ltd on palkattu toimittamaan raportti, jotta voidaan tietää, kuinka monella alle 50-vuotiaalla on taipumus sydänkohtaukseen. tätä varten parametrit ovat ikä, sukupuoli, sairaushistoria

  • Edellä olevassa esimerkissä on monikollinaarisuus, joka on syntynyt, koska itsenäinen muuttuja "ikä" on muutettava alle 50-vuotiaaksi kutsuttaessa yleisön hakemuksia, jotta yli 50-vuotiaat henkilöt suodatetaan automaattisesti.

Edut

Alla on joitain etuja

  • Lineaarinen suhde yhtälön itsenäisten muuttujien välillä.
  • Erittäin hyödyllinen tutkimuspohjaisten yritysten laatimissa tilastomalleissa ja tutkimusraporteissa.
  • Suora vaikutus haluttuun tulokseen.

Haitat

Alla on joitain haittoja

  • Joissakin tilanteissa tämä kysymys ratkaistaisiin keräämällä enemmän tietoja muuttujista.
  • Nuken muuttujien väärä käyttö, ts. Tutkija voi unohtaa käyttää nuken muuttujia tarvittaessa.
  • Lisätään yhtälöön 2 samaa tai identtistä muuttujaa, kuten kg ja lbs painoissa.
  • Lisätään yhtälöön muuttuja, joka on yhdistelmä 2.
  • Monimutkainen suorittamaan laskutoimituksia, koska se on tilastollinen tekniikka ja vaatii tilastolaskimia suorittamaan sen.

Johtopäätös

Monikollinaarisuus on yksi suosituimmista tilastollisista työkaluista, joita käytetään usein regressioanalyysissä ja tilastollisessa analyysissä suurille tietokannoille ja halutulle tulokselle. Kaikilla suurilla yrityksillä on yrityksessään erillinen tilasto-osasto, joka suorittaa tuotteiden tai ihmisten tilastollisen regressioanalyysin, jotta johdolle voidaan antaa strateginen näkymä markkinoista ja auttaa heitä laatimaan pitkän aikavälin strategiat pitäen tätä mieltä. Analyysin graafinen esitys antaa lukijalle selkeän kuvan suorasta suhteesta, tarkkuudesta ja suorituskyvystä.

  • Jos tutkijan tavoitteena on ymmärtää yhtälön itsenäiset muuttujat, monikollinaarisuus on hänelle suuri ongelma.
  • Tutkijan on tehtävä tarvittavat muutokset muuttujiin itse vaiheessa 0, muuten sillä voi olla valtava vaikutus tuloksiin.
  • Monikollineaarisuus voidaan tehdä tutkimalla korrelaatiomatriisia.
  • Korjaustoimenpiteillä on merkittävä rooli monikollinaarisuuden ongelmien ratkaisemisessa. 

$config[zx-auto] not found$config[zx-overlay] not found