Kas yra daugialypiškumas?
Multikolinariškumas - tai aukštų tarpusavio ryšių tarp nepriklausomų kintamųjų pasireiškimas daugialypės regresijos modelyje. Daugialinijiškumas gali sukelti neteisingus ar klaidinančius rezultatus, kai tyrėjas ar analitikas bando nustatyti, kaip gerai kiekvienas nepriklausomas kintamasis gali būti efektyviausiai panaudotas numatyti ar suprasti priklausomą kintamąjį statistiniame modelyje. Apskritai, daugialypiškumas gali lemti didesnius pasikliautinų intervalų intervalus ir mažiau patikimas tikimybės reikšmes nepriklausomiems kintamiesiems. Tai reiškia, kad statistinės išvados iš daugialypiškumo modelio gali būti nepatikimos.
Multikoliarumo supratimas
Statistikos analitikai naudoja kelis regresijos modelius, kad nuspėtų nurodyto priklausomo kintamojo vertę, remiantis dviejų ar daugiau nepriklausomų kintamųjų vertėmis. Priklausomas kintamasis kartais vadinamas rezultato, tikslo ar kriterijaus kintamuoju. Pavyzdys yra daugiamatis regresijos modelis, kuriuo bandoma numatyti akcijų grąžą remiantis tokiais elementais kaip kainos ir pelno santykis, rinkos kapitalizacija, ankstesni rezultatai ar kiti duomenys. Akcijų grąža yra priklausomas kintamasis, o įvairūs finansinių duomenų bitai yra nepriklausomi kintamieji.
Pagrindiniai išvežamieji daiktai
- Daugiakoliarumas yra statistinė sąvoka, kai nepriklausomi kintamieji modelyje yra koreliuojami. Dėl daugialypio nepriklausomumo kintamųjų statistinės išvados bus mažiau patikimos. Kuriant kelis regresijos modelius, kuriuose naudojami du ar daugiau kintamųjų, geriau naudoti nepriklausomus kintamuosius, kurie nėra koreliuojami ar kartojasi..
Daugiakriteriškumas daugialypės regresijos modelyje rodo, kad iš tiesių linijų nepriklausomi kintamieji tam tikru būdu yra susiję, nors santykiai gali būti atsitiktiniai. Pvz., Ankstesni rezultatai gali būti susiję su rinkos kapitalizacija, nes praeityje gerai veikusių akcijų rinkos vertė didės. Kitaip tariant, daugialypiškumas gali egzistuoti, kai du nepriklausomi kintamieji yra labai koreliuojami. Taip pat gali nutikti, jei nepriklausomas kintamasis apskaičiuojamas iš kitų duomenų rinkinio kintamųjų arba jei du nepriklausomi kintamieji pateikia panašius ir pasikartojančius rezultatus.
Vienas iš labiausiai paplitusių būdų, kaip pašalinti daugialypiškumo problemą, yra pirmiausia nustatyti kolinearinius nepriklausomus kintamuosius ir pašalinti visus, išskyrus vieną. Taip pat įmanoma pašalinti daugialypiškumą, sujungiant du ar daugiau dvitaškių kintamųjų į vieną kintamąjį. Tada galima atlikti statistinę analizę, kad būtų ištirtas nurodyto priklausomo kintamojo ir tik vieno nepriklausomo kintamojo ryšys.
Daugialinijiškumo pavyzdys
Investicijoms daugiakryptis požiūris yra įprastas dalykas atliekant techninę analizę, kad būtų galima numatyti tikėtinus vertybinių popierių, pavyzdžiui, akcijų ar prekių, kainų pokyčius ateityje. Rinkos analitikai nori vengti naudoti techninius rodiklius, kurie yra kolineariniai, nes yra pagrįsti labai panašiomis ar susijusiomis sąnaudomis; jie linkę atskleisti panašias prognozes dėl priklausomo kainų pokyčio kintamojo. Vietoj to, rinkos analizė turi būti grindžiama aiškiai skirtingais nepriklausomais kintamaisiais, kad būtų užtikrinta, jog jie analizuoja rinką iš skirtingų nepriklausomų analitinių požiūrių.
Pastebėtas technikos analitikas Johnas Bollingeris, „Bollinger Bands“ rodiklio kūrėjas, pažymi, kad „norint sėkmingai naudoti techninę analizę kardinalios taisyklės reikia vengti daugialypiškumo tarp rodiklių“.
Norėdami išspręsti problemą, analitikai vengia naudoti du ar daugiau to paties tipo techninių rodiklių. Vietoj to, jie analizuoja vertybinius popierius naudodamiesi vieno tipo rodikliais, tokiais kaip impulsų indikatorius, ir tada atskirai analizuoja naudodami kitokio tipo rodiklius, tokius kaip tendencijų rodiklis.
Galimos daugialinijiškumo problemos pavyzdys yra techninės analizės atlikimas, naudojant tik kelis panašius rodiklius, tokius kaip stochastika, santykinio stiprumo indeksas (RSI) ir Williams% R, kurie visi yra impulsų rodikliai, kurie remiasi panašiais įėjimais ir greičiausiai sukuria panašius duomenis. rezultatai. Tokiu atveju geriau pašalinti visus rodiklius, išskyrus vieną, arba rasti būdą, kaip kelis iš jų sujungti į vieną rodiklį, kartu pridedant tendencijos rodiklį, kuris greičiausiai nėra labai susijęs su impulso rodikliu.
