🗊Презентация Мультиколлинеарность

Категория: Математика
Нажмите для полного просмотра!
Мультиколлинеарность, слайд №1Мультиколлинеарность, слайд №2Мультиколлинеарность, слайд №3Мультиколлинеарность, слайд №4Мультиколлинеарность, слайд №5Мультиколлинеарность, слайд №6Мультиколлинеарность, слайд №7Мультиколлинеарность, слайд №8Мультиколлинеарность, слайд №9Мультиколлинеарность, слайд №10Мультиколлинеарность, слайд №11Мультиколлинеарность, слайд №12Мультиколлинеарность, слайд №13Мультиколлинеарность, слайд №14Мультиколлинеарность, слайд №15Мультиколлинеарность, слайд №16Мультиколлинеарность, слайд №17Мультиколлинеарность, слайд №18Мультиколлинеарность, слайд №19Мультиколлинеарность, слайд №20Мультиколлинеарность, слайд №21Мультиколлинеарность, слайд №22Мультиколлинеарность, слайд №23Мультиколлинеарность, слайд №24Мультиколлинеарность, слайд №25Мультиколлинеарность, слайд №26
Скачать

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Мультиколлинеарность. Доклад-сообщение содержит 26 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1


Мультиколлинеарность Лекция
Описание слайда:
Мультиколлинеарность Лекция

Слайд 2


Цели лекции 1. Объяснить сущность проблемы мультиколлинеарности 2. Изучить последствия мультиколлинеарности 3. Указать средства обнаружения мультиколлинеарности 4. Обсудить проблему выбора средств борьбы с мультиколлинеарностью
Описание слайда:
Цели лекции 1. Объяснить сущность проблемы мультиколлинеарности 2. Изучить последствия мультиколлинеарности 3. Указать средства обнаружения мультиколлинеарности 4. Обсудить проблему выбора средств борьбы с мультиколлинеарностью

Слайд 3


Коллинеарность и мультиколлинеарность Термин «коллинеарность» характеризует линейную связь между двумя объясняющими переменными. «Мультиколлинеарность» означает линейную связь между более чем двумя объясняющими переменными. На практике всегда используется один термин – мультиколлинеарность.
Описание слайда:
Коллинеарность и мультиколлинеарность Термин «коллинеарность» характеризует линейную связь между двумя объясняющими переменными. «Мультиколлинеарность» означает линейную связь между более чем двумя объясняющими переменными. На практике всегда используется один термин – мультиколлинеарность.

Слайд 4


Виды мультиколлинеарности. Строгая и нестрогая мультиколлинеарность 1. Строгая мультиколлинеарность – наличие линейной функциональной связи между объясняющими переменными (иногда также и зависимой). 2. Нестрогая мультиколлинеарность – наличие сильной линейной корреляционной связи между между объясняющими переменными (иногда также и зависимой).
Описание слайда:
Виды мультиколлинеарности. Строгая и нестрогая мультиколлинеарность 1. Строгая мультиколлинеарность – наличие линейной функциональной связи между объясняющими переменными (иногда также и зависимой). 2. Нестрогая мультиколлинеарность – наличие сильной линейной корреляционной связи между между объясняющими переменными (иногда также и зависимой).

Слайд 5


Суть строгой мультиколлинеарности Связь между объясняющими переменными – функциональная
Описание слайда:
Суть строгой мультиколлинеарности Связь между объясняющими переменными – функциональная

Слайд 6


Суть строгой мультиколлинеарности. Выводы Строгая мультиколлинеарность не позволяет однозначно определить коэффициенты регрессии и разделить вклады объясняющих переменных Х1 и Х2 в их влиянии на зависимую переменную Y.
Описание слайда:
Суть строгой мультиколлинеарности. Выводы Строгая мультиколлинеарность не позволяет однозначно определить коэффициенты регрессии и разделить вклады объясняющих переменных Х1 и Х2 в их влиянии на зависимую переменную Y.

Слайд 7


Нестрогая мультиколлинеарность. Пример Связь между объясняющими переменными – корреляционная
Описание слайда:
Нестрогая мультиколлинеарность. Пример Связь между объясняющими переменными – корреляционная

Слайд 8


Сложность проблемы мультиколлинеарности 1. Корреляционные связи есть всегда. Проблема мультиколлинеарности – сила проявления корреляционных связей. 2. Однозначных критериев мультиколлинеарности не существует. 3. Строгая мультиколлинеарность нарушает предпосылку 50 теоремы Гаусса-Маркова и делает построение регрессии невозможным. (Согласно теоремы Кронекера-Капелли система уравнений имеет бесчисленное множество решений). 4. Нестрогая мультиколлинеарность затрудняет работу, но не препятствует получению правильных выводов.
Описание слайда:
Сложность проблемы мультиколлинеарности 1. Корреляционные связи есть всегда. Проблема мультиколлинеарности – сила проявления корреляционных связей. 2. Однозначных критериев мультиколлинеарности не существует. 3. Строгая мультиколлинеарность нарушает предпосылку 50 теоремы Гаусса-Маркова и делает построение регрессии невозможным. (Согласно теоремы Кронекера-Капелли система уравнений имеет бесчисленное множество решений). 4. Нестрогая мультиколлинеарность затрудняет работу, но не препятствует получению правильных выводов.

Слайд 9


Причины возникновения мультиколлинеарности 1. Ошибочное включение в уравнение регрессии двух или более линейно зависимых переменных. 2. Две (или более) объясняющих переменных, в нормальной ситуации слабо коррелированные, становятся в конкретной выборке сильно коррелированными. 3. В модель включается объясняющая переменная, сильно коррелирующая с зависимой переменной (такая переменная называется доминантной).
Описание слайда:
Причины возникновения мультиколлинеарности 1. Ошибочное включение в уравнение регрессии двух или более линейно зависимых переменных. 2. Две (или более) объясняющих переменных, в нормальной ситуации слабо коррелированные, становятся в конкретной выборке сильно коррелированными. 3. В модель включается объясняющая переменная, сильно коррелирующая с зависимой переменной (такая переменная называется доминантной).

Слайд 10


Мультиколлинеарность как результат логической ошибки Ошибочное признание независимыми содержательно зависимых переменных:
Описание слайда:
Мультиколлинеарность как результат логической ошибки Ошибочное признание независимыми содержательно зависимых переменных:

Слайд 11


Мультиколлинеарность из-за доминантной переменной Доминантная переменная «забивает» влияние остальных:
Описание слайда:
Мультиколлинеарность из-за доминантной переменной Доминантная переменная «забивает» влияние остальных:

Слайд 12


Неизбежность мультиколлинеарности 1. Мультиколлинеарность – нормальное явление. Практически любая модель содержит мультиколлинеарность. 2. Мы не обращаем внимания на мультиколлинеарность до появления явных симптомов. 3. Только чрезмерно сильные связи становятся помехой.
Описание слайда:
Неизбежность мультиколлинеарности 1. Мультиколлинеарность – нормальное явление. Практически любая модель содержит мультиколлинеарность. 2. Мы не обращаем внимания на мультиколлинеарность до появления явных симптомов. 3. Только чрезмерно сильные связи становятся помехой.

Слайд 13


Механизм действия мультиколлинеарности Мультиколлинеарность проявляется в совместном действии факторов: 1. Построить модель – значит определить вклад каждого фактора. 2. Если два или более фактора изменяются только совместно, их вклад по отдельности становится невозможно различить. 3. Чем более сильно коррелированы переменные, тем труднее различить их вклад.
Описание слайда:
Механизм действия мультиколлинеарности Мультиколлинеарность проявляется в совместном действии факторов: 1. Построить модель – значит определить вклад каждого фактора. 2. Если два или более фактора изменяются только совместно, их вклад по отдельности становится невозможно различить. 3. Чем более сильно коррелированы переменные, тем труднее различить их вклад.

Слайд 14


Зависимость мультиколлинеарности от выборки Мультиколлинеарность – явление, проявляющееся на уровне выборки: 1. В одной выборке мультиколлинеарность может быть сильной, в другой слабой. 2. Выборочные данные следует предварительно всесторонне исследовать. 3. Полезен расчет выборочных коэффициентов корреляции, ковариационной матрицы и ее определителя.
Описание слайда:
Зависимость мультиколлинеарности от выборки Мультиколлинеарность – явление, проявляющееся на уровне выборки: 1. В одной выборке мультиколлинеарность может быть сильной, в другой слабой. 2. Выборочные данные следует предварительно всесторонне исследовать. 3. Полезен расчет выборочных коэффициентов корреляции, ковариационной матрицы и ее определителя.

Слайд 15


Зависимость мультиколлинеарности от смысла задачи Мультиколлинеарность может быть выявлена при содержательном анализе задачи и данных
Описание слайда:
Зависимость мультиколлинеарности от смысла задачи Мультиколлинеарность может быть выявлена при содержательном анализе задачи и данных

Слайд 16


Истинная мультиколлинеарность при отсутствии парных зависимостей Пример. Рассмотрим три ряда данных:
Описание слайда:
Истинная мультиколлинеарность при отсутствии парных зависимостей Пример. Рассмотрим три ряда данных:

Слайд 17


Последствия мультиколлинеарности: диагноз и прогноз 1. Оценки коэффициентов остаются несмещенными. 2. Стандартные ошибки коэффициентов увеличиваются. 3. Вычисленные t-статистики занижены. 4. Неустойчивость оценок. Добавление или исключение малого количества информации (например, только одного наблюдения) может привести к очень сильному изменению оценок коэффициентов. При этом резко уменьшается и точность предсказания по модели.
Описание слайда:
Последствия мультиколлинеарности: диагноз и прогноз 1. Оценки коэффициентов остаются несмещенными. 2. Стандартные ошибки коэффициентов увеличиваются. 3. Вычисленные t-статистики занижены. 4. Неустойчивость оценок. Добавление или исключение малого количества информации (например, только одного наблюдения) может привести к очень сильному изменению оценок коэффициентов. При этом резко уменьшается и точность предсказания по модели.

Слайд 18


Последствия мультиколлинеарности: диагноз и прогноз 5. Численная неустойчивость процедуры оценивания, вызванная ошибками машинного округления и накоплением этих ошибок. 6. Высокая коррелированность коэффициентов лишает смысла их интерпретацию. 7. Общее качество уравнения, а также оценки переменных, не связанных мультиколлинеарностью, Остаются незатронутыми. 8. Чем ближе мультиколлинеарность к строгой (совершенной), тем серьезнее ее последствия.
Описание слайда:
Последствия мультиколлинеарности: диагноз и прогноз 5. Численная неустойчивость процедуры оценивания, вызванная ошибками машинного округления и накоплением этих ошибок. 6. Высокая коррелированность коэффициентов лишает смысла их интерпретацию. 7. Общее качество уравнения, а также оценки переменных, не связанных мультиколлинеарностью, Остаются незатронутыми. 8. Чем ближе мультиколлинеарность к строгой (совершенной), тем серьезнее ее последствия.

Слайд 19


Последствия мультиколлинеарности: увеличение стандартных ошибок коэффициентов Для уравнения с объясняющими переменными X1 и X2
Описание слайда:
Последствия мультиколлинеарности: увеличение стандартных ошибок коэффициентов Для уравнения с объясняющими переменными X1 и X2

Слайд 20


Последствия мультиколлинеарности: увеличение стандартных ошибок коэффициентов Практически отсюда следует возможность получить незначимый коэффициент или «неправильный» знак
Описание слайда:
Последствия мультиколлинеарности: увеличение стандартных ошибок коэффициентов Практически отсюда следует возможность получить незначимый коэффициент или «неправильный» знак

Слайд 21


Обнаружение мультиколлинеарности. Основной признак Внешним признаком наличия мультиколлинеарности служат слишком большие значения элементов матрицы Основной признак мультиколлинеарности: определитель корреляционной матрицы R близок к нулю: Если все объясняющие переменные не коррелированы между собой, то . В противном случае .
Описание слайда:
Обнаружение мультиколлинеарности. Основной признак Внешним признаком наличия мультиколлинеарности служат слишком большие значения элементов матрицы Основной признак мультиколлинеарности: определитель корреляционной матрицы R близок к нулю: Если все объясняющие переменные не коррелированы между собой, то . В противном случае .

Слайд 22


Обнаружение мультиколлинеарности. Дополнительные признаки 1. Высокие R2 и F-статистика, но некоторые (или даже все) коэффициенты незначимы, т.е. имеют низкие t-статистики. 2. Высокие парные коэффициенты корреляции. 3. Высокие частные коэффициенты корреляции. 4. Высокие значения коэффициента VIF («фактор инфляции вариации»). 5. Знаки коэффициентов регрессии противоположны ожидаемым. 6. Добавление или удаление наблюдений из выборки сильно изменяют значения оценок.
Описание слайда:
Обнаружение мультиколлинеарности. Дополнительные признаки 1. Высокие R2 и F-статистика, но некоторые (или даже все) коэффициенты незначимы, т.е. имеют низкие t-статистики. 2. Высокие парные коэффициенты корреляции. 3. Высокие частные коэффициенты корреляции. 4. Высокие значения коэффициента VIF («фактор инфляции вариации»). 5. Знаки коэффициентов регрессии противоположны ожидаемым. 6. Добавление или удаление наблюдений из выборки сильно изменяют значения оценок.

Слайд 23


Фактор инфляции вариации как оценка эффекта мультиколлинеарности Если VIF > 10, то объясняющие переменные считаются мультиколлинеарными.
Описание слайда:
Фактор инфляции вариации как оценка эффекта мультиколлинеарности Если VIF > 10, то объясняющие переменные считаются мультиколлинеарными.

Слайд 24


Методы устранения мультиколлинеарности 1. Изменить или увеличить выборку. 2. Исключить из модели одну или несколько переменных. 3. Преобразовать мультиколлинеарные переменные: - использовать нелинейные формы; - использовать агрегаты (линейные комбинации переменных); - использовать первые разности вместо самих переменных. 4. Использовать при оценке коэффициентов метод главных компонент или другие специальные процедуры расчета коэффициентов при плохой обусловленности . 5. Ничего не делать!
Описание слайда:
Методы устранения мультиколлинеарности 1. Изменить или увеличить выборку. 2. Исключить из модели одну или несколько переменных. 3. Преобразовать мультиколлинеарные переменные: - использовать нелинейные формы; - использовать агрегаты (линейные комбинации переменных); - использовать первые разности вместо самих переменных. 4. Использовать при оценке коэффициентов метод главных компонент или другие специальные процедуры расчета коэффициентов при плохой обусловленности . 5. Ничего не делать!

Слайд 25


Устранение мультиколлинеарности. Преобразование переменных Пусть эмпирическое уравнение регрессии имеет вид: где X1, X2  коррелированные переменные В моделях: мультиколлинеарность отсутствует.
Описание слайда:
Устранение мультиколлинеарности. Преобразование переменных Пусть эмпирическое уравнение регрессии имеет вид: где X1, X2  коррелированные переменные В моделях: мультиколлинеарность отсутствует.

Слайд 26


Мультиколлинеарность, слайд №26
Описание слайда:

Скачать

Похожие презентации
Mypresentation.ru
Загрузить презентацию