Współliniowość
Co to jest współliniowość?
Współliniowość to występowanie wysokich współzależności między dwiema lub więcej zmiennymi niezależnymi w modelu regresji wielorakiej. Współliniowość może prowadzić do wypaczonych lub wprowadzających w błąd wyników, gdy badacz lub analityk próbuje określić, na ile skutecznie można wykorzystać każdą zmienną niezależną do przewidywania lub rozumienia zmiennej zależnej w modelu statystycznym.
Ogólnie rzecz biorąc, współliniowość może prowadzić do szerszych przedziałów ufności, które dają mniej wiarygodne prawdopodobieństwa pod względem wpływu zmiennych niezależnych w modelu. Oznacza to, że wnioski statystyczne z modelu o współliniowości mogą nie być wiarygodne.
Kluczowe wnioski
- Współliniowość to pojęcie statystyczne, w którym zmienne niezależne w modelu są skorelowane.
- Współliniowość między zmiennymi niezależnymi będzie skutkować mniej wiarygodnymi wnioskami statystycznymi.
- Podczas tworzenia modeli regresji wielorakiej korzystających z co najmniej dwóch zmiennych lepiej jest używać zmiennych niezależnych, które nie są skorelowane ani powtarzalne.
Zrozumienie współliniowości
Analitycy statystyczni używają modeli regresji wielorakiej do przewidywania wartości określonej zmiennej zależnej na podstawie wartości dwóch lub więcej zmiennych niezależnych. Zmienna zależna jest czasami nazywana zmienną wyniku, celu lub kryterium.
Przykładem jest wielowymiarowy model regresji, który próbuje przewidzieć zwroty akcji na podstawie takich elementów, jak stosunek ceny do zysku ( wskaźniki P / E), kapitalizacja rynkowa, wyniki z przeszłości lub inne dane. Zwrot akcji jest zmienną zależną, a różne fragmenty danych finansowych są zmiennymi niezależnymi.
Współliniowość w modelu regresji wielorakiej wskazuje, że współliniowe zmienne niezależne są w pewien sposób powiązane, chociaż zależność może być przypadkowa lub nie. Na przykład wyniki w przeszłości mogą być związane z kapitalizacją rynkową, ponieważ akcje, które osiągały dobre wyniki w przeszłości, będą miały rosnące wartości rynkowe. Innymi słowy, współliniowość może istnieć, gdy dwie niezależne zmienne są silnie skorelowane. Może się to również zdarzyć, jeśli zmienna niezależna jest obliczana na podstawie innych zmiennych w zestawie danych lub jeśli dwie zmienne niezależne dają podobne i powtarzalne wyniki.
Jednym z najczęstszych sposobów wyeliminowania problemu współliniowości jest najpierw zidentyfikowanie współliniowych zmiennych niezależnych, a następnie usunięcie wszystkich oprócz jednej. Możliwe jest również wyeliminowanie współliniowości poprzez połączenie dwóch lub więcej zmiennych współliniowych w jedną zmienną. Następnie można przeprowadzić analizę statystyczną w celu zbadania związku między określoną zmienną zależną a tylko jedną zmienną niezależną.
Przykład współliniowości
W przypadku inwestowania współliniowość jest powszechną kwestią podczas przeprowadzania analizy technicznej w celu przewidzenia prawdopodobnych przyszłych ruchów cen papieru wartościowego, takiego jak akcje lub towary w przyszłości.
Analitycy rynku chcą unikać stosowania wskaźników technicznych, które są współliniowe, ponieważ są oparte na bardzo podobnych lub powiązanych danych wejściowych; mają tendencję do ujawniania podobnych przewidywań dotyczących zmiennej zależnej ruchu cen. Zamiast tego analiza rynku musi opierać się na znacząco różnych zmiennych niezależnych, aby mieć pewność, że analizują rynek z różnych niezależnych analitycznych punktów widzenia.
Przykładem potencjalnego problemu współliniowości jest wykonanie analizy technicznej tylko przy użyciu kilku podobnych wskaźników.
Znany analityk techniczny John Bollinger, twórca wskaźnika Wstęgi Bollingera, zauważa, że „podstawowa zasada skutecznego stosowania analizy technicznej wymaga unikania współliniowości wśród wskaźników”. Aby rozwiązać problem, analitycy unikają stosowania dwóch lub więcej wskaźników technicznych tego samego typu. Zamiast tego analizują papier wartościowy przy użyciu jednego typu wskaźnika, takiego jak wskaźnik momentum, a następnie przeprowadzają oddzielną analizę przy użyciu innego typu wskaźnika, takiego jak wskaźnik trendu.
Na przykład stochastyka, względny wskaźnik siły (RSI) i% R Williamsa to wskaźniki dynamiki, które opierają się na podobnych danych wejściowych i prawdopodobnie dadzą podobne wyniki. W takim przypadku lepiej jest usunąć wszystkie wskaźniki oprócz jednego lub znaleźć sposób na połączenie kilku z nich w jeden, jednocześnie dodając wskaźnik trendu, który prawdopodobnie nie będzie silnie skorelowany ze wskaźnikiem momentum.