Multikolinearnost je problem jer potkopava statistički značaj nezavisne varijable. Uz ostale jednake stvari, što je veća standardna greška koeficijenta regresije, manja je vjerovatnoća da će ovaj koeficijent biti statistički značajan.
Kako znate da li je multikolinearnost problem?
Jedan od načina za mjerenje multikolinearnosti je faktor inflacije varijanse (VIF), koji procjenjuje koliko se povećava varijansa procijenjenog koeficijenta regresije ako su vaši prediktori u korelaciji. … VIF između 5 i 10 ukazuje na visoku korelaciju koja može biti problematična.
Da li je kolinearnost problem za predviđanje?
Multikolinearnost je i dalje problem za prediktivnu moć. Vaš model će se preklopiti i manje je vjerovatno da će generalizirati podatke van uzorka. Na sreću, vaš R2 neće biti pogođen i vaši koeficijenti će i dalje biti nepristrasni.
Zašto je kolinearnost problem u regresiji?
Multikolinearnost smanjuje preciznost procijenjenih koeficijenata, što slabi statističku moć vašeg regresijskog modela. Možda nećete moći vjerovati p-vrijednostima za identifikaciju nezavisnih varijabli koje su statistički značajne.
Kada treba zanemariti kolinearnost?
To povećava standardne greške njihovih koeficijenata i može učiniti te koeficijente nestabilnim na nekoliko načina. Ali sve dok je kolinearvarijable se koriste samo kao kontrolne varijable i nisu kolinearne sa vašim varijablama od interesa, nema problema.
