Multikolinearnost je problem jer potkopava statistički značaj nezavisne varijable. Uz ostale jednake stvari, što je veća standardna pogreška koeficijenta regresije, manja je vjerojatnost da će taj koeficijent biti statistički značajan.
Kako znati je li multikolinearnost problem?
Jedan od načina mjerenja multikolinearnosti je faktor inflacije varijance (VIF), koji procjenjuje koliko se povećava varijanca procijenjenog koeficijenta regresije ako su vaši prediktori povezani. … VIF između 5 i 10 ukazuje na visoku korelaciju koja može biti problematična.
Je li kolinearnost problem za predviđanje?
Multikolinearnost je još uvijek problem za prediktivnu moć. Vaš model će se preklopiti i manje je vjerojatno da će se generalizirati na podatke izvan uzorka. Srećom, vaš R2 neće biti pod utjecajem, a vaši će koeficijenti i dalje biti nepristrani.
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 identificiranje nezavisnih varijabli koje su statistički značajne.
Kada biste trebali zanemariti kolinearnost?
Povećava standardne pogreške njihovih koeficijenata i može učiniti te koeficijente nestabilnima na nekoliko načina. Ali sve dok kolinearvarijable se koriste samo kao kontrolne varijable i nisu kolinearne s vašim varijablama od interesa, nema problema.