Ответы Mail.ru
Образование
ВУЗы, Колледжи
Детские сады
Школы
Дополнительное образование
Образование за рубежом
Прочее образование
Лидеры категории
Лена-пена
М.И.
Y.Nine
•••
Искусственный Интеллект
Искусственный Интеллект
Искусственный Интеллект
Лучший ответ
Алена Миронова
(1345)
14 лет назад
МУЛЬТИКОЛЛИНЕАРНОСТЬ [multicollinearity] — понятие математической статистики — тесная корреляционная взаимосвязь (см. Корреляция) между отбираемыми для анализа факторами, совместно воздействующими на общий результат. Эта связь затрудняет оценивание параметров регрессии в частности, при анализе эконометрической модели.
Есть три основных способа преодоления этих затруднений: дополнить модель новой информацией, по возможности, не обладающей свойствами коллинеарности (т. е. если речь идет о точках, они не должны находиться на одной прямой, если о векторах — они не должны быть параллельными друг другу, отличаясь только скалярными множителями) ; ввести некоторые ограничения на параметры модели; использовать вероятностные характеристики параметров (напр. , опираясь на предшествующие наблюдения за соответствующими величинами).
Есть три основных способа преодоления этих затруднений: дополнить модель новой информацией, по возможности, не обладающей свойствами коллинеарности (т. е. если речь идет о точках, они не должны находиться на одной прямой, если о векторах — они не должны быть параллельными друг другу, отличаясь только скалярными множителями) ; ввести некоторые ограничения на параметры модели; использовать вероятностные характеристики параметров (напр. , опираясь на предшествующие наблюдения за соответствующими величинами).
Остальные ответы
))))МИЛАЯ))))
(496)
14 лет назад
Мультиколлинеарность (multicollinearity) – положение, при котором одна или более независимых переменных, входящих в уравнение регрессии, являются точными линейными функциями от одной или более других независимых переменных того же уравнения.
X1 = λX2
\lambda_1 X_{1i} + \lambda_2 X_{2i} + \cdots + \lambda_k X_{ki} = 0
Y_{i} = \beta _0 + \beta _1 X_{1i} + \cdots + \beta _k X_{ki} + \varepsilon _{i}
XTX
X = \begin{bmatrix} 1 & X_{11} & \cdots & X_{k1} \\ \vdots & \vdots & & \vdots \\ 1 & X_{N1} & \cdots & X_{kN} \end{bmatrix}
\lambda_1 X_{1i} + \lambda_2 X_{2i} + \cdots + \lambda_k X_{ki} + v_i = 0
X1 = λX2
\lambda_1 X_{1i} + \lambda_2 X_{2i} + \cdots + \lambda_k X_{ki} = 0
Y_{i} = \beta _0 + \beta _1 X_{1i} + \cdots + \beta _k X_{ki} + \varepsilon _{i}
XTX
X = \begin{bmatrix} 1 & X_{11} & \cdots & X_{k1} \\ \vdots & \vdots & & \vdots \\ 1 & X_{N1} & \cdots & X_{kN} \end{bmatrix}
\lambda_1 X_{1i} + \lambda_2 X_{2i} + \cdots + \lambda_k X_{ki} + v_i = 0
Похожие вопросы