Multikolinearita

Z Wikipedie, otevřené encyklopedie
Skočit na: Navigace, Hledání

Multikolinearita je v ekonometrii výraz pro vadu vyskytující se v matici pozorování regresorů X, kdy není splněn jeden z Gauss-Markovových požadavků pro odhad metodou nejmenších čtverců a sice, že matice X nemá plnou hodnost - případ tzv. perfektní multikolinearity, popř. matice pozorování XTXdeterminant velmi blízký nule a z toho důvodu lze odhadnout inverzní matici (XTX)-1 pouze za cenu velkých statistických chyb odhadu parametrů v regresním modelu.

Perfektní kolinearita[editovat | editovat zdroj]

Vzniká právě tehdy, pokud jsou sloupce matice X ortogonální (jejich skalární součin je roven nule) nebo pokud je matice X singulární. V praxi není běžná a znamená spíše chybu ve specifikaci modelu.

Multikolinearita[editovat | editovat zdroj]

Příčiny vzniku[editovat | editovat zdroj]

  1. Makroúdaje často vykazují stejné přírůstky za určité období a vyvíjí se stejným směrem
  2. Použití zpožděné proměnné
  3. V důsledku neexperimentálního charakteru dat může multikolinearita objevit i v průřezových datech
  4. Při použití nula-jednotkových proměnných při špatné specifikaci modelu

Důsledky[editovat | editovat zdroj]

  1. Ve statistickém výběru pozorování jsou velké standardní chyby sbj
  2. Silná náchylnost odhadnutého vektoru parametrů b na malé změny v matici X
  3. Vznik pochybností o modelu
  4. Koeficient vícenásobné determinace R vyjde blízko 1 a současně jsou t-testy odhadnutých parametrů statisticky nevýznamné

Měření multikolinearity[editovat | editovat zdroj]

Regrese u modelu s max. dvěma regresory a úrovňovou konstantou[editovat | editovat zdroj]

Použití párových korelačních koeficientů a pokud je , pak předpokládáme multikolinearitu.

Vícenásobná regrese - k > 3[editovat | editovat zdroj]

Použijeme metodu tzv. pomocných regresí, kdy vybereme j-tou exogenní proměnnou a vyjádříme ji zbylými k - 1 exogenními proměnnými.

Spočteme následně koeficient vícenásobné determinace modelu R2. Pokud je R2 blízký 1, pak usuzujeme na existenci kolinearity. Pro potvrzení výsledku můžeme použít statistický F-test založený na testování významnosti celého modelu pomocné regrese.

Empirické pravidlo pro rozpoznání významné multikolinearity je, že pokud je , kde je koeficient vícenásobné determinace modelu a je koeficient vícenásobné determinace j-té pomocné regrese, pak usuzujeme na významnou multikolinearitu.

Farrar - Glauberův test[editovat | editovat zdroj]

Farrar navrhuje sestavit matici kde jsou párové korelační koeficienty mezi proměnnými matice X normovanými podle vzorce:

Je zřejmé, že .

Pokud je determinant matice R roven jedné, jsou sloupce matice X nekorelované. Pokud je determinant roven 0, jedná se o perfektní multikolinearitu. Neexistuje však test statistické významnosti, jež by ukazoval, jaká hodnota det R je již "dostatečně" malá, abychom mohli soudit, že existuje statisticky významná multikolinearita. Z toho lze usoudit, že použití tohoto postupu je pouze aproximativní a na multikolinearitu ukazují až hodnoty blízko nule.[1]

Postup při existenci silné multikolinearity[editovat | editovat zdroj]

  1. zvětšit počet pozorování
  2. využití apriorních omezení z ekonomické teorie (které vyústí např. ve sloučení dvou proměnných)
  3. vypuštění nedominantní závislé proměnné
  4. použití tzv. smíšeného odhadu - využití jak průřezových, tak časových dat
  5. normování proměnných - např. užití prvních diferencí, centrování apod.

Reference[editovat | editovat zdroj]

  • [1] Hušek R., Ekonometrická analýza, Praha, 2007, nakladatelství Oeconomica, str. 98

Příbuzná témata[editovat | editovat zdroj]

Literatura[editovat | editovat zdroj]