Nhận dạng và khắc phục hiện tượng đa cộng tuyến (Multicollinearity)

0
Khuyến mãi mới

Đa cộng tuyến (Multicollinearity) là một hiện tượng khá phổ biến trong các vấn đề của mô hình hồi quy đa biến. Đây là hiện tượng các biến giải thích có tương quan với các biến khác có trong mô hình. Đa cộng tuyến có thể làm cho kết quả nghiên cứu bị sai lệch ở nhiều khía cạnh khác nhau. Khác với các vấn đề khác như phương sai sai số thay đổi, hiện tượng đa cộng tuyến tương đối dễ nhận dạng và khắc phục. Trong phần này tôi sẽ trình bày các tác động của đa cộng tuyến, nguyên nhân và cách khắc phục nó.

Những ảnh hưởng của đa cộng tuyến:

Đa cộng tuyến thông thường có thể không phải là vấn đề quá nghiêm trọng. Tuy nhiên, trong vài trường hợp nó gây ra khá nhiều vấn đề rắc rối. Đa cộng tuyến có thể làm tăng phương sai của các ước lượng hệ số hồi quy; nó làm cho kết quả ước lượng rất nhạy cảm đối với những sự thay đổi nhỏ trong mô hình. Kết quả của nó làm cho các ước lượng trở nên không ổn định và khó giải thích. Nó có thể làm thay đổi dấu của hệ số hồi quy và chúng ta khó có thể xác định được mô hình chính xác. Ngoài ra, đa cộng tuyến còn làm cho hệ số xác định R2 và giá trị thống kê F rất cao trong khi các giá trị thống kê t không có ý nghĩa.

Nguyên nhân của đa cộng tuyến

#1 Do phương pháp thu thập dữ liệu 

Bạn lựa chọn các biến số có tương quan cao với nhau. Ví dụ: thu nhập và của cải, cân nặng và chiều cao...

#2 Do dạng hàm 

Nếu bạn sử dụng dạng hàm bậc hai đối với biến độc lập. Ví dụ: Y= a + B1X + B2X2

#3 Do các biến được thu thập dưới dạng chuỗi thời gian

Trường hợp này thường xuất hiện đối với các biến kinh tế vĩ mô: ví dụ lãi suất và CPI.

Nhận dạng đa cộng tuyến

#1 Hệ số xác định cao nhưng giá trị thống kê t thấp

#2 Tương quan giữa các biến độc lập cao 

Bạn có thể dùng Correlation Matrix để xem.

#3 Sử dụng mô hình hồi quy phụ

Tức là xây dựng mô hình hồi quy giữa 2 biến độc lập với nhau. Nếu hệ số hồi quy của mô hình này có ý nghĩa thống kê thì có hiện tượng đa cộng tuyến.

#4 Sử dụng nhân tố phóng đại phương sai (VIF - Variance Inflation Factor)

Vui lòng  đăng nhập hoặc đăng ký để đọc tiếp

Leave A Reply