Què és la multicolinealitat?
La multicollinearitat és l’ocurrència d’interrelacions altes entre variables independents en un model de regressió múltiple. La multicolinealitat pot donar lloc a resultats esbiaixats o enganyats quan un investigador o analista intenta determinar el bé que es pot fer servir cada variable independent de manera més eficaç per predir o comprendre la variable dependent en un model estadístic. En general, la multicollinearitat pot comportar intervals de confiança més amplis i valors de probabilitat menys fiables per a les variables independents. És a dir, és possible que les inferències estadístiques d’un model amb multicolinealitat no siguin confiables.
Comprensió multicolinealitat
Els analistes estadístics utilitzen models de regressió múltiples per predir el valor d'una variable depenent especificada basada en els valors de dues o més variables independents. De vegades es fa referència a la variable dependent com a resultat de resultat, objectiu o variable de criteri. Un exemple és un model de regressió multivariant que intenta anticipar-se a rendiments d’accions basats en ítems com les relacions preu-beneficis, la capitalització de mercat, el rendiment anterior o altres dades. La rendibilitat de les accions és la variable depenent i els diversos bits de dades financeres són les variables independents.
Punts clau
- La multicolinealitat és un concepte estadístic on es correlacionen variables independents en un model. La multicolinealitat entre variables independents donarà lloc a inferències estadístiques menys fiables. És millor utilitzar variables independents que no es correlacionin o que siguin repetitives quan es construeixin models de regressió múltiples que utilitzin dues o més variables..
La multicollinearitat en un model de regressió múltiple indica que en algunes maneres es relacionen variables independents collineals, encara que la relació pot o no ser casual. Per exemple, el rendiment passat podria estar relacionat amb la capitalització de mercat, ja que les accions que han funcionat bé en el passat tindran valors de mercat creixents. En altres paraules, la multicollinearitat pot existir quan dues variables independents estan altament correlacionades. També pot passar si es calcula una variable independent a partir d’altres variables del conjunt de dades o si dues variables independents proporcionen resultats similars i repetitius.
Una de les maneres més comunes d’eliminar el problema de la multicolinealitat és identificar primer les variables independents collineals i després eliminar totes. També és possible eliminar la multicolinealitat combinant dues o més variables collineals en una única variable. A continuació, es pot realitzar una anàlisi estadística per estudiar la relació entre la variable depenent especificada i només una única variable independent.
Exemple de multicollinearitat
Per a la inversió, la multicollinearitat és una consideració habitual quan es fa una anàlisi tècnica per predir possibles moviments futurs de preus d’una fita, com ara un estoc o un futur de mercaderies. Els analistes de mercat volen evitar l'ús d'indicadors tècnics col·laborals, ja que es basen en inputs molt similars o relacionats; acostumen a revelar prediccions similars sobre la variable depenent del moviment de preus. En canvi, l’anàlisi del mercat s’ha de basar en variables independents marcadament diferents per garantir que analitzin el mercat des de diferents punts de vista analítics independents.
L'analista John Bollinger, creador de l'indicador Bollinger Bands, destaca que "una regla cardinal per a l'ús amb èxit de l'anàlisi tècnica requereix evitar la multicollinearitat enmig d'indicadors".
Per solucionar el problema, els analistes eviten utilitzar dos o més indicadors tècnics del mateix tipus. En canvi, analitzen una seguretat mitjançant un tipus d’indicador, com ara un indicador d’impuls i, a continuació, fan anàlisis separats mitjançant un tipus d’indicador diferent, com un indicador de tendència.
Un exemple de potencial problema de multicollinearitat és realitzar anàlisis tècnics només utilitzant diversos indicadors similars, com ara l’estocàstica, l’índex de força relativa (RSI) i el Williams% R, que són tots indicadors d’impuls que depenen d’inputs similars i és probable que produeixin similars. resultats. En aquest cas, és millor suprimir tots els indicadors, excepte un, o bé trobar la manera de combinar-ne diversos en un sol indicador, alhora que afegir-hi un indicador de tendència que probablement no estigui altament correlacionat amb l’indicador d’impuls.
