Методы решения проблемы мультиколлинеарности факторов

Реализация приведенного метода легко применима, а получаемые оценки обладают достаточной надежностью.В альтернативном подходе используются главные компоненты. Возможность их применения для целей решения проблемы мультиколлинеарности объясняется следующимиположениями. Так как мультиколлинеарность обусловлена высокой степенью зависимости между факторами, то можно попробовать заменить исходные переменные ортогональными значениями, представляющими собой линейные комбинации начальных данных. В этих линейных комбинациях в качестве коэффициентов выступают компоненты собственных векторов ковариационной матрицы первичного массива данных. Собственные вектора статистически независимы (ортогональны), в связи с чем построение регрессионной модели упрощается.При использовании методы главных компонентов возможны двеситуации[2, c.13]. В случае абсолютной мультиколлинеарностичисло главных компонентов меньше числа исходных факторов, регрессия строится на главные компоненты, а затем обратным преобразованием возвращаются к исходным переменным. При частичной мультиколлинеарности число главных компонент равно числу исходных переменных, регрессия строится не на все главные компоненты, а лишь на некоторую их часть, характеризующую основную долю вариации исходных признаков. ЗаключениеПри построении модели множественной регрессии возможнапроблема мультиколлинеарности, под которой понимается тесная зависимость между факторными признаками, включенными в модель, при этом парный коэффициент корреляции между соответствующими факторами превышает допустимый уровень. Наличие мультиколлинеарности между признаками может привести к искажению величины параметров модели, которые имеют тенденцию к завышению. Таким образом, процесс определения наиболее существенных факторных признаков осложнится, а также изменится смысл экономической интерпретации коэффициентов регрессии.Наличие мультиколлинеарности можно определить с помощью показателей корреляции между факторами, в частности с помощью анализа матрицы парных коэффициентов корреляции. При значениях коэффициента корреляции выше 0,7-0,8 факторы считаются тесно связанными. Есть и специальные методы исследования мультиколлинеарности: тест Фаррара-Глоубера, расчет индекса обусловленности информационной матрицы, расчет коэффициента "вздутия" дисперсии, оценка фактора инфляции дисперсии (VIF) и др.Существует несколько подходов, позволяющих устранить эффекты мультиколлинеарности: увеличение объема выборки, выбор другойформы функциональной зависимости, добавление в модель новых факторов, преобразование мультиколлинеарных переменных, переход от абсолютных данных к нормированным данным или приращениям, исключение из модели одного из сильно зависящих между собой факторов (обычно тех, у которого теснота корреляционной связи с зависимой переменной ниже), проведение процедур ридж-оценивания или построения так называемой гребневой регрессии, использование главных компонент, псевдообратной матрицы и пр.Список использованных источниковБерезинец, И.В. Основы эконометрики : учебное пособие / И.В. Березинец. - 4-е изд., испр. и доп. - СПб.: Изд-во "Высшая школа менеджмента", 2011. - 192 с.Воищева, О.С. Мультиколлинеарность и проблемы содержательной интерпретации / О.С. Воищева, С.С. Щекунских, Е.П. Рудикова // Экономическое прогнозирование: модели и методы: Материалы X междунар. науч.-практ. конф. - 2014. - С. 11-14.Орлова, И.В. Экономико-математические методы и модели: компьютерное моделирование: учебное пособие / И.В.Орлова, В.А.Половников. - 3-е изд., перераб. и доп. - М.: ИНФРА-М, 2014. - 389 с.Улитина, Е.В. Статистика: учебное пособие / Е.В. Улитина, О.В. Леднева, О.Л. Жирнова; под ред. Е. В. Улитиной. - 3-е изд., стереотип.- М.: Синергия, 2013. - 320 с.Утемисова, Ж.Ж. Мультиколлинеарность экономических показателей и методы ее устранения / Ж.Ж. Утемисова, К.В. Гончарова, Ю.В. Подповетная // Современное бизнес-пространство: актуальные проблемы и перспективы. - 2014. - № 2. - С. 30-32.