همخطی در ایویوز

همخطی در ایویوز،در این آموزش مفهوم همخطی و نحوه ی شناسایی آن و رفع هم خطی در نرم افزار ایویوز بیان شده است.

عدم وجود هم خطی از فروض کلاسیک رگرسیونی نیست اما برقرار بودن این فرض در برآورد و تخمین مدلی کارا،سازگار و بهتر ارائه می دهد.

در مواجه با ارور near singular matrix چه کنیم؟این ارور مشکل هم خطی را بیان می کند.

مفهوم همخطی

هم خطی در مدل وابستگی و هم بستگی شدید متغیرهای مستقل با هم را بیان میکند.

به صورتی که یک ار متغیرهای مستقل رابطه ی ریاضی مستقیمی با متغیر مستقل دیگر داشته باشد؛وجود هم خطی ارتباطی به متغیر مستقل مدل ندارد.

وقتی متغیرهای مستقل باهم همخطی دارند،اندازه ی دترمینان ماتریس مستقل به صفر نزدیک می شود.

این بحث باعث عدم دسترسی به ماتریس معکوس متغیرها و به تبع آن محروم شدن از محاسبه ی پارامتر های مدل می شود.

شناسایی همخطی در ایویوز

برای این کار از جدول ضرایب هم بستگی (این لینک) میتوان استفاده کرد،اما این جداول اختلال های پیچیده تر را نمی توانند تشخیص دهند.

به همین منظور از معیار VIF استفاده می کنیم.معیار VIF عامل تورم واریانس است.

در نرم افزار ایویوز پس از برآورد مدل از مسیر

View/Coefficient Diagnostics/Variance Inflation Factors

جدولی ظاهر می شود که که ستون  Centered VIF مقادیر متمرکز عامل تورم واریانس را نشان می دهد.

این آماره اگر کم تر از 10 باشد همخطی بین متغیر های مستقل وجود ندارد.

همان طور که در تصویر بالا مشاهده می کنیم در ستون انتهایی عدد 14.4 و 19.57 بیش نر از 10 هستند و نیاز به رفع هم خطی در مدل ضروری است.

اگر در مدل تخمین زده شده،ضریب تعیین مدل (R-squared) مقدار عددی بالایی (نزدیک به یک) داشته باشد ولی متغییرهای مدل معنادار نباشند،احتمالا متغییرها دارای هم خطی هستند.

رفع همخطی در ایویوز

برای رفع مشکل هم خطی روش های زیادی وجود دارد:

اولین روش بیشتر کردن تعداد نمونه است.

دومین اقدام این است که از متغیر هایی که دچار همخطی هستند Log یا Ln یا از داده ها معکوس گرفته شود.

روش بعدی کنار گذاشتن یکی از متغیر هایی است که ایجاد هم خطی با متغیر مستقل دیگر می کند.

روش هم تحت عنوان تکنیک رگرسیون مرزی می باشد که در آموزش های بعدی بیان خواهد شد.

از هر کدام از روش های بالا می توان استفاده کرد اما با محدودیت مواجه هستیم.

مثلا برای افزودن داده های نمونه ای شاید نتوانیم داده ها را زیادتر کنیم.

موارد نادیده گرفتن همخطی

در موارد زیر می توان اثر هم خطی را نادیده گرفت:

1-زمانی که VIF بین متغییر های کنترلی بالا باشد.

2-زمانی که متغیر موهومی دارای VIF بزرگی باشد.

3-اگر هدف از برآورد پیش بینی باشد.

4-اگر تمام نتایج مدل بدون اشکال باشد.

با لینک زیر می توانید به صفحه ی آموزش نرم افزار ایویوز رایگان،جامع و گام به گام  EViews بروید.