Multicollinearity
मल्टीकोलिनरिटी क्या है?
मल्टीकोलिनरिटी एक मल्टीपल रिग्रेशन मॉडल में दो या अधिक स्वतंत्र चर के बीच उच्च अंतर्संबंधों की घटना है। जब एक शोधकर्ता या विश्लेषक एक सांख्यिकीय मॉडल में आश्रित चर का अनुमान लगाने या समझने के लिए सबसे प्रभावी रूप से इस्तेमाल किया जा सकता है, तो यह निर्धारित करने के लिए मल्टीकोलिनरिटी तिरछा या भ्रामक परिणाम दे सकती है।
सामान्य तौर पर, बहुस्तरीयता एक मॉडल में स्वतंत्र चर के प्रभाव के संदर्भ में व्यापक विश्वास अंतराल पैदा कर सकती है जो कम विश्वसनीय संभावनाएं पैदा करती है। यही है, मल्टीकोलिनरिटी वाले मॉडल से सांख्यिकीय अनुमान भरोसेमंद नहीं हो सकता है।
चाबी छीन लेना
- बहुसंस्कृति एक सांख्यिकीय अवधारणा है जहां एक मॉडल में स्वतंत्र चर सहसंबद्ध होते हैं।
- स्वतंत्र चर के बीच बहुरूपता कम विश्वसनीय सांख्यिकीय निष्कर्षों में परिणाम देगा।
- दो या दो से अधिक चर का उपयोग करने वाले कई प्रतिगमन मॉडल का निर्माण करते समय, स्वतंत्र चर का उपयोग करना बेहतर नहीं होता है जो कि सहसंबद्ध या दोहराव नहीं है।
बहुविकल्पीता को समझना
सांख्यिकीय विश्लेषक दो या अधिक स्वतंत्र चर के मूल्यों के आधार पर निर्दिष्ट निर्भर चर के मूल्य की भविष्यवाणी करने के लिए कई प्रतिगमन मॉडल का उपयोग करते हैं । आश्रित चर को कभी-कभी परिणाम, लक्ष्य या कसौटी चर कहा जाता है।
एक उदाहरण एक बहुभिन्नरूपी प्रतिगमन मॉडल है जो मूल्य-से-आय अनुपात (पी / ई अनुपात), बाजार पूंजीकरण, पिछले प्रदर्शन, या अन्य डेटा जैसी वस्तुओं के आधार पर स्टॉक रिटर्न का अनुमान लगाने का प्रयास करता है । स्टॉक रिटर्न निर्भर चर है और वित्तीय डेटा के विभिन्न बिट्स स्वतंत्र चर हैं।
एक बहु प्रतिगमन मॉडल में मल्टीकोलिनरिटी इंगित करता है कि कोलिनियर स्वतंत्र चर कुछ फैशन में संबंधित हैं, हालांकि संबंध आकस्मिक हो सकता है या नहीं हो सकता है। उदाहरण के लिए, पिछला प्रदर्शन बाजार पूंजीकरण से संबंधित हो सकता है, क्योंकि जिन शेयरों ने अतीत में अच्छा प्रदर्शन किया है, उनके बाजार मूल्यों में वृद्धि होगी। दूसरे शब्दों में, जब दो स्वतंत्र चर अत्यधिक सहसंबद्ध होते हैं, तो बहुसंख्याता मौजूद रह सकती है। यह तब भी हो सकता है जब डेटा सेट में अन्य चर से एक स्वतंत्र चर की गणना की जाती है या यदि दो स्वतंत्र चर समान और दोहराव वाले परिणाम प्रदान करते हैं।
मल्टीकोलिनरिटी की समस्या को खत्म करने के सबसे सामान्य तरीकों में से एक है, पहले कोलियर स्वतंत्र चर की पहचान करना और उसके बाद सभी को हटा देना। दो या दो से अधिक कोलीनियर वैरिएबल्स को एक सिंगल वेरिएबल में मिला कर मल्टीकोलिनरिटी को खत्म करना भी संभव है। सांख्यिकीय विश्लेषण तब निर्दिष्ट निर्भर चर और केवल एक स्वतंत्र चर के बीच संबंधों का अध्ययन करने के लिए आयोजित किया जा सकता है।
मल्टीकोलिनरिटी का उदाहरण
निवेश के लिए, एक शेयर या कमोडिटी भविष्य जैसे सुरक्षा की संभावित भविष्य की कीमतों के आंदोलनों की भविष्यवाणी करने के लिए तकनीकी विश्लेषण का प्रदर्शन करते समय बहुरंगीता एक सामान्य विचार है ।
बाजार के विश्लेषक तकनीकी संकेतकों का उपयोग करने से बचना चाहते हैं जो इस तरह से मेल खाते हैं कि वे बहुत समान या संबंधित इनपुट पर आधारित हैं; वे मूल्य आंदोलन के आश्रित चर के संबंध में इसी तरह की भविष्यवाणियों को प्रकट करते हैं। इसके बजाय, बाजार विश्लेषण को अलग-अलग स्वतंत्र चर पर आधारित होना चाहिए ताकि यह सुनिश्चित हो सके कि वे अलग-अलग स्वतंत्र विश्लेषणात्मक दृष्टिकोण से बाजार का विश्लेषण करते हैं।
संभावित मल्टीकोलिनरिटी समस्या का एक उदाहरण केवल कई समान संकेतकों का उपयोग करके तकनीकी विश्लेषण कर रहा है।
प्रसिद्ध तकनीकी विश्लेषक जॉन बोलिंगर, बोलिंगर बैंड संकेतक के निर्माता, ध्यान दें कि “तकनीकी विश्लेषण के सफल उपयोग के लिए एक कार्डिनल नियम के लिए संकेतक के बीच मल्टीकोलिनरिटी से बचने की आवश्यकता होती है।” समस्या को हल करने के लिए, विश्लेषक एक ही प्रकार के दो या अधिक तकनीकी संकेतकों का उपयोग करने से बचते हैं। इसके बजाय, वे एक प्रकार के संकेतक का उपयोग करके एक सुरक्षा का विश्लेषण करते हैं, जैसे कि एक गति संकेतक, और फिर एक अलग प्रकार के संकेतक का उपयोग करके अलग-अलग विश्लेषण करते हैं, जैसे कि प्रवृत्ति संकेतक।
उदाहरण के लिए, स्टोचस्टिक, सापेक्ष शक्ति सूचकांक (आरएसआई), और विलियम्स% आर सभी गति संकेतक हैं जो समान इनपुट पर भरोसा करते हैं और समान परिणाम उत्पन्न करने की संभावना है। इस मामले में, सभी संकेतकों में से एक को निकालना बेहतर है या उनमें से कई को सिर्फ एक संकेतक में विलय करने का एक तरीका ढूंढना है, जबकि एक प्रवृत्ति संकेतक भी जोड़ना है जो गति संकेतक के साथ अत्यधिक सहसंबद्ध होने की संभावना नहीं है।