Çoklu doğrusallık problemi aslında çoğu ekonometrik ders kitabında iyi çalışılmıştır. Dahası, wikipedia'da temel sorunların çoğunu özetleyen iyi bir makale var .
XTX
- verilerin daha küçük alt örnekleri üzerinde yuvarlanma regresyonları veya tahminleri gerçekleştirirken parametre tahminlerinde büyük değişiklikler
- tF
- R,2
- Durum dizini, VIF veya CI'nin sorunun kaldığını göstermesi durumunda VIF'e bir alternatiftir, bu nedenle bu sonuçtan istatistiksel olarak memnun kalabilirsiniz , ancak ...
muhtemelen teorik olarak değil, çünkü tüm değişkenlerin modelde bulunması gerekir (ve genellikle durumdur). Alakalı değişkenleri hariç tutmak (atlanan değişken problemi) yine de taraflı ve tutarsız parametre tahminleri yapar. Öte yandan, analiziniz buna dayandığı için tüm odak değişkenlerini dahil etmek zorunda kalabilirsiniz. Veri madenciliği yaklaşımında en uygun olanı aramak için daha teknik olsanız da.
Bu yüzden (kendimi kullanacağım) alternatifleri unutmayın:
- daha fazla veri noktası elde edin (daha büyük veri kümesi için VIF gereksinimlerinin daha küçük olduğunu ve yavaşça değişiyorsa açıklayıcı değişkenlerin zaman veya kesitte bazı önemli noktalar için değişebileceğini hatırlayın)
- temel bileşenler aracılığıyla latent faktörleri araştırmak (ikincisi dik birleşimlerdir, bu yüzden yapı tarafından çok yönlü değil, daha çok tüm açıklayıcı değişkenleri içerir)
- sırt regresyonu (parametre tahminlerinde küçük yanlılık getirir, ancak onları oldukça kararlı hale getirir)
Diğer bazı püf noktaları yukarıda belirtilen wiki makalesinde yer almaktadır.