Исследование поведения относительных вкладов переменных в общую детерминацию в оцененном на основе метода выпрямления искаженных коэффициентов регрессионном уравнении
https://doi.org/10.55648/1998-6920-2022-16-1-89-96
Аннотация
Для решения проблемы мультиколлинеарности в регрессионном анализе может применяться ранее разработанный автором метод выпрямления искаженных коэффициентов, основанный на построении модели полносвязной линейной регрессии. В статье для оценки степени влияния независимых переменных на зависимую переменную в полученном с помощью этого метода регрессионном уравнении предлагается использовать относительные вклады переменных в общую детерминацию. Доказано, что в таком уравнении в случае линейной функциональной зависимости входных переменных их относительные вклады в общую детерминацию равны. Тогда при сильной корреляции входных переменных их вклады распределяются примерно одинаково. Доказано, что задача оценивания полносвязной регрессии не зависит от выбора связующей переменной. Полученные результаты успешно продемонстрированы на примере моделирования внутреннего валового продукта (ВВП) России.
Об авторе
М. П. Базилевский
ИрГУПС
Россия
Россия
Базилевский Михаил Павлович, к.т.н., доцент кафедры математики
664074, Иркутск, ул. Чернышевского, 15
Список литературы
1. Arkes J. Regression analysis: a practical introduction. Routledge, 2019. 362 p.
2. Westfall P. H., Arias A. L. Understanding regression analysis: a conditional distribution approach. Chapman and Hall/CRC, 2020. 514 p.
3. Thompson C.G., Kim R.S., Aloe A.M., Becker B.J. Extracting the variance inflation factor and other multicollinearity diagnostics from typical regression results // Basic and Applied Social Psychology. 2017. V. 39, № 2. P. 81–90.
4. Yoo C., Cho E. Effect of multicollinearity on the bivariate frequency analysis of annual maximum rainfall events // Water. 2019. V. 11, № 5. P. 905.
5. Lindner T., Puck J., Verbeke A. Misconceptions about multicollinearity in international business research: Identification, consequences, and remedies // Journal of International Business Studies. 2020. V. 51. P. 283–298.
6. Giacalone M., Panarello D., Mattera R. Multicollinearity in regression: an efficiency comparison between Lp-norm and least squares estimators // Quality & Quantity: International Journal of Methodology. 2018. V. 52, № 4. P. 1831–1859.
7. Babaie-Kafaki S., Roozbeh M. A revised Cholesky decomposition to combat multicollinearity in multiple regression models // Journal of Stat. Comp. and Simul. 2017. V. 87. P. 2298–2308.
8. Dawoud I. A new improved estimator for reducing the multicollinearity effects // Communication in Statistics – Simulation and Computation. 2021. P. 1–12.
9. Bazilevskiy M. P. Multifactor fully connected linear regression models without constraints to the ratios of variables errors variances // Inform. and its Applic. 2020. V. 14, № 2. P. 92–97.
10. Bazilevskiy M. P. Method of straightening distorted due to multicollinearity coefficients in regression models // Informatics and its Applications. 2021. V. 15, № 2. P. 60–65.
Рецензия
Для цитирования:
Базилевский М.П. Исследование поведения относительных вкладов переменных в общую детерминацию в оцененном на основе метода выпрямления искаженных коэффициентов регрессионном уравнении. Вестник СибГУТИ. 2022;(1):89-96. https://doi.org/10.55648/1998-6920-2022-16-1-89-96
For citation:
Bazilevskiy M.P. Researching the behavior of variables relative contributions to the total determination in regression equation estimated using the method of distorted coefficients straightening. The Herald of the Siberian State University of Telecommunications and Information Science. 2022;(1):89-96. (In Russ.) https://doi.org/10.55648/1998-6920-2022-16-1-89-96
Просмотров:
3497
Послать статью по эл. почте 