monikolineaarisuutta

Monikollineaarisuus viittaa tilanteeseen tilastollisessa mallinnuksessa, jossa kaksi tai useampi selittävä muuttuja on voimakkaasti lineaarisesti riippuvaisia toisistaan. Tämä ilmiö ilmenee useimmiten regressioanalyysissä, jossa pyritään ennustamaan yhden muuttujan (vastemuuttuja) arvoa useiden muiden muuttujien (selittäjämuuttujien) avulla. Jos selittäjämuuttujat ovat keskenään vahvasti korreloivia, mallin estimaatit voivat muuttua epävakaiksi ja vaikeasti tulkittaviksi.

Yksi monikollineaarisuuden keskeisistä ongelmista on, että se voi kasvattaa estimaattien varianssia merkittävästi. Tämä tarkoittaa, että pienet muutokset aineistossa voivat johtaa suuriin muutoksiin regressiokertoimien estimaateissa. Tämän seurauksena yksittäisten selittäjämuuttujien vaikutuksen eristäminen ja tulkinta voi olla haastavaa. Lisäksi monikollineaarisuus voi johtaa tilastollisesti merkitsemättömiin regressiokertoimiin silloinkin, kun selittäjämuuttuja kokonaisuutena on merkityksellinen mallin ennustamiskyvylle.

Monikollineaarisuutta voidaan tunnistaa tarkastelemalla korrelaatiomatriisia selittäjämuuttujien välillä tai laskemalla varianssin inflaatiokerroin (VIF). Korkea korrelaatioarvo tai korkea VIF-arvo viittaa ongelmaan. Joitakin tapoja käsitellä monikollineaarisuutta ovat selittäjämuuttujien poistaminen mallista, muuttujien yhdistäminen tai menetelmien, kuten pääkomponenttiregressio, käyttö.