多重共線性とは
多重共線性とは、重回帰モデルの独立変数間の高い相互相関の発生です。 多重共線性は、研究者またはアナリストが統計モデルの従属変数を予測または理解するために各独立変数を最も効果的に使用できるかどうかを判断しようとするときに、歪んだ結果または誤解を招く結果につながります。 一般に、多重共線性により、独立変数の信頼区間が広くなり、信頼値の信頼性が低下する可能性があります。 つまり、多重共線性を持つモデルからの統計的推論は信頼できない場合があります。
多重共線性の理解
統計アナリストは、複数の回帰モデルを使用して、2つ以上の独立変数の値に基づいて、指定された従属変数の値を予測します。 従属変数は、結果、ターゲット、または基準変数と呼ばれることもあります。 例は、株価収益率、時価総額、過去の実績、またはその他のデータなどの項目に基づいて、株式のリターンを予測しようとする多変量回帰モデルです。 株価収益率は従属変数であり、財務データのさまざまなビットは独立変数です。
重要なポイント
- 多重共線性とは、モデル内の独立変数が相関する統計的概念です。独立変数間の多重共線性は、統計的推論の信頼性を低下させます。 。
重回帰モデルの多重共線性は、共線独立変数が何らかの形で関係していることを示しますが、関係は偶然かもしれないし、そうでないかもしれません。 たとえば、過去のパフォーマンスは時価総額に関連している可能性があります。過去に良好な成績を収めた株式の市場価値が増加するためです。 つまり、2つの独立変数の相関が高い場合、多重共線性が存在する可能性があります。 独立変数がデータセット内の他の変数から計算される場合、または2つの独立変数が同様の反復結果を提供する場合にも発生します。
多重共線性の問題を解消する最も一般的な方法の1つは、まず共線性の独立変数を特定し、次に1つを除くすべてを削除することです。 2つ以上の共線変数を単一の変数に結合することにより、多重共線性を排除することもできます。 次に、統計分析を実行して、指定された従属変数と単一の独立変数のみの関係を調べることができます。
多重共線性の例
投資については、株式や商品の先物など、証券の将来の価格変動の可能性を予測するためのテクニカル分析を実行する際に、多重共線性が一般的に考慮されます。 市場アナリストは、非常に類似した、または関連する入力に基づいているため、同一線上にある技術指標の使用を避けたいと考えています。 それらは、価格変動の従属変数に関する同様の予測を明らかにする傾向があります。 代わりに、市場分析は著しく異なる独立変数に基づいて、異なる独立した分析視点から市場を分析することを保証する必要があります。
ボリンジャーバンドインディケーターの作成者であるテクニカルアナリストのジョンボリンジャーは、「テクニカル分析を成功させるための基本的なルールは、インディケーターの中の多重共線性を回避する必要がある」と述べています。
問題を解決するために、アナリストは同じタイプの2つ以上のテクニカルインジケーターの使用を避けています。 代わりに、モメンタムインジケーターなどの1つのタイプのインジケーターを使用してセキュリティを分析し、トレンドインジケーターなどの異なるタイプのインジケーターを使用して個別の分析を行います。
潜在的な多重共線性問題の例としては、確率論、相対強度指数（RSI）、ウィリアムズ％Rなど、いくつかの類似した指標のみを使用してテクニカル分析を実行することがあります。結果。 この場合、インディケーターの1つを除くすべてを削除するか、複数のインディケーターを1つのインディケーターにマージする方法を見つけて、モメンタムインディケーターとはあまり相関しない傾向インジケーターを追加することをお勧めします。
