Multikollinearität
Multikollinearität ist das Auftreten hoher Wechselbeziehungen zwischen unabhängigen Variablen in einem multiplen Regressionsmodell. Multikollinearität kann zu verzerrten oder irreführenden Ergebnissen führen, wenn ein Forscher oder Analyst zu bestimmen versucht, wie gut jede unabhängige Variable am effektivsten zur Vorhersage oder zum Verständnis der abhängigen Variablen in einem statistischen Modell verwendet werden kann. Im Allgemeinen kann Multikollinearität zu größeren Konfidenzintervallen und weniger zuverlässigen Wahrscheinlichkeitswerten (P-Werten) für die unabhängigen Variablen führen.
BREAKING DOWN Multikollinearität
Statistische Analysten verwenden mehrere Regressionsmodelle, um den Wert einer bestimmten abhängigen Variablen basierend auf den Werten von zwei oder mehr unabhängigen Variablen vorherzusagen. Die abhängige Variable wird manchmal als Ergebnis-, Ziel- oder Kriterienvariable bezeichnet. Multikollinearität in einem multiplen Regressionsmodell zeigt an, dass kollineare unabhängige Variablen in gewisser Weise zusammenhängen, obwohl die Beziehung möglicherweise zufällig ist oder nicht.
Eine der häufigsten Möglichkeiten, das Problem der Multikollinearität in einer Studie zu beseitigen, besteht darin, zunächst kollineare unabhängige Variablen zu identifizieren und dann alle bis auf eine zu entfernen. Es ist auch möglich, Multikollinearität zu eliminieren, indem zwei oder mehr kollineare Variablen zu einer einzigen Variablen kombiniert werden. Eine statistische Analyse kann dann durchgeführt werden, um die Beziehung zwischen der angegebenen abhängigen Variablen und nur einer einzelnen unabhängigen Variablen zu untersuchen.
Multikollinearität beim Investieren
Beim Investieren ist Multikollinearität eine gängige Überlegung, wenn eine technische Analyse durchgeführt wird, um wahrscheinliche zukünftige Kursbewegungen eines Wertpapiers wie einer Aktie oder eines Warentermins vorherzusagen. Marktanalysten möchten es vermeiden, technische Indikatoren zu verwenden, die insofern kollinear sind, als sie auf sehr ähnlichen oder verwandten Inputs basieren. Sie tendieren dazu, ähnliche Vorhersagen in Bezug auf die abhängige Variable der Preisbewegung zu machen. Stattdessen möchten sie eine Marktanalyse auf der Grundlage deutlich unterschiedlicher unabhängiger Variablen durchführen, die sich auf verschiedene technische Indikatoren beziehen, um sicherzustellen, dass sie den Markt aus unterschiedlichen unabhängigen analytischen Gesichtspunkten analysieren.
Der bekannte technische Analyst John Bollinger, Schöpfer des Indikators Bollinger Bands, stellt fest, dass "eine Grundregel für den erfolgreichen Einsatz der technischen Analyse die Vermeidung von Multikollinearität inmitten von Indikatoren erfordert".
Um das Problem der Multikollinearität zu vermeiden, vermeiden Analysten die Verwendung von zwei oder mehr technischen Indikatoren desselben Typs. Stattdessen analysieren sie ein Wertpapier mit einem bestimmten Indikatortyp, z. B. einem Momentumindikator, und führen dann eine separate Analyse mit einem anderen Indikatortyp, z. B. einem Trendindikator, durch. Ein Beispiel für ein potenzielles Multikollinearitätsproblem ist die Durchführung einer technischen Analyse unter Verwendung mehrerer ähnlicher Indikatoren wie Stochastik, relativer Stärkeindex (RSI) und Williams% R, die allesamt Momentumindikatoren sind, die auf ähnlichen Inputs beruhen und wahrscheinlich ähnliche Ergebnisse erzielen Ergebnisse.
Vergleich von Anlagekonten Name des Anbieters Beschreibung Angaben zum Werbetreibenden × Die in dieser Tabelle aufgeführten Angebote stammen von Partnerschaften, von denen Investopedia eine Vergütung erhält.