Если хотя бы один из этих признаков появляется при регрессионном анализе,
необходима проверка на мультиколлинеарность. Это делается путем
регрессирования каждой НП на все другие НП. К примеру, мы хотим проверить
уравнение
Y’ = а + b
1
X
1
+b
2
X
2
+ b
3
X
3
+ е
через такие уравнения:
X
1
= а + b
2
X
2
+ b
3
X
3
;
Х
2
= а + b
1
X
1
+ b
3
X
3
;
Х
3
= а + b
1
X
1
+ b
2
X
2
.
Если R
2
для любого из этих уравнений будет выше, чем, скажем, 0,8, мы можем
заключить, что имеется значимая мультиколлинеарность.
Существует несколько способов корректировки мультиколлинеарности. Если у
нас есть ряд добавочных по oотношению к выборке случаев (как, например,
тогда, когда мы выбираем данные из опубликованного источника и можем
просто обратиться к нему еще раз и сделать довыборку), увеличение размера
выборки может в какой-то степени уменьшить мультиколлинеарность. Другой
путь – определить, какие именно НП особенно тесно связаны друг с другом, и
объединить их в единый фактор. Если, например, средства, вложенные в
радио-, теле– и печатную рекламу, измеряются в нашем исследовании
сенатских выборов отдельно, а мы обнаружим, что они тесно взаимосвязаны,
можно объединить их в один признак услады в средства массовой
информации, с тем чтобы уменьшить дестабилизирующее воздействие
мультиколлинеарности. Естественно, любое подобное комбинирование будет
работать только в том случае, если оно теоретически обосновано. Нельзя, к
примеру, решать проблему мультиколлинеарности путем объединения
занимаемого кандидатом поста и регионального расположения штата,
поскольку теоретически они относятся к вещам, не связанным друг с другом. И
наконец, можно попробовать справиться с мультиколлинеарностью, отбросив
одну или [c.451] несколько тесно связанных переменных. Это может привести к
искажениям, но, убирая сначала одну, потому другую из связанных НП и
сравнивая результаты регрессий, можно по меньшей мере составить
представление о том, какой урон наносят искажения, а какой – мультиколли-
неарность.
Сравнение независимых переменных. Всегда важно знать, какая из нескольких
НП оказывает наибольшее влияние на зависимую переменную. Если бы мы
хотели заставить людей, к примеру, пристегивать ремни, нам понадобилось бы,
наверное, узнать, какие из факторов, способных вызвать такое поведение, могут
сильнее всего повлиять на решение пристегиваться, и затем действовать
наиболее эффективными методами. Анализ с применением множественной
регрессии очень хорошо подходит для этого, поскольку предусматривает