Multicolinearidade é um problema porque ela prejudica a significância estatística de uma variável independente. Se tudo o mais for igual, quanto maior o erro padrão de um coeficiente de regressão, menos provável é que esse coeficiente seja estatisticamente significativo.
Como você sabe se a multicolinearidade é um problema?
Uma maneira de medir a multicolinearidade é o fator de inflação de variância (VIF), que avalia o quanto a variância de um coeficiente de regressão estimado aumenta se seus preditores estiverem correlacionados. … Um VIF entre 5 e 10 indica alta correlação que pode ser problemática.
A colinearidade é um problema para previsão?
Multicolinearidade ainda é um problema para poder preditivo. Seu modelo será superajustado e menos provável de generalizar para dados fora da amostra. Felizmente, seu R2 não será afetado e seus coeficientes ainda serão imparciais.
Por que a colinearidade é um problema na regressão?
Multicolinearidade reduz a precisão dos coeficientes estimados, o que enfraquece o poder estatístico do seu modelo de regressão. Talvez você não consiga confiar nos valores de p para identificar variáveis independentes estatisticamente significativas.
Quando você deve ignorar a colinearidade?
Aumenta os erros padrão de seus coeficientes, e pode tornar esses coeficientes instáveis de várias maneiras. Mas enquanto o colinearvariáveis são usadas apenas como variáveis de controle e não são colineares com suas variáveis de interesse, não há problema.
