Pomini\u0119ta zmienna jest cz\u0119sto wykluczana z modelu regresji z jednego z dw\u00f3ch powod\u00f3w:<\/span><\/p>\n 1.<\/strong> Dane dla zmiennej s\u0105 po prostu niedost\u0119pne.<\/span><\/p>\n 2.<\/strong> Wp\u0142yw zmiennej obja\u015bniaj\u0105cej na zmienn\u0105 odpowiedzi<\/a> jest nieznany.<\/span><\/p>\n Aby pomini\u0119ta zmienna faktycznie zniekszta\u0142ca\u0142a wsp\u00f3\u0142czynniki modelu, musz\u0105 zosta\u0107 spe\u0142nione dwa warunki:<\/span><\/p>\n 1.<\/strong> Pomini\u0119ta zmienna musi by\u0107 skorelowana z jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych obja\u015bniaj\u0105cych w modelu.<\/span><\/p>\n 2.<\/strong> Pomini\u0119t\u0105 zmienn\u0105 nale\u017cy skorelowa\u0107 ze zmienn\u0105 odpowiedzi w modelu.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy dwie zmienne obja\u015bniaj\u0105ce, A i B, oraz zmienn\u0105 odpowiedzi Y. Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy prosty model regresji liniowej z A jako jedyn\u0105 zmienn\u0105 obja\u015bniaj\u0105c\u0105 i pomijamy B w modelu.<\/span><\/p>\n Je\u015bli B jest skorelowane z A i<\/em> skorelowane z Y, spowoduje to b\u0142\u0105d w oszacowaniu wsp\u00f3\u0142czynnika A. Poni\u017cszy diagram pokazuje, w jaki spos\u00f3b oszacowanie wsp\u00f3\u0142czynnika A b\u0119dzie obci\u0105\u017cone, w zale\u017cno\u015bci od charakteru zwi\u0105zku z B:<\/span> <\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy zbada\u0107 wp\u0142yw metra\u017cu na cen\u0119 nieruchomo\u015bci i dlatego stosujemy nast\u0119puj\u0105cy prosty model regresji liniowej:<\/span><\/p>\n Cena domu = B 0<\/sub> + B 1<\/sub> (powierzchnia kwadratowa)<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce oszacowany model to:<\/span><\/p>\n Cena domu = 40 203,91 + 118,31 (pow. kwadratowa)<\/strong><\/span><\/p>\n Spos\u00f3b, w jaki interpretujemy wsp\u00f3\u0142czynnik metra kwadratowego, jest taki, \u017ce ka\u017cdy dodatkowy wzrost o jedn\u0105 jednostk\u0119 metra kwadratowego wi\u0105\u017ce si\u0119 ze wzrostem ceny domu \u015brednio o 118,31 USD.<\/em><\/span><\/p>\n Za\u0142\u00f3\u017cmy jednak, \u017ce pominiemy zmienn\u0105 obja\u015bniaj\u0105c\u0105 wiek<\/em> , kt\u00f3ra okazuje si\u0119 silnie ujemnie skorelowana z metra\u017cem kwadratowym i silnie ujemnie skorelowana z cen\u0105 nieruchomo\u015bci. Ta zmienna powinna znajdowa\u0107 si\u0119 w modelu, ale jej nie ma. Zatem oszacowanie wsp\u00f3\u0142czynnika dla metra kwadratowego jest prawdopodobnie stronnicze.<\/span><\/p>\n Poniewa\u017c wiek<\/em> jest ujemnie skorelowany zar\u00f3wno ze zmienn\u0105 obja\u015bniaj\u0105c\u0105, jak i odpowiedzi\u0105 w modelu, spodziewamy si\u0119, \u017ce oszacowanie wsp\u00f3\u0142czynnika dla powierzchni kwadratowej b\u0119dzie dodatnio obci\u0105\u017cone:<\/span> <\/p>\n Za\u0142\u00f3\u017cmy, \u017ce znajdziemy dane dotycz\u0105ce wieku mieszkania i nast\u0119pnie uwzgl\u0119dnimy je w modelu. Model staje si\u0119 w\u00f3wczas:<\/span><\/p>\n Cena domu = B 0<\/sub> + B 1<\/sub> (powierzchnia kwadratowa) + B 2<\/sub> (wiek)<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce oszacowany model to:<\/span><\/p>\n Cena domu = 123 426,20 + 81,06 (pow. kwadratowa) \u2013 1 291,04 (wiek)<\/strong><\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce oszacowanie wsp\u00f3\u0142czynnika dla metra kwadratowego znacznie si\u0119 zmniejszy\u0142o, co oznacza, \u017ce w poprzednim modelu by\u0142o<\/em> dodatnio obci\u0105\u017cone.<\/span><\/p>\n Spos\u00f3b, w jaki interpretujemy wsp\u00f3\u0142czynnik metra kwadratowego w tym modelu, jest taki, \u017ce ka\u017cdy dodatkowy wzrost o jedn\u0105 jednostk\u0119 metra kwadratowego wi\u0105\u017ce si\u0119 ze \u015brednim wzrostem ceny domu o 81,06 USD, przy za\u0142o\u017ceniu, \u017ce wiek pozostaje sta\u0142y.<\/em><\/span><\/p>\n Niestety, w \u015bwiecie rzeczywistym cz\u0119sto zdarza si\u0119, \u017ce obci\u0105\u017cenie pomini\u0119tymi zmiennymi cz\u0119sto wyst\u0119puje, poniewa\u017c pewne zmienne powinny<\/em> generalnie zosta\u0107 uwzgl\u0119dnione w modelu regresji, ale tak si\u0119 nie dzieje, poniewa\u017c dane na ich temat nie s\u0105 dost\u0119pne lub zwi\u0105zek mi\u0119dzy nimi a zmienn\u0105 odpowiedzi jest nieznany.<\/span><\/p>\n Je\u015bli to mo\u017cliwe, powiniene\u015b spr\u00f3bowa\u0107 uwzgl\u0119dni\u0107 wszystkie istotne zmienne obja\u015bniaj\u0105ce w modelu regresji, aby zrozumie\u0107 prawdziwy zwi\u0105zek mi\u0119dzy zmiennymi obja\u015bniaj\u0105cymi a zmienn\u0105 odpowiedzi.<\/span><\/p>\n Wy\u0142\u0105czenie odpowiednich zmiennych obja\u015bniaj\u0105cych z modelu mo\u017ce znacz\u0105co wp\u0142yn\u0105\u0107 na interpretacj\u0119 modelu, jak widzieli\u015bmy w poprzednim przyk\u0142adzie z cenami nieruchomo\u015bci.<\/span><\/p>\n Co to jest ukryta zmienna?<\/a> Pomini\u0119te obci\u0105\u017cenie zmiennej ma miejsce, gdy odpowiednia zmienna obja\u015bniaj\u0105ca nie jest uwzgl\u0119dniona w modelu regresji , co mo\u017ce skutkowa\u0107 odchyleniem wsp\u00f3\u0142czynnika jednej lub wi\u0119kszej liczby zmiennych obja\u015bniaj\u0105cych w modelu. Pomini\u0119ta zmienna jest cz\u0119sto wykluczana z modelu regresji z jednego z dw\u00f3ch powod\u00f3w: 1. Dane dla zmiennej s\u0105 po prostu niedost\u0119pne. 2. Wp\u0142yw zmiennej obja\u015bniaj\u0105cej na […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1026","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Skutki pomini\u0119tego odchylenia zmiennej<\/strong><\/span><\/h3>\n
![\"Pomini\u0119te](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis1.png\")
<\/p>\n Przyk\u0142ad: pomini\u0119te zmienne obci\u0105\u017cenie<\/strong><\/span><\/h3>\n
![\"Pozytywne](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis2.png\")
<\/p>\n Co zrobi\u0107 z pomini\u0119tym odchyleniem zmiennych<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Co to jest myl\u0105ca zmienna?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"