¿Qué es la multilinealidad?
La multilinealidad implica altas interrelaciones entre dos o más variables independientes en un modelo de regresión múltiple. La linealidad múltiple puede conducir a resultados sesgados o engañosos cuando un investigador o analista intenta determinar qué tan bien se puede usar cada variable independiente de la manera más efectiva para predecir la variable dependiente en un modelo estadístico o comprender.
En general, múltiples linealidades pueden conducir a intervalos de confianza más amplios que producen probabilidades que son menos confiables en términos del efecto de las variables independientes en un modelo. Es decir, las inferencias estadísticas de un modelo con linealidad múltiple pueden no ser confiables.
Conclusiones clave
- La multilinealidad es un concepto estadístico en el que las variables independientes de un modelo están correlacionadas.
- La linealidad múltiple entre variables independientes conducirá a conclusiones estadísticas menos fiables.
- Es mejor utilizar variables independientes que no estén correlacionadas ni sean repetitivas al construir modelos de regresión múltiple que utilizan dos o más variables.
Comprender la multilinealidad
Los analistas estadísticos utilizan modelos de regresión múltiple para predecir el valor de variables dependientes especificadas basándose en los valores de dos o más variables independientes. La variable dependiente a veces se denomina variable de resultado, objetivo o criterio.
Un ejemplo es un modelo de regresión plurianual que intenta predecir el rendimiento de las acciones en función de los productos básicos, como la relación precio-beneficio (relación P / E), la capitalización de mercado, el rendimiento pasado u otros datos. El rendimiento de las acciones es la variable dependiente y los diversos bits de datos financieros son las variables independientes.
La linealidad múltiple en un modelo de regresión múltiple sugiere que las variables de esquema independientes están involucradas de alguna manera, aunque la relación puede ser casual o no. Por ejemplo, el rendimiento pasado puede estar relacionado con la capitalización de mercado, ya que los valores de mercado aumentarán en las acciones que han tenido un buen rendimiento en el pasado. Es decir, pueden ocurrir múltiples linealidades cuando dos variables independientes están altamente correlacionadas. También puede ocurrir si se calcula una variable independiente a partir de otras variables en el conjunto de datos o si dos variables independientes proporcionan resultados similares y repetitivos.
Una de las formas más comunes de eliminar el problema de la multilinealidad es identificar variables de contorno independientes y luego eliminar todas menos una. La linealidad múltiple también se puede eliminar combinando dos o más variables de esquema en una sola variable. A continuación, se puede realizar un análisis estadístico para estudiar la relación entre la variable dependiente especificada y una variable independiente.
Ejemplo de multilinealidad
Cuando se trata de invertir, la multilinealidad es una consideración común cuando se realiza un análisis técnico para predecir posibles movimientos de seguridad futuros, como acciones o futuros de materias primas.
Los analistas de mercado quieren evitar los indicadores técnicos paralelos en el sentido de que se basan en insumos muy similares o relacionados; por lo general, revelan predicciones similares para la variable dependiente del movimiento de precios. En cambio, el análisis de mercado debe basarse en variables independientes altamente variables para garantizar que analizan el mercado desde diferentes perspectivas analíticas independientes.
Un ejemplo de un posible problema de multilinealidad es realizar un análisis técnico utilizando varios indicadores similares.
El analista técnico John Bollinger, creador del indicador Bandas de Bollinger, señala que «la regla cardíaca requiere el uso exitoso del análisis técnico para evitar indicadores multilineales entre indicadores». Para resolver el problema, los analistas evitan utilizar dos o más indicadores técnicos similares. En su lugar, analizan un valor utilizando un tipo de indicador, como un indicador de impulso, y luego analizan por separado utilizando un tipo diferente de indicador, como un indicador de tendencia.
Por ejemplo, el estocástico, el índice de fuerza relativa (RSI) y Williams% R son indicadores de impulso que dependen de insumos similares y es probable que produzcan resultados similares. En este caso, es mejor eliminar todos los indicadores que encontrar uno o encontrar una manera de fusionar algunos de ellos en un solo indicador, y agregar un indicador de tendencia que probablemente no tenga una gran correlación con el indicador de impulso.
