மல்டிகோலினரிட்டி என்றால் என்ன?
மல்டிகோலினியரிட்டி என்பது பல பின்னடைவு மாதிரியில் சுயாதீன மாறிகள் மத்தியில் உயர் தொடர்புகள் ஏற்படுவதாகும். ஒரு புள்ளிவிவர மாதிரியில் சார்பு மாறியைக் கணிக்க அல்லது புரிந்துகொள்ள ஒவ்வொரு சுயாதீன மாறியும் எவ்வளவு திறம்பட பயன்படுத்தப்படலாம் என்பதை ஒரு ஆராய்ச்சியாளர் அல்லது ஆய்வாளர் தீர்மானிக்க முயற்சிக்கும்போது மல்டிகோலினரிட்டி வளைந்த அல்லது தவறான முடிவுகளுக்கு வழிவகுக்கும். பொதுவாக, மல்டிகோலினியரிட்டி பரந்த நம்பக இடைவெளிகளுக்கும் சுயாதீன மாறிகளுக்கு குறைந்த நம்பகமான நிகழ்தகவு மதிப்புகளுக்கும் வழிவகுக்கும். அதாவது, மல்டிகோலினரிட்டி கொண்ட ஒரு மாதிரியின் புள்ளிவிவர அனுமானங்கள் நம்பத்தகுந்ததாக இருக்காது.
மல்டிகோலினரிட்டி புரிந்துகொள்ளுதல்
இரண்டு அல்லது அதற்கு மேற்பட்ட சுயாதீன மாறிகளின் மதிப்புகளின் அடிப்படையில் ஒரு குறிப்பிட்ட சார்பு மாறியின் மதிப்பைக் கணிக்க புள்ளிவிவர ஆய்வாளர்கள் பல பின்னடைவு மாதிரிகளைப் பயன்படுத்துகின்றனர். சார்பு மாறி சில நேரங்களில் விளைவு, இலக்கு அல்லது அளவுகோல் மாறி என குறிப்பிடப்படுகிறது. ஒரு எடுத்துக்காட்டு ஒரு பன்முக பின்னடைவு மாதிரியாகும், இது விலை-க்கு-வருவாய் விகிதங்கள், சந்தை மூலதனம், கடந்த செயல்திறன் அல்லது பிற தரவு போன்ற பொருட்களின் அடிப்படையில் பங்கு வருமானத்தை எதிர்பார்க்க முயற்சிக்கிறது. பங்கு வருமானம் சார்பு மாறி மற்றும் நிதி தரவுகளின் பல்வேறு பிட்கள் சுயாதீன மாறிகள்.
முக்கிய எடுத்துக்காட்டுகள்
- மல்டிகோலினியரிட்டி என்பது ஒரு மாதிரியில் சுயாதீன மாறிகள் ஒன்றோடொன்று தொடர்புடைய ஒரு புள்ளிவிவரக் கருத்தாகும். சுயாதீன மாறிகளுக்கிடையேயான மல்டிகோலினியரிட்டி குறைவான நம்பகமான புள்ளிவிவர அனுமானங்களுக்கு வழிவகுக்கும். இரண்டு அல்லது அதற்கு மேற்பட்ட மாறிகளைப் பயன்படுத்தும் பல பின்னடைவு மாதிரிகளை உருவாக்கும்போது தொடர்புபடுத்தப்படாத அல்லது மீண்டும் மீண்டும் செய்யப்படாத சுயாதீன மாறிகளைப் பயன்படுத்துவது நல்லது..
பல பின்னடைவு மாதிரியில் உள்ள மல்டிகோலினியரிட்டி, கோலைனியர் சுயாதீன மாறிகள் சில பாணியில் தொடர்புடையவை என்பதைக் குறிக்கிறது, இருப்பினும் உறவு சாதாரணமாக இருக்கலாம் அல்லது இல்லாமல் இருக்கலாம். எடுத்துக்காட்டாக, கடந்தகால செயல்திறன் சந்தை மூலதனத்துடன் தொடர்புடையதாக இருக்கலாம், ஏனெனில் கடந்த காலங்களில் சிறப்பாக செயல்பட்ட பங்குகள் சந்தை மதிப்புகளை அதிகரிக்கும். வேறு வார்த்தைகளில் கூறுவதானால், இரண்டு சுயாதீன மாறிகள் மிகவும் தொடர்புபடுத்தப்படும்போது மல்டிகோலினரிட்டி இருக்கலாம். தரவு தொகுப்பில் உள்ள மற்ற மாறிகளிலிருந்து ஒரு சுயாதீன மாறி கணக்கிடப்பட்டால் அல்லது இரண்டு சுயாதீன மாறிகள் ஒத்த மற்றும் மீண்டும் மீண்டும் முடிவுகளை வழங்கினால் கூட இது நிகழலாம்.
மல்டிகோலினியரிட்டியின் சிக்கலை அகற்றுவதற்கான பொதுவான வழிகளில் ஒன்று, முதலில் கோலைனியர் சுயாதீன மாறிகள் அடையாளம் காணப்பட்டு பின்னர் ஒன்றைத் தவிர அனைத்தையும் அகற்றுவதாகும். இரண்டு அல்லது அதற்கு மேற்பட்ட கோலைனியர் மாறிகள் ஒரு மாறியாக இணைப்பதன் மூலம் மல்டிகோலினியரிட்டியை அகற்றவும் முடியும். குறிப்பிட்ட சார்பு மாறிக்கும் ஒரே ஒரு சுயாதீன மாறிக்கும் இடையிலான உறவைப் படிக்க புள்ளிவிவர பகுப்பாய்வு நடத்தப்படலாம்.
மல்டிகோலினியரிட்டியின் எடுத்துக்காட்டு
முதலீட்டைப் பொறுத்தவரை, ஒரு பங்கு அல்லது ஒரு பொருட்களின் எதிர்காலம் போன்ற பாதுகாப்பின் எதிர்கால விலை நகர்வுகளை கணிக்க தொழில்நுட்ப பகுப்பாய்வு செய்யும் போது மல்டிகோலினியரிட்டி என்பது ஒரு பொதுவான கருத்தாகும். சந்தை ஆய்வாளர்கள் தொழில்நுட்பக் குறிகாட்டிகளைப் பயன்படுத்துவதைத் தவிர்க்க விரும்புகிறார்கள், அவை மிகவும் ஒத்த அல்லது தொடர்புடைய உள்ளீடுகளை அடிப்படையாகக் கொண்டவை; அவை விலை இயக்கத்தின் சார்பு மாறி குறித்து ஒத்த கணிப்புகளை வெளிப்படுத்த முனைகின்றன. அதற்கு பதிலாக, சந்தை பகுப்பாய்வு வெவ்வேறு சுயாதீன பகுப்பாய்வுக் கண்ணோட்டங்களிலிருந்து சந்தையை பகுப்பாய்வு செய்வதை உறுதிசெய்ய குறிப்பிடத்தக்க மாறுபட்ட சுயாதீன மாறிகளின் அடிப்படையில் இருக்க வேண்டும்.
புகழ்பெற்ற தொழில்நுட்ப ஆய்வாளர் ஜான் பொலிங்கர், பொலிங்கர் பேண்ட்ஸ் காட்டி உருவாக்கியவர், "தொழில்நுட்ப பகுப்பாய்வை வெற்றிகரமாகப் பயன்படுத்துவதற்கான ஒரு கார்டினல் விதிக்கு குறிகாட்டிகளுக்கு இடையில் பல்லுறுப்புத்தன்மையைத் தவிர்க்க வேண்டும்" என்று குறிப்பிடுகிறார்.
சிக்கலைத் தீர்க்க, ஒரே வகை இரண்டு அல்லது அதற்கு மேற்பட்ட தொழில்நுட்ப குறிகாட்டிகளைப் பயன்படுத்துவதை ஆய்வாளர்கள் தவிர்க்கிறார்கள். அதற்கு பதிலாக, வேகத்தை காட்டி போன்ற ஒரு வகை குறிகாட்டியைப் பயன்படுத்தி ஒரு பாதுகாப்பை அவர்கள் பகுப்பாய்வு செய்கிறார்கள், பின்னர் ஒரு போக்கு காட்டி போன்ற வேறு வகை குறிகாட்டியைப் பயன்படுத்தி தனித்தனி பகுப்பாய்வு செய்கிறார்கள்.
சாத்தியமான மல்டிகோலினரிட்டி சிக்கலின் எடுத்துக்காட்டு, தொழில்நுட்ப பகுப்பாய்வுகளை நிகழ்த்துவது, அதாவது ஒத்திசைவுகள், உறவினர் வலிமைக் குறியீடு (ஆர்எஸ்ஐ) மற்றும் வில்லியம்ஸ்% ஆர் போன்ற பல ஒத்த குறிகாட்டிகளைப் பயன்படுத்தி மட்டுமே, இவை அனைத்தும் ஒரே மாதிரியான உள்ளீடுகளை நம்பியிருக்கும் மற்றும் ஒத்ததாக இருக்கும் முடிவுகளை. இந்த விஷயத்தில், குறிகாட்டிகளில் ஒன்றைத் தவிர மற்ற அனைத்தையும் அகற்றுவது அல்லது அவற்றில் பலவற்றை ஒரே ஒரு குறிகாட்டியாக இணைப்பதற்கான வழியைக் கண்டுபிடிப்பது நல்லது, அதே நேரத்தில் வேகக் குறிகாட்டியுடன் அதிக தொடர்புபடுத்த முடியாத ஒரு போக்கு குறிகாட்டியையும் சேர்ப்பது நல்லது.
