Multikollinearitätseffekt in der Regressionsanalyse: Ein Feedforward-Künstliches-Neuronales-Netz-Ansatz

In dieser Studie verglichen wir die Leistung der Methode der kleinsten Quadrate (OLS) und des künstlichen neuronalen Netzwerks (ANN) bei Vorliegen von Multikollinearität mithilfe von zwei Datensätzen – einem realen Versicherungsdaten und einem simulierten Datensatz – um herauszufinden, welche der Methoden einen hochkorrelierten Datensatz besser modelliert, unter Verwendung des mittleren quadratischen Fehlers (RMSE) als Leistungsmaß. Das ANN schnitt im Vergleich zum OLS-Modell bei all den verschiedenen ANN-Modellen besser ab, mit Ausnahme der Modelle mit neun und zehn Knoten in der verborgenen Schicht für die realen Daten. Das Netzwerk mit vier verborgenen Knoten war das beste Modell. Für die simulierten Daten ergab das ANN-Modell mit zwei verborgenen Knoten den geringsten RMSE im Vergleich zum OLS-Modell und den anderen ANN-Modellen im Testdatensatz. Das Netzwerk mit zwei verborgenen Knoten modellierte die Daten sehr gut. Bei Vorliegen von Multikollinearität erzielt das ANN-Modell einen besseren Fit und eine bessere Vorhersage als das OLS.