Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons le Graisse corporelle données pour explorer la multicolinéarité dans JMP en utilisant tous les prédicteurs potentiels.
Rappelons que, dans ce scénario, nous sommes intéressés à prédire %Gros en fonction de plusieurs mesures physiques.
Nous allons commencer par explorer les données.
Nous utiliserons la plate-forme multivariée d'Analyse, méthodes multivariées pour produire à la fois une matrice de corrélation et une matrice de diagramme de dispersion.
Comme on pouvait s'y attendre, bon nombre des corrélations bivariées sont extrêmement élevées.
Voyons si la multicolinéarité est un problème lorsque nous ajustons un modèle de régression.
Nous utiliserons Ajuster le modèle pour ajuster un modèle pour %Gros , avec tous les prédicteurs potentiels, Âge à travers Poignet .
Les VIF sont disponibles dans le panneau Parameter Estimates. Pour demander des VIF, cliquez avec le bouton droit sur le panneau et sélectionnez Colonnes et alors VIF .
Certains VIF sont extrêmement élevés. Rappelez-vous que nous utilisons un seuil de 5 ou 10 pour indiquer qu'il y a un problème de multicolinéarité.
Que se passe-t-il si nous supprimons IMC ? Comme nous l'avons vu précédemment, la suppression IMC pourrait avoir un sens, étant donné que IMC est une fonction des deux Lester et Hauteur .
Nous supprimerons IMC à l'aide du tableau Résumé des effets.
Examinons à nouveau les VIF pour voir si cela a résolu le problème .
Le VIF pour Lester est encore élevé.
enlevons Lester du modèle.
Certains des VIF sont légèrement supérieurs à 10, mais la plupart des VIF sont maintenant beaucoup plus bas.
Dans cet exemple, nous avons décidé de supprimer IMC et Lester du modèle basé sur les VIF, et le problème de multicolinéarité a été, en grande partie, résolu.
