Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, usamos el Grasa corporal datos para explorar la multicolinealidad en JMP utilizando todos los predictores potenciales.
Recuérdese que, en este escenario, nos interesa predecir %Gordo en función de varias medidas físicas.
Comenzaremos explorando los datos.
Usaremos la plataforma Multivariante de Analyze, Multivariate Methods para generar una matriz de correlación y una matriz de diagrama de dispersión.
Como era de esperar, muchas de las correlaciones bivariadas son extremadamente altas.
Veamos si la multicolinealidad es un problema cuando ajustamos un modelo de regresión.
Usaremos Ajustar modelo para ajustar un modelo para %Gordo , con todos los predictores potenciales, Edad a través de Muñeca .
Los VIF están disponibles en el panel Estimaciones de parámetros. Para solicitar VIF, haga clic derecho en el panel y seleccione columnas y luego V.F.I. .
Algunos de los VIF son extremadamente altos. Recuerde que usamos un punto de corte de 5 o 10 para indicar que hay un problema con la multicolinealidad.
¿Qué pasa si quitamos IMC ? Como comentamos anteriormente, eliminar IMC podría tener sentido, dado que IMC es una función de ambos Peso y Altura .
eliminaremos IMC utilizando la tabla Resumen de efectos.
Miremos los VIF nuevamente para ver si esto ha abordado el .
El VIF para Peso sigue siendo alto.
vamos a quitar Peso del modelo
Algunos de los VIF están ligeramente por encima de 10, pero la mayoría de los VIF ahora son mucho más bajos.
En este ejemplo, decidimos eliminar IMC y Peso del modelo basado en VIF, y el problema con la multicolinealidad fue, en su mayor parte, resuelto.
