在我們的免費在線課程中了解更多信息：
解決工業問題的統計思維
在本視頻中，我們使用體內脂肪數據以使用所有潛在預測變量探索 JMP 中的多重共線性。
回想一下，在這種情況下，我們有興趣預測％胖的作為幾個物理測量的函數。
我們將從探索數據開始。
我們將使用 Analyze、Multivariate Methods 中的 Multivariate 平台來生成相關矩陣和散點圖矩陣。
正如預期的那樣，許多雙變量相關性非常高。
讓我們看看當我們擬合回歸模型時多重共線性是否是一個問題。
我們將使用 Fit Model 來擬合模型％胖的，所有潛在的預測因子，年齡通過手腕.
VIF 可從“參數估計”面板獲得。 要請求 VIF，請右鍵單擊面板並選擇列進而VIF .
一些 VIF 非常高。 回想一下，我們使用 5 或 10 的截止值來表示存在多重共線性問題。
如果我們刪除會發生什麼體重指數？ 正如我們之前討論的，刪除體重指數可能有道理，因為體重指數是兩者的函數重量和高度.
我們會刪除體重指數使用效果匯總表。
讓我們再次查看 VIF，看看這是否解決了 .
VIF 用於重量仍然很高。
讓我們刪除重量從模型。
一些 VIF 略高於 10，但大多數 VIF 現在要低得多。
在這個例子中，我們決定刪除體重指數和重量來自基於 VIF 的模型，並且在很大程度上解決了多重共線性問題。
