Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video verwenden wir die Körperfett Daten, um Multikollinearität in JMP unter Verwendung aller potenziellen Prädiktoren zu untersuchen.
Denken Sie daran, dass wir in diesem Szenario an Vorhersagen interessiert sind %Fett als Funktion mehrerer physikalischer Messungen.
Wir beginnen mit der Untersuchung der Daten.
Wir verwenden die Multivariate-Plattform von Analyze, Multivariate Methods, um sowohl eine Korrelationsmatrix als auch eine Scatterplot-Matrix zu erstellen.
Wie erwartet sind viele der bivariaten Korrelationen extrem hoch.
Mal sehen, ob Multikollinearität ein Problem ist, wenn wir ein Regressionsmodell anpassen.
Wir verwenden Fit Model, um ein Modell für anzupassen %Fett , mit allen möglichen Prädiktoren, Das Alter durch Handgelenk .
VIFs sind im Bereich „Parameterschätzungen“ verfügbar. Um VIFs anzufordern, klicken Sie mit der rechten Maustaste auf das Panel und wählen Sie aus Säulen und dann VIF .
Einige der VIFs sind extrem hoch. Denken Sie daran, dass wir einen Grenzwert von 5 oder 10 verwenden, um anzuzeigen, dass es ein Problem mit Multikollinearität gibt.
Was passiert, wenn wir entfernen BMI ? Wie wir bereits besprochen haben, entfernen BMI könnte in Anbetracht dessen Sinn machen BMI ist eine Funktion von beidem Gewicht und Höhe .
Wir entfernen BMI Verwenden Sie dazu die Effektzusammenfassungstabelle.
Schauen wir uns die VIFs noch einmal an, um zu sehen, ob dies die .
Das VIF für Gewicht ist immer noch hoch.
Entfernen wir Gewicht aus dem Modell.
Einige der VIFs liegen etwas über 10, aber die meisten VIFs sind jetzt viel niedriger.
In diesem Beispiel haben wir uns für das Entfernen entschieden BMI und Gewicht aus dem auf VIFs basierenden Modell, und das Problem mit Multikollinearität wurde größtenteils gelöst.
