在我们的免费在线课程中了解更多信息：
工业问题解决的统计思维
在本视频中，我们使用体内脂肪使用所有潜在预测变量探索 JMP 中的多重共线性的数据。
回想一下，在这种情况下，我们有兴趣预测％胖的作为几个物理测量的函数。
我们将从探索数据开始。
我们将使用“Analyze, Multivariate Methods”中的“Multivariate”平台来生成相关矩阵和散点图矩阵。
正如预期的那样，许多双变量相关性非常高。
让我们看看当我们拟合回归模型时多重共线性是否是一个问题。
我们将使用拟合模型来拟合模型％胖的，所有潜在的预测因子，年龄通过手腕.
VIF 可从“参数估计”面板获得。 要请求 VIF，请右键单击面板并选择列接着VIF .
一些 VIF 非常高。 回想一下，我们使用 5 或 10 的截止值来表示存在多重共线性问题。
如果我们删除会发生什么体重指数? 正如我们之前讨论的，删除体重指数可能是有道理的，因为体重指数是两者的函数重量和高度.
我们将删除体重指数使用效果汇总表。
让我们再次查看 VIF，看看这是否解决了 .
VIF 为重量仍然很高。
让我们删除重量从模型。
一些 VIF 略高于 10，但大多数 VIF 现在要低得多。
在这个例子中，我们决定删除体重指数和重量从基于 VIF 的模型中，多重共线性的问题在很大程度上得到了解决。
