Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video utilizziamo il Grasso corporeo dati per esplorare la multicollinearità in JMP utilizzando tutti i potenziali predittori.
Ricordiamo che, in questo scenario, ci interessa fare previsioni %Grasso in funzione di più misure fisiche.
Inizieremo esplorando i dati.
Utilizzeremo la piattaforma multivariata di Analyze, Multivariate Methods per produrre sia una matrice di correlazione che una matrice di grafico a dispersione.
Come previsto, molte delle correlazioni bivariate sono estremamente elevate.
Vediamo se la multicollinearità è un problema quando adattiamo un modello di regressione.
Useremo Fit Model per adattare un modello per %Grasso , con tutti i potenziali predittori, Età attraverso Polso .
Le VIF sono disponibili nel pannello Stime dei parametri. Per richiedere le VIF, fare clic con il pulsante destro del mouse sul pannello e selezionare Colonne poi VIF .
Alcuni dei VIF sono estremamente alti. Ricordiamo che usiamo un cutoff di 5 o 10 per indicare che c'è un problema con la multicollinearità.
Cosa succede se rimuoviamo BMI ? Come abbiamo discusso in precedenza, la rimozione BMI potrebbe avere senso, visto questo BMI è una funzione di entrambi Il peso e Altezza .
Rimuoviamo BMI utilizzando la tabella Riepilogo effetti.
Esaminiamo nuovamente le VIF per vedere se questo ha affrontato il .
Il VIF per Il peso è ancora alto.
Rimuoviamo Il peso dal modello.
Alcuni dei VIF sono leggermente superiori a 10, ma la maggior parte dei VIF sono ora molto più bassi.
In questo esempio, abbiamo deciso di rimuovere BMI e Il peso dal modello basato sulle VIF, e il problema della multicollinearità è stato, per la maggior parte, risolto.
