如何在执行多元回归之前轻松筛选许多因素（~200 列）中的不显着因素。我有很多因素（~200 列）和一个响应，我有很多措施。
大多数因素之间表现出共线性，是否有一种简单的方法可以对不相关的因素进行首次过滤？
然后在剩下的时间里我将执行多元回归。
预测建模和机器学习回复：如何在执行多元回归之前轻松筛选许多因素（约 200 列）中的非显着因素。早上好，
要对响应变量的参数进行分类，您可以使用多种工具：
- 回归量的筛选
- 筛选回复
这两个工具可能不会给出相同的结果。 在这种情况下，这可能意味着模型中存在不明确的“隐藏”项：二次项、交叉项。
另一方面，如果您想要一个预测公式，您可以使用最小二乘回归（线性模型）。 使用此方法，您可以逐步构建模型，删除对模型没有影响的参数。
回复：如何在执行多元回归之前轻松筛选许多因素（~200 列）中的不显着因素。你好@佩皮尼昂_意大利,
如果您想强调对您的回答影响最大的因素，预测筛选 (jmp.com)平台似乎是一个很好的探索第一步。
由于它基于随机森林，因此即使存在多重共线性，它也能够“平等”地测试每个因素/特征。
如果您想基于最重要的预测变量创建模型并使用回归模型，您可能必须选择适当的模型（受到 Lasso、Ridge 或 Elastic Net 回归等惩罚，或其他回归模型，如偏最小二乘，... ）或进行一些预处理（使用主成分分析并对主成分进行回归），以便在模型中正确解释多重共线性。
您还可以使用能够处理多重共线性且假设较少的简单模型（例如来自平台的决策树）分区模型 (jmp.com) ）一旦选择了预测变量。
希望这个回答对你有帮助
回复：如何在执行多元回归之前轻松筛选许多因素（~200 列）中的不显着因素。非常感谢你，我会尝试你的建议。
