Questions tagged «vif»

在传统统计中，在建立模型时，我们使用方差膨胀因子（VIF）估计之类的方法检查多重共线性，但在机器学习中，我们使用正则化进行特征选择，并且似乎不检查特征是否相关完全没有 我们为什么要这样做？

44 regression  machine-learning  multicollinearity  regularization  vif 

我正在尝试使用vifR包中的函数解释方差膨胀因子car。该函数既打印广义并且还GVIF 1 /（2 ⋅ DF ）。根据帮助文件，这后一个值VIFVIF\text{VIF}GVIF1/(2⋅df)GVIF1/(2⋅df)\text{GVIF}^{1/(2\cdot\text{df})} 为了调整置信椭圆的尺寸，该函数还会打印GVIF ^ [1 /（2 * df）]，其中df是与该项相关的自由度。 我不明白这个解释在帮助文件的意思，所以我不知道我是否应该使用或GVIF 1 /（2 ⋅ DF ）。对于我的模型这两个值有很大的不同（最大GVIF为〜60 ;最大GVIF 1 /（2 ⋅ DF ）为〜3）。GVIFGVIF\text{GVIF}GVIF1/(2⋅df)GVIF1/(2⋅df)\text{GVIF}^{1/(2\cdot\text{df})}GVIFGVIF\text{GVIF}606060GVIF1/(2⋅df)GVIF1/(2⋅df)\text{GVIF}^{1/(2\cdot\text{df})}333 有人可以向我解释我应该使用哪一个，调整置信椭球的尺寸意味着什么？

30 r  multicollinearity  vif 

我对美国各县进行了回归分析，并正在检查“独立”变量中的共线性。Belsley，Kuh和Welsch的回归诊断建议考虑条件指数和方差分解比例： library(perturb) ## colldiag(, scale=TRUE) for model with interaction Condition Index Variance Decomposition Proportions (Intercept) inc09_10k unins09 sqmi_log pop10_perSqmi_log phys_per100k nppa_per100k black10_pct hisp10_pct elderly09_pct inc09_10k:unins09 1 1.000 0.000 0.000 0.000 0.000 0.001 0.002 0.003 0.002 0.002 0.001 0.000 2 3.130 0.000 0.000 0.000 0.000 0.002 0.053 0.011 0.148 0.231 0.000 …

26 r  multicollinearity  vif  variance-decomposition 

我目前正在评估数据集中的多重共线性。 以下/上方的VIF和条件指数的阈值表示什么问题？ VIF： 我听说VIF 是一个问题。≥ 10≥10\geq 10 除去两个问题变量后，VIF是为每个变量。变量是否需要更多处理，或者这个VIF看起来还好吗？≤ 3.96≤3.96\leq 3.96 条件指数： 我听说条件指数（CI）为30或更大是一个问题。我的最高CI为16.66。这有问题吗？ 其他问题： 还有其他需要考虑的事项吗？ 还有其他需要记住的事情吗？

15 multiple-regression  linear-model  multicollinearity  vif 

我有6个变量（），我使用预测ÿ。在执行数据分析时，我首先尝试了多元线性回归。因此，只有两个变量是重要的。但是，当我进行线性回归将每个变量分别与y进行比较时，除一个变量外，其他所有变量都是显着的（p范围从小于0.01到小于0.001）。有人认为这是由于多重共线性。X1个。。。X6x1...x6x_{1}...x_{6}ÿyyÿyyppp 我对此的初步研究建议使用VIF检查多重共线性。我从R下载了适当的软件包，并最终得到了VIF：3.35、3.59、2.64、2.24和5.56。根据在线上的各种消息来源，您应该担心与VIF的多重共线性是4还是5。 我现在对这对我的数据意味着什么感到困惑。我还是没有多重共线性问题？如果这样做，该如何进行？（我无法收集更多数据，并且变量是模型中没有明显关联的部分）如果我没有这个问题，那我应该从我的数据中获取什么，尤其是这些变量具有很高的意义单独，但组合起来根本不重要。 编辑：有关数据集的一些问题，所以我想扩展... 在这种特殊情况下，我们希望了解特定的社交提示（手势，凝视等）如何影响某人产生其他提示的可能性。我们希望我们的模型包括所有重要的属性，因此我不愿意删除一些似乎多余的属性。 目前没有任何假设。相反，这个问题尚未研究，我们正在寻求对哪些属性很重要的更好的理解。据我所知，这些属性应该彼此相对独立（您不能只说凝视和手势相同，或者是另一个子集）。能够报告所有结果的p值将是一件很高兴的事情，因为我们希望其他研究人员能够了解所研究的内容。 编辑2：由于它出现在下面的某处，所以我的是24。ñnn

13 multiple-regression  multicollinearity  vif 

我想检测共线性是否是我的OLS回归中的问题。我知道方差膨胀因子和条件指数是两种常用的度量，但是我发现很难找到每种方法的优劣或分数应该是确定的任何东西。 指出执行方法和/或适当分数的突出来源将非常有用。 在“是否有理由偏爱多重共线性的特定度量？”时提出了类似的问题。但是我理想的是可以引用一个参考。

11 multiple-regression  references  least-squares  multicollinearity  vif 

在用于线性回归的常规VIF计算中，每个自变量/解释变量在普通最小二乘回归中均被视为因变量。即XjXjX_j Xj=β0+∑i=1,i≠jnβiXiXj=β0+∑i=1,i≠jnβiXi X_j = \beta_0 + \sum_{i=1, i \neq j}^n \beta_i X_i 的值被存储用于每个的回归和VIF由下式确定R2R2R^2nnn VIFj=11−R2jVIFj=11−Rj2 VIF_j = \frac{1}{1-R^2_j} 对于特定的解释变量。 假设我的广义加性模型采用以下形式： Y=β0+∑i=1nβiXi+∑j=1msj(Xi).Y=β0+∑i=1nβiXi+∑j=1msj(Xi). Y=\beta_0+ \sum_{i=1}^n \beta_iX_i + \sum_{j=1}^m s_j(X_i) . 这种类型的模型是否有等效的VIF计算？有什么方法可以控制平滑项来测试多重共线性吗？sjsjs_j

10 regression  variance  multicollinearity  gam  vif