Ich hoffe, dass diese Frage nicht sein wird "Frage und Antwort" ... hier geht: (multi) Kollinearität bezieht sich auf extrem hohe Korrelationen zwischen Prädiktoren in der Regressionsmodell. Wie man sie heilt ... Nun, manchmal muss man die Kollinearität nicht "heilen", da sie das Regressionsmodell selbst nicht beeinflusst, sondern die Wirkung einzelner Prädiktoren interpretiert.Screening (multi) Collinearity in einem Regressionsmodell
Eine Möglichkeit Kollinearität zu erkennen ist, jeden Prädiktor als abhängige Variable zu setzen und andere Prädiktoren als unabhängige Variablen bestimmen R , und wenn es als 0,9 größer ist (oder .95), können wir Prädiktor überflüssig betrachten . Dies ist eine "Methode" ... was ist mit anderen Ansätzen? Einige von ihnen sind zeitaufwendig, wie zum Beispiel das Ausschließen von Prädiktoren aus dem Modell und das Beobachten von Änderungen des b-Koeffizienten - sie sollten merklich anders sein.
Natürlich müssen wir immer den spezifischen Kontext/Ziel der Analyse im Hinterkopf behalten ... Manchmal, nur Abhilfe ist eine Untersuchung zu wiederholen, aber im Moment bin ich an verschiedenen Möglichkeiten der Überprüfung redundanter Prädiktoren interessiert, wenn (Multi-) Kollinearität tritt in einem Regressionsmodell auf.
Ich bin sehr erfreut, dass niemand dies als nicht "programmy" genug markiert und viele Leute haben dies gewählt. Dies ist eine sehr gute Frage, mit der viele von uns, die mit Daten programmieren, zu kämpfen haben. –
Große Frage und wunderbare Antworten. Eine sehr lohnende Lektüre - danke. –
Credits sollten an einen Freund von mir gehen ... sie fragte mich nach Kollinearität, und nachdem ich Themen auf SO durchsucht hatte, fand ich, dass es keine Fragen darüber gab ... was ziemlich merkwürdig war, da das Kollinearitätsproblem in der Statistik banal ist Analyse. Danke Jungs für diese tollen Antworten! – aL3xa