Situation où il existe une forte relation linéaire entre les variables prédictives, de sorte que leur matrice de corrélation devient (presque) singulière. Cette "mauvaise condition" rend difficile la détermination du rôle unique joué par chacun des prédicteurs: des problèmes d'estimation se posent et les erreurs types augmentent. Des prédicteurs corrélés bivariés très élevés sont un exemple de multicolinéarité.
Le wiki aborde les problèmes qui se posent lorsque la multicollinéarité est un problème en régression linéaire. Le problème fondamental est que la multicolinéarité aboutit à des estimations de paramètres instables, ce qui rend très difficile l'évaluation de l'effet des variables indépendantes sur...
Dans une régression linéaire multiple, pourquoi est-il possible d'avoir une statistique F hautement significative (p <0,001) mais d'avoir des valeurs p très élevées sur tous les tests t de la régression? Dans mon modèle, il y a 10 régresseurs. L'un a une valeur p de 0,1 et le reste est supérieur...
Je fais des calculs sur différentes matrices (principalement dans la régression logistique) et je reçois généralement l'erreur "Matrix is singular", où je dois revenir en arrière et supprimer les variables corrélées. Ma question est la suivante: que considéreriez-vous comme une matrice...
J'ai appris dans ma classe de modèles linéaires que si deux prédicteurs sont corrélés et que les deux sont inclus dans un modèle, un sera insignifiant. Par exemple, supposons que la taille d’une maison et le nombre de chambres à coucher soient corrélés. Lors de la prévision du coût d'une maison à...
Dans les statistiques traditionnelles, lors de la construction d'un modèle, nous vérifions la multicolinéarité à l'aide de méthodes telles que les estimations du facteur d'inflation de la variance (VIF), mais en apprentissage automatique, nous utilisons plutôt la régularisation pour la sélection...
À mon sens, les variables hautement corrélées ne causeront pas de problèmes de multi-colinéarité dans un modèle de forêt aléatoire (corrigez-moi si je me trompe). Toutefois, si j’ai trop de variables contenant des informations similaires, le modèle pèsera-t-il trop sur cet ensemble plutôt que sur...
Je suis en train d'interpréter les facteurs de la variance de l' inflation à l' aide de la viffonction dans le package R car. La fonction imprime à la fois un généralisé et également . Selon le fichier d'aide , cette dernière
J'ai un ensemble de données avec 9 variables indépendantes continues. Je suis en train de choisir parmi ces variables pour ajuster un modèle à un pourcentage unique variable ( en fonction), Score. Malheureusement, je sais qu'il y aura une colinéarité sérieuse entre plusieurs des variables. J'ai...
Je lisais le lien suivant sur la régression non linéaire SAS non linéaire . Ma compréhension de la lecture de la première section "Régression non linéaire vs régression linéaire" était que l'équation ci-dessous est en fait une régression linéaire, est-ce exact? Si oui, pourquoi?...
J'utilise actuellement des modèles linéaires à effets mixtes. J'utilise le package "lme4" dans R. Mes modèles prennent la forme: model <- lmer(response ~ predictor1 + predictor2 + (1 | random effect)) Avant d'exécuter mes modèles, j'ai vérifié la possible multicolinéarité entre les prédicteurs....
J'ai effectué une régression sur les comtés américains et je vérifie la colinéarité dans mes variables «indépendantes». Les diagnostics de régression de Belsley, Kuh et Welsch suggèrent d'examiner l'indice de condition et les proportions de décomposition de la variance: library(perturb) ##...
Je sais que dans une situation de régression, si vous avez un ensemble de variables hautement corrélées, cela est généralement "mauvais" en raison de l'instabilité des coefficients estimés (la variance va vers l'infini car le déterminant va vers zéro). Ma question est de savoir si cette...
Dans une régression linéaire multiple avec des régresseurs fortement corrélés, quelle est la meilleure stratégie à utiliser? Est-ce une approche légitime d'ajouter le produit de tous les régresseurs
Lorsque nous travaillons avec de nombreuses variables d'entrée, nous nous préoccupons souvent de la multicolinéarité . Il existe un certain nombre de mesures de la multicolinéarité qui sont utilisées pour détecter, réfléchir et / ou communiquer la multicolinéarité. Voici quelques recommandations...
Fermé. Cette question est hors sujet . Il n'accepte pas actuellement les réponses. Voulez-vous améliorer cette question? Mettez à jour la question afin qu'elle soit sur le sujet pour la validation croisée. Fermé il y a 2 ans . Jusqu'à présent, j'ai supprimé les variables colinéaires dans le cadre...
J'ai trouvé une référence dans un article qui va comme: Selon Tabachnick et Fidell (1996), les variables indépendantes avec une corrélation bivariée supérieure à 0,70 ne devraient pas être incluses dans l'analyse de régression multiple. Problème: J'ai utilisé dans un plan de régression multiple 3...
J'ai une variable indépendante appelée "qualité"; cette variable a 3 modalités de réponse (mauvaise qualité; qualité moyenne; haute qualité). Je veux introduire cette variable indépendante dans ma régression linéaire multiple. Lorsque j'ai une variable indépendante binaire (variable fictive, je...
Dans les modèles linéaires, nous devons vérifier s'il existe une relation entre les variables explicatives. S'ils sont trop corrélés, il y a colinéarité (c'est-à-dire que les variables s'expliquent en partie). Je regarde actuellement la corrélation par paire entre chacune des variables...
Dans la régression logistique, est-il nécessaire de se préoccuper autant de la multicolinéarité que dans une régression OLS directe? Par exemple, avec une régression logistique, où la multicolinéarité existe, auriez-vous besoin d'être prudent (comme vous le feriez dans la régression OLS) en prenant...
J'évalue actuellement la multicolinéarité dans mes jeux de données. Quelles valeurs seuil de VIF et indice de condition en dessous / au-dessus suggèrent un problème? VIF: J'ai entendu dire que VIF est un problème.≥ 10≥dix\geq 10 Après avoir supprimé deux variables problématiques, VIF est pour...