看R语言建立回归分析,如何利用VIF查看共线性问题

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了看R语言建立回归分析,如何利用VIF查看共线性问题相关的知识,希望对你有一定的参考价值。

方法/步骤
1、首先,先教大家如何使用SPSS多元线性回归分析


2、接下来是范例说明:
此案例是希望找到与营收相关的多元回归式
原先加入参数有:5个
调整後回归R方:0.888 / 显着性:皆小於0.05
看起来相当拟合,无任何差错


3、可依个人需求,勾选需要参考的指标
若是没有勾选,只会出现既定标准的指标
在此需加入 Statistisc中的 "共线性诊断"


4、排除共线性强因子,可用偏相关查看是否确实应该排除
主要是看 VIF值是否大於2 (大於2,表示共线性极强需改善)
否则会有交互作用




5、最後模型拟合程度,可在excel中
做主次座标清楚检视

参考技术A install.packages("car")
library(car)
vif(your_model)

R 《回归分析与线性统计模型》page140,5.1

rm(list = ls())
library(car)
library(MASS)
library(openxlsx)
A = read.xlsx("data140.xlsx")
head(A)
attach(A)

  

fm = lm(y~x1+x2+x3 , data=A) #建立模型
vif(fm)                      #查看模型是否存在共线性

> vif(fm) #查看模型是否存在共线性
x1 x2 x3
21.631451 21.894402 1.334751

结果显示存在共线性

summary(fm)

 结果:

> summary(fm)

Call:
lm(formula = y ~ x1 + x2 + x3, data = A)

Residuals:
Min 1Q Median 3Q Max
-2.89129 -0.78230 0.00544 0.93147 2.45478

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.2242 3.4598 0.932 0.361983
x1 0.9626 0.2422 3.974 0.000692 ***
x2 -2.6290 3.9000 -0.674 0.507606
x3 -0.1560 3.8838 -0.040 0.968338
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.446 on 21 degrees of freedom
Multiple R-squared: 0.9186, Adjusted R-squared: 0.907
F-statistic: 78.99 on 3 and 21 DF, p-value: 1.328e-11

esti_ling = lm.ridge(y~x1+x2+x3 , data=A,lambda = seq(0,1,0.1)) #岭回归
plot(esti_ling)

  技术图片

 

 选取k = 0.6

k = 0.6
X = cbind(1,as.matrix(A[,2:4]))
y = A[,5]
B_ = solve((t(X)%*%X) + k*diag(4))%*%t(X)%*%y
B_

  

回归系数:

> B_
         [,1]
    1.6188146
x1  0.8262986
x2 -0.3076330
x3  1.0780444

  

 

以上是关于看R语言建立回归分析,如何利用VIF查看共线性问题的主要内容,如果未能解决你的问题,请参考以下文章

R语言基本回归分析

spss进行线性回归分析时,相关系数都符合,但是显著性不符合,如何调整

R 《回归分析与线性统计模型》page141,5.2

pearson相关系数检验怎样看是不是具有多重共线性

Python检验多元共线性-VIF方差扩大因子

famamacbath回归不显著