So testen sie die multikollinearität in spss

Multikollinearität in der Regressionsanalyse tritt auf, wenn zwei oder mehr Prädiktorvariablen stark miteinander korrelieren, sodass sie im Regressionsmodell keine eindeutigen oder unabhängigen Informationen liefern. Wenn der Korrelationsgrad zwischen den Variablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Regressionsmodells führen.

Eine Möglichkeit, Multikollinearität zu erkennen, ist die Verwendung einer Metrik namens Variance Inflation Factor (VIF) , die die Korrelation und Stärke der Korrelation zwischen Prädiktorvariablen in einem Regressionsmodell misst.

In diesem Tutorial wird erläutert, wie Sie mit VIF Multikollinearität in der Regressionsanalyse in SPSS erkennen.

Beispiel: Multikollinearität in SPSS

Angenommen, wir haben den folgenden Datensatz, der die Prüfungsergebnisse von 10 Studenten zusammen mit der Anzahl der Stunden, die sie mit dem Lernen verbracht haben, der Anzahl der von ihnen abgelegten Übungsprüfungen und ihrer aktuellen Note im Kurs zeigt:

Wir würden gerne eine lineare Regression durchführen, indem wir „score“ als Antwortvariable und „ hours “, „prep_exams “ und „ current_grade “ als Prädiktorvariablen verwenden, aber wir möchten sicherstellen, dass die drei Prädiktorvariablen nicht stark korrelieren.

Um festzustellen, ob Multikollinearität ein Problem darstellt, können wir VIF-Werte für jede der Prädiktorvariablen erstellen.

Klicken Sie dazu auf die Registerkarte „Analysieren“ , dann auf „Regression“ und dann auf „Linear“ :

Ziehen Sie im neuen Fenster, das erscheint, den Score in das Feld mit der Bezeichnung „Abhängig“ und die drei Prädiktorvariablen in das Feld mit der Bezeichnung „Unabhängig(er)“. Klicken Sie dann auf „Statistik“ und stellen Sie sicher, dass das Kontrollkästchen neben „Kollinearitätsdiagnose“ aktiviert ist. Klicken Sie dann auf Weiter . Klicken Sie dann auf OK .

Nachdem Sie auf OK geklickt haben, wird die folgende Tabelle mit dem VIF-Wert für jede Prädiktorvariable angezeigt:

Die VIF-Werte für jede der Prädiktorvariablen lauten wie folgt:

• Stunden: 1.169
• prep_exams: 1.403
• aktueller_Score: 1,522

Der VIF-Wert beginnt bei 1 und hat keine Obergrenze. Eine allgemeine Regel für die Interpretation von VIFs lautet:

• Ein Wert von 1 gibt an, dass keine Korrelation zwischen einer bestimmten Prädiktorvariablen und einer anderen Prädiktorvariablen im Modell besteht.
• Ein Wert zwischen 1 und 5 weist auf eine mäßige Korrelation zwischen einer bestimmten Prädiktorvariablen und anderen Prädiktorvariablen im Modell hin, ist jedoch oft nicht schwerwiegend genug, um besondere Aufmerksamkeit zu erfordern.
• Ein Wert größer als 5 weist auf eine potenziell schwerwiegende Korrelation zwischen einer bestimmten Prädiktorvariablen und anderen Prädiktorvariablen im Modell hin. In diesem Fall sind die Koeffizientenschätzungen und p-Werte in den Regressionsergebnissen wahrscheinlich unzuverlässig.

Wir können sehen, dass in diesem Beispiel keiner der VIF-Werte für die Prädiktorvariablen größer als 5 ist, was darauf hinweist, dass Multikollinearität im Regressionsmodell kein Problem darstellt.