<\/p>\n
Bei der Regressionsanalyse tritt Multikollinearit\u00e4t<\/a> auf, wenn zwei oder mehr Pr\u00e4diktorvariablen stark miteinander korrelieren, sodass sie im Regressionsmodell keine eindeutigen oder unabh\u00e4ngigen Informationen liefern.<\/span><\/p>\n Wenn der Korrelationsgrad zwischen den Pr\u00e4diktorvariablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Regressionsmodells f\u00fchren.<\/span><\/p>\n Der einfachste Weg, Multikollinearit\u00e4t in einem Regressionsmodell zu erkennen, ist die Berechnung einer Metrik, die als Varianzinflationsfaktor bekannt ist und oft mit VIF<\/strong> abgek\u00fcrzt wird.<\/span><\/p>\n VIF misst die St\u00e4rke der Korrelation zwischen Pr\u00e4diktorvariablen in einem Modell. Er nimmt einen Wert zwischen 1 und positiver Unendlichkeit an.<\/span><\/p>\n Zur Interpretation von VIF-Werten verwenden wir die folgenden Faustregeln:<\/span><\/p>\n Das folgende Beispiel zeigt, wie man Multikollinearit\u00e4t in einem Regressionsmodell in Python erkennt, indem man VIF-Werte f\u00fcr jede Pr\u00e4diktorvariable im Modell berechnet.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Nehmen wir an, wir m\u00f6chten ein multiples lineares Regressionsmodell<\/a> anpassen, indem wir \u201escoring\u201c<\/strong> als Antwortvariable und \u201epoints\u201c<\/strong> , \u201eassists<\/strong> \u201c und \u201e rebounds\u201c<\/strong> als Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n Um den VIF<\/strong> f\u00fcr jede Pr\u00e4diktorvariable im Modell zu berechnen, k\u00f6nnen wir die Funktion variance_inflation_factor()<\/a> aus der statsmodels-<\/strong> Bibliothek verwenden:<\/span><\/p>\n Wir k\u00f6nnen die VIF-Werte f\u00fcr jede der Pr\u00e4diktorvariablen sehen:<\/span><\/p>\n Hinweis:<\/strong> Ignorieren Sie das VIF f\u00fcr \u201eIntercept\u201c in der Vorlage, da dieser Wert nicht relevant ist.<\/span><\/p>\n Da jeder der VIF-Werte der Pr\u00e4diktorvariablen im Modell nahe bei 1 liegt, stellt Multikollinearit\u00e4t im Modell kein Problem dar.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in Python durch<\/a> Bei der Regressionsanalyse tritt Multikollinearit\u00e4t auf, wenn zwei oder mehr Pr\u00e4diktorvariablen stark miteinander korrelieren, sodass sie im Regressionsmodell keine eindeutigen oder unabh\u00e4ngigen Informationen liefern. Wenn der Korrelationsgrad zwischen den Pr\u00e4diktorvariablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Regressionsmodells f\u00fchren. Der einfachste Weg, Multikollinearit\u00e4t in einem Regressionsmodell zu erkennen, ist […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Multikollinearit\u00e4tstest in Python<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' rating<\/span> ': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n ' points<\/span> ': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19],\n ' assists<\/span> ': [5, 7, 7, 8, 5, 7, 6, 9, 9, 5],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 9, 6, 10, 10, 7]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n\trating points assists rebounds\n0 90 25 5 11\n1 85 20 7 8\n2 82 14 7 10\n3 88 16 8 6\n4 94 27 5 6\n5 90 20 7 9\n6 76 12 6 6\n7 75 15 9 10\n8 87 14 9 10\n9 86 19 5 7<\/strong><\/pre>\n from<\/span> patsy import<\/span> damatrices\nfrom<\/span> statsmodels. stats<\/span> . outliers_influence<\/span> import<\/span> variance_inflation_factor\n\n#find design matrix for regression model using 'rating' as response variable<\/span> \ny<\/span> ,<\/span>\n\n#create DataFrame to hold VIF values\n<\/span>vive_df = pd. DataFrame<\/span> ()\nvive_df[' variable<\/span> '] = X.columns<\/span> \n\n#calculate VIF for each predictor variable<\/span> \nvive_df[' VIF<\/span> '] = [variance_inflation_factor(X. values<\/span> , i) for<\/span> i in<\/span> range(X. shape<\/span> [1])]\n\n#view VIF for each predictor variable<\/span> \nprint<\/span> (viv_df)\n\n\t Variable VIF\n0 101.258171 Intercept\n1 1.763977 points\n2 1.959104 assists\n3 1.175030 rebounds<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in Python durch<\/a>
So erstellen Sie ein Restdiagramm in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"