<\/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 R erkennt, indem man VIF-Werte f\u00fcr jede Pr\u00e4diktorvariable im Modell berechnet.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Angenommen, 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<\/strong> \u201c als Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n Um den VIF f\u00fcr jede Pr\u00e4diktorvariable im Modell zu berechnen, k\u00f6nnen wir die Funktion vive()<\/strong> aus dem Paket car<\/b> verwenden:<\/span><\/p>\n Wir k\u00f6nnen die VIF-Werte f\u00fcr jede der Pr\u00e4diktorvariablen sehen:<\/span><\/p>\n Da jeder der VIF-Werte der Pr\u00e4diktorvariablen im Modell nahe bei 1 liegt, ist Multikollinearit\u00e4t im Modell kein Problem.<\/span><\/p>\n Hinweis<\/strong> : Wenn sich herausstellt, dass Multikollinearit\u00e4t in Ihrem Modell ein Problem darstellt, besteht die schnellste L\u00f6sung in den meisten F\u00e4llen darin, eine oder mehrere stark korrelierte Variablen zu entfernen.<\/span><\/p>\n Dies ist h\u00e4ufig eine akzeptable L\u00f6sung, da die von Ihnen entfernten Variablen ohnehin redundant sind und dem Modell nur wenige eindeutige oder unabh\u00e4ngige Informationen hinzuf\u00fcgen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine multiple lineare Regression in R 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: Testen auf Multikollinearit\u00e4t in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df = data. frame<\/span> (rating = c(90, 85, 82, 88, 94, 90, 76, 75, 87, 86),\n points=c(25, 20, 14, 16, 27, 20, 12, 15, 14, 19),\n assists=c(5, 7, 7, 8, 5, 7, 6, 9, 9, 5),\n rebounds=c(11, 8, 10, 6, 6, 9, 6, 10, 10, 7))\n\n#view data frame\n<\/span>df\n\n rating points assists rebounds\n1 90 25 5 11\n2 85 20 7 8\n3 82 14 7 10\n4 88 16 8 6\n5 94 27 5 6\n6 90 20 7 9\n7 76 12 6 6\n8 75 15 9 10\n9 87 14 9 10\n10 86 19 5 7\n<\/strong><\/pre>\n library<\/span> (car)<\/span>\n\n#define multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n\n#calculate the VIF for each predictor variable in the model\n<\/span>lively(model)\n\n points assists rebounds \n1.763977 1.959104 1.175030 \n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So erstellen Sie ein QQ-Diagramm in R<\/a>
So erstellen Sie ein Residuendiagramm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"