Wenn der Korrelationsgrad zwischen den Variablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Regressionsmodells f\u00fchren.<\/span><\/p>\n Eine M\u00f6glichkeit, Multikollinearit\u00e4t zu erkennen, ist die Verwendung einer Metrik namens Variance Inflation Factor (VIF)<\/strong> , die die Korrelation und St\u00e4rke der Korrelation zwischen erkl\u00e4renden Variablen in einem Regressionsmodell<\/a> misst.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie man VIF in SAS berechnet.<\/span><\/p>\n F\u00fcr dieses Beispiel erstellen wir einen Datensatz, der die Attribute von 10 Basketballspielern beschreibt:<\/span> <\/p>\n Nehmen wir an, wir m\u00f6chten ein multiples lineares Regressionsmodell 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 Wir k\u00f6nnen PROC REG<\/a> verwenden, um dieses Regressionsmodell mit der VIF-<\/strong> Option anzupassen, um VIF-Werte f\u00fcr jede Pr\u00e4diktorvariable im Modell zu berechnen:<\/span> <\/p>\n Aus der Tabelle \u201eParametersch\u00e4tzungen\u201c<\/strong> k\u00f6nnen wir 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 Der VIF-Wert beginnt bei 1 und hat keine Obergrenze. Eine allgemeine Regel f\u00fcr die Interpretation von VIFs lautet:<\/span><\/p>\n Da jeder der VIF-Werte der Pr\u00e4diktorvariablen in unserem Regressionsmodell nahe bei 1 liegt, ist Multikollinearit\u00e4t in unserem Beispiel kein Problem.<\/span><\/p>\n Wenn Sie feststellen, dass Multikollinearit\u00e4t ein Problem in Ihrem Regressionsmodell darstellt, gibt es mehrere g\u00e4ngige M\u00f6glichkeiten, es zu l\u00f6sen:<\/span><\/p>\n 1. Entfernen Sie eine oder mehrere der stark korrelierten Variablen.<\/strong><\/span><\/p>\n Dies ist in den meisten F\u00e4llen die schnellste L\u00f6sung und oft 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 2. Kombiniert die Pr\u00e4diktorvariablen auf irgendeine Weise linear, z. B. indem sie auf irgendeine Weise addiert oder subtrahiert werden.<\/strong><\/span><\/p>\n Auf diese Weise k\u00f6nnen Sie eine neue Variable erstellen, die die Informationen beider Variablen umfasst, und Sie haben kein Multikollinearit\u00e4tsproblem mehr.<\/span><\/p>\n 3. F\u00fchren Sie eine Analyse durch, die stark korrelierte Variablen ber\u00fccksichtigt, z. B. eine Hauptkomponentenanalyse oder eine PLS-Regression (Partial Least Squares).<\/strong><\/span><\/p>\n Diese Techniken sind speziell f\u00fcr den Umgang mit stark korrelierten Pr\u00e4diktorvariablen konzipiert.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in SAS ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine multiple lineare Regression in SAS 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 Variablen hoch genug ist, kann dies zu Problemen bei der Anpassung und Interpretation des Regressionsmodells f\u00fchren. Eine M\u00f6glichkeit, Multikollinearit\u00e4t zu erkennen, ist die Verwendung einer Metrik […]<\/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 Beispiel: Berechnung des VIF in SAS<\/strong><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> rating points assists rebounds;\n datalines<\/span> ;\n90 25 5 11\n85 20 7 8\n82 14 7 10\n88 16 8 6\n94 27 5 6\n90 20 7 9\n76 12 6 6\n75 15 9 10\n87 14 9 10\n86 19 5 7\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/vifs1.png\")
<\/p>\n \/*fit regression model and calculate VIF values*\/\n<\/span>proc reg<\/span> data<\/span> =my_data;\n model<\/span> rating = points assists rebounds \/ lively<\/span> ;\nrun<\/span> ;<\/strong> <\/pre>\n![\"VIF](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/vifs2.png\")
<\/p>\n\n
\n
Wie man mit Multikollinearit\u00e4t umgeht<\/strong><\/span><\/h2>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So erstellen Sie ein Restdiagramm in SAS<\/a>
So berechnen Sie die Kochdistanz in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"