<\/p>\n
Nell’analisi di regressione, la multicollinearit\u00e0<\/a> si verifica quando due o pi\u00f9 variabili predittive sono altamente correlate tra loro, in modo tale da non fornire informazioni univoche o indipendenti nel modello di regressione.<\/span><\/p>\n Se il grado di correlazione \u00e8 sufficientemente elevato tra le variabili predittive, ci\u00f2 pu\u00f2 causare problemi durante l’adattamento e l’interpretazione del modello di regressione.<\/span><\/p>\n Il modo pi\u00f9 semplice per rilevare la multicollinearit\u00e0 in un modello di regressione \u00e8 calcolare una metrica nota come fattore di inflazione della varianza, spesso abbreviato VIF<\/strong> .<\/span><\/p>\n VIF misura la forza della correlazione tra le variabili predittive in un modello. Assume un valore compreso tra 1 e infinito positivo.<\/span><\/p>\n Utilizziamo le seguenti regole pratiche per interpretare i valori VIF:<\/span><\/p>\n L’esempio seguente mostra come rilevare la multicollinearit\u00e0 in un modello di regressione in Python calcolando i valori VIF per ciascuna variabile predittrice nel modello.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che contiene informazioni su vari giocatori di basket:<\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla<\/a> utilizzando il punteggio<\/strong> come variabile di risposta e punti<\/strong> , assist<\/strong> e rimbalzi<\/strong> come variabili predittive.<\/span><\/p>\n Per calcolare il VIF<\/strong> per ciascuna variabile predittrice nel modello, possiamo utilizzare la funzione variance_inflation_factor()<\/a> dalla libreria statsmodels<\/strong> :<\/span><\/p>\n Possiamo vedere i valori VIF per ciascuna delle variabili predittive:<\/span><\/p>\n Nota:<\/strong> ignorare il VIF per “Intercetta” nel modello poich\u00e9 questo valore non \u00e8 rilevante.<\/span><\/p>\n Poich\u00e9 ciascuno dei valori VIF delle variabili predittive nel modello \u00e8 vicino a 1, la multicollinearit\u00e0 non \u00e8 un problema nel modello.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire una semplice regressione lineare in Python<\/a> Nell’analisi di regressione, la multicollinearit\u00e0 si verifica quando due o pi\u00f9 variabili predittive sono altamente correlate tra loro, in modo tale da non fornire informazioni univoche o indipendenti nel modello di regressione. Se il grado di correlazione \u00e8 sufficientemente elevato tra le variabili predittive, ci\u00f2 pu\u00f2 causare problemi durante l’adattamento e l’interpretazione del modello di […]<\/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
Esempio: test di multicollinearit\u00e0 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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire regressioni lineari multiple in Python<\/a>
Come creare un grafico residuo in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"