<\/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 R calcolando i valori VIF per ciascuna variabile predittrice nel modello.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati contenente 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 per ciascuna variabile predittrice nel modello, possiamo utilizzare la funzione vive()<\/strong> del pacchetto auto<\/b> :<\/span><\/p>\n Possiamo vedere i valori VIF per ciascuna delle variabili predittive:<\/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 Nota<\/strong> : se la multicollinearit\u00e0 risulta essere un problema nel modello, nella maggior parte dei casi la soluzione pi\u00f9 rapida \u00e8 rimuovere una o pi\u00f9 variabili altamente correlate.<\/span><\/p>\n Questa \u00e8 spesso una soluzione accettabile perch\u00e9 le variabili rimosse sono comunque ridondanti e aggiungono poche informazioni univoche o indipendenti nel modello.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire la regressione lineare multipla in R<\/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 per la multicollinearit\u00e0 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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come creare un grafico QQ in R<\/a>
Come creare una trama residua in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"