Se il grado di correlazione tra le variabili \u00e8 sufficientemente elevato, ci\u00f2 pu\u00f2 causare problemi durante l’adattamento e l’interpretazione del modello di regressione.<\/span><\/p>\n Un modo per rilevare la multicollinearit\u00e0 \u00e8 utilizzare una metrica nota come fattore di inflazione della varianza (VIF)<\/strong> , che misura la correlazione e la forza della correlazione tra le variabili esplicative in un modello di regressione<\/a> .<\/span><\/p>\n Questo tutorial spiega come calcolare VIF in SAS.<\/span><\/p>\n Per questo esempio, creeremo un set di dati che descrive gli attributi di 10 giocatori di basket:<\/span> <\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla utilizzando il punteggio<\/strong> come variabile di risposta e punti<\/strong> , assist<\/strong> e rimbalzi<\/strong> come variabili predittive.<\/span><\/p>\n Possiamo utilizzare PROC REG<\/a> per adattare questo modello di regressione con l’opzione VIF<\/strong> per calcolare i valori VIF per ciascuna variabile predittrice nel modello:<\/span> <\/p>\n Dalla tabella Stime dei parametri<\/strong> , 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 Il valore VIF inizia da 1 e non ha un limite superiore. Una regola generale per interpretare i VIF \u00e8:<\/span><\/p>\n Poich\u00e9 ciascuno dei valori VIF delle variabili predittive nel nostro modello di regressione \u00e8 vicino a 1, la multicollinearit\u00e0 non \u00e8 un problema nel nostro esempio.<\/span><\/p>\n Se determini che la multicollinearit\u00e0 \u00e8 un problema nel tuo modello di regressione, esistono diversi modi comuni per risolverlo:<\/span><\/p>\n 1. Rimuovere una o pi\u00f9 variabili altamente correlate.<\/strong><\/span><\/p>\n Questa \u00e8 la soluzione pi\u00f9 rapida nella maggior parte dei casi ed \u00e8 spesso una soluzione accettabile perch\u00e9 le variabili rimosse sono comunque ridondanti e aggiungono poche informazioni univoche o indipendenti al modello.<\/span><\/p>\n 2. Combina linearmente le variabili predittive in qualche modo, ad esempio aggiungendole o sottraendole in qualche modo.<\/strong><\/span><\/p>\n In questo modo, puoi creare una nuova variabile che comprende le informazioni di entrambe le variabili e non avrai pi\u00f9 problemi di multicollinearit\u00e0.<\/span><\/p>\n 3. Eseguire un’analisi progettata per tenere conto di variabili altamente correlate come l’analisi delle componenti principali o la regressione dei minimi quadrati parziali (PLS).<\/strong><\/span><\/p>\n Queste tecniche sono progettate specificamente per gestire variabili predittive altamente correlate.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in SAS:<\/span><\/p>\n Come eseguire la regressione lineare multipla in SAS<\/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 tra le variabili \u00e8 sufficientemente elevato, ci\u00f2 pu\u00f2 causare problemi durante l’adattamento e l’interpretazione del modello di regressione. […]<\/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 Esempio: calcolo del 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
Come gestire la multicollinearit\u00e0<\/strong><\/span><\/h2>\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come creare un grafico residuo in SAS<\/a>
Come calcolare la distanza di cottura in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"