R တွင် ပြုပြင်နည်း- model တွင် alias coefficients များရှိသည်။
R တွင် သင်ကြုံတွေ့နိုင်သော အမှားတစ်ခုမှာ-
Error in vive.default(model): there are aliased coefficients in the model
ဆုတ်ယုတ်မှုပုံစံတစ်ခုတွင် multicollinearity ရှိနေသောအခါတွင် ဤအမှားသည် ပုံမှန်အားဖြင့် ဖြစ်ပေါ်သည်။ ဆိုလိုသည်မှာ၊ မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင် နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ကိန်းရှင်များသည် လွန်စွာ (သို့မဟုတ် စုံလင်စွာ) ဆက်စပ်နေပါသည်။
ဒီလိုဖြစ်လာတဲ့အခါ၊ ကိန်းရှင်တစ်ခုဟာ ဆုတ်ယုတ်မှုပုံစံနဲ့ အံဝင်ခွင်ကျဖြစ်တဲ့အခါ ပြဿနာဖြစ်စေတဲ့ အခြားကိန်းရှင်တစ်ခုရဲ့ “ အနံများ” လို့ ပြောလို့ရပါတယ်။
အောက်ဖော်ပြပါ ဥပမာသည် ဤအမှားကို လက်တွေ့တွင် မည်သို့ပြုပြင်ရမည်ကို ပြသထားသည်။
အမှားကို ဘယ်လိုပြန်ထုတ်မလဲ။
R တွင် အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှုပုံစံကို ကျွန်ုပ်တို့အသုံးပြုသည်ဆိုပါစို့။
#make this example reproducible
set. seeds (0)
#define data
x1 <- rnorm(100)
x2 <- rnorm(100)
x3 <- x2*3
y <- rnorm(100)
#fit regression model
model <- lm(y~x1+x2+x3)
ကား ပက်ကေ့ခ်ျ၏ vive() လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့သည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းသူ variable တစ်ခုစီအတွက် VIF တန်ဖိုးများကို တွက်ချက်ရန်အတွက် multicollinearity ပြဿနာရှိ၊
library (car)
#calculate VIF values for predictor variables
lively(model)
Error in vive.default(model): there are aliased coefficients in the model
” မော်ဒယ်တွင် နာမည်တူများ ကိန်းဂဏန်းများ ရှိနေသည်” ဟု ဖော်ပြထားသော အမှားတစ်ခုကို ကျွန်ုပ်တို့ လက်ခံရရှိပါသည်။ “
၎င်းသည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင် နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ကိန်းရှင်များသည် လုံးဝဆက်စပ်နေကြောင်း ကျွန်ုပ်တို့ကိုပြောပြသည်။
အမှားကိုဘယ်လိုပြင်မလဲ။
မည်သည့်ကြိုတင်ခန့်မှန်းကိန်းရှင်များသည် စုံလင်စွာဆက်စပ်နေကြောင်း ဆုံးဖြတ်ရန်၊ ကျွန်ုပ်တို့သည် ကိန်းရှင်များအတွက် ဆက်စပ်မက်ထရစ် ကိုဖန်တီးရန် cor() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။
#place variables in data frame
df <- data. frame (x1, x2, x3, y)
#create correlation matrix for data frame
cor(df)
x1 x2 x3 y
x1 1.00000000 0.126886263 0.126886263 0.065047543
x2 0.12688626 1.000000000 1.000000000 -0.009107573
x3 0.12688626 1.000000000 1.000000000 -0.009107573
y 0.06504754 -0.009107573 -0.009107573 1.000000000
ကိန်းရှင် x2 နှင့် x3 များတွင် 1 ၏ ဆက်စပ်ကိန်းကို ဆက်စပ်မှု ရှိသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။ ၎င်းသည် ဤကိန်းရှင်နှစ်ခုသည် စုံလင်စွာဆက်စပ်နေသောကြောင့် ၎င်းတို့သည် အမှားအယွင်းဖြစ်စေသည်ဟု ကျွန်ုပ်တို့ကိုပြောပြသည်။
ဤအမှားကိုပြင်ရန်၊ ဆုတ်ယုတ်မှုပုံစံကို နောက်တစ်ကြိမ် ချိန်ညှိပြီး ဤကိန်းရှင်နှစ်ခုထဲမှ တစ်ခုကို ချန်ထားပါ။
၎င်းတို့နှစ်ခုလုံးသည် ဆုတ်ယုတ်မှုပုံစံတွင် အတိအကျတူညီသောအချက်အလက်များကို ပေးသည့်အတွက်ကြောင့် ကျွန်ုပ်တို့သည် မည်သည့်ကိန်းရှင်ကို ချန်လှပ်ထားရသည်မှာ အရေးမကြီးပါ။
ရိုးရှင်းစေရန်၊ x3 ကို ဖယ်ရှားပြီး ဆုတ်ယုတ်မှုပုံစံကို ထပ်မံ အံကိုက်ကြပါစို့။
library (car)
#make this example reproducible
set. seeds (0)
#define data
x1 <- rnorm(100)
x2 <- rnorm(100)
x3 <- x2*3
y <- rnorm(100)
#fit regression model
model <- lm(y~x1+x2)
#calculate VIF values for predictor variables in model
lively(model)
x1 x2
1.016364 1.016364
Multicollinearity သည် ပြဿနာမရှိတော့သောကြောင့် မော်ဒယ်အတွက် VIF တန်ဖိုးများကို တွက်ချက်သည့်အခါတွင် မည်သည့်အမှားအယွင်းမျှ မရရှိကြောင်း သတိပြုပါ။
ဆက်စပ်- R တွင် VIF တန်ဖိုးများကို တွက်ချက်ပြီး အဓိပါယ်ဖွင့်နည်း
ထပ်လောင်းအရင်းအမြစ်များ
အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် အခြားသော ဘုံအမှားများကို မည်သို့ပြုပြင်ရမည်ကို ရှင်းပြထားပါသည်။
R တွင် ပြုပြင်နည်း- အစားထိုးမှုမှာ သုညအရှည်ရှိသည်။
R- အကြောင်းပြချက်များတွင် ကွဲပြားသော လိုင်းအရေအတွက် ပါ၀င်သည်။
R- argument သည် ကိန်းဂဏာန်းမဟုတ်သလို ယုတ္တိလည်းမဟုတ်- return na တွင် ပြုပြင်နည်း