Als de mate van correlatie tussen variabelen hoog genoeg is, kan dit problemen veroorzaken bij het aanpassen en interpreteren van het regressiemodel.<\/span><\/p>\n E\u00e9n manier om multicollineariteit te detecteren is door een metriek te gebruiken die bekend staat als de variantie-inflatiefactor (VIF)<\/strong> , die de correlatie en sterkte van de correlatie tussen verklarende variabelen in een regressiemodel<\/a> meet.<\/span><\/p>\n In deze zelfstudie wordt uitgelegd hoe u VIF in SAS berekent.<\/span><\/p>\n Voor dit voorbeeld maken we een gegevensset die de kenmerken van 10 basketbalspelers beschrijft:<\/span> <\/p>\n Laten we zeggen dat we een meervoudig lineair regressiemodel willen passen met behulp van scoring<\/strong> als de responsvariabele en points<\/strong> , assists<\/strong> en rebounds<\/strong> als de voorspellende variabelen.<\/span><\/p>\n We kunnen PROC REG<\/a> gebruiken om dit regressiemodel uit te rusten met de VIF-<\/strong> optie om VIF-waarden te berekenen voor elke voorspellende variabele in het model:<\/span> <\/p>\n Uit de tabel Parameterschattingen<\/strong> kunnen we de VIF-waarden voor elk van de voorspellende variabelen zien:<\/span><\/p>\n Opmerking:<\/strong> Negeer de VIF voor \u201cIntercept\u201d in de sjabloon, aangezien deze waarde niet relevant is.<\/span><\/p>\n De VIF-waarde begint bij 1 en heeft geen bovengrens. Een algemene regel voor het interpreteren van VIF’s is:<\/span><\/p>\n Omdat elk van de VIF-waarden van de voorspellende variabelen in ons regressiemodel dichtbij 1 ligt, is multicollineariteit in ons voorbeeld geen probleem.<\/span><\/p>\n Als u vaststelt dat multicollineariteit een probleem is in uw regressiemodel, zijn er verschillende veelgebruikte manieren om dit op te lossen:<\/span><\/p>\n 1. Verwijder een of meer van de sterk gecorreleerde variabelen.<\/strong><\/span><\/p>\n Dit is in de meeste gevallen de snelste oplossing en is vaak een acceptabele oplossing omdat de variabelen die u verwijdert sowieso overbodig zijn en weinig unieke of onafhankelijke informatie aan het model toevoegen.<\/span><\/p>\n 2. Combineert de voorspellende variabelen op een bepaalde manier lineair, bijvoorbeeld door ze op een of andere manier toe te voegen of af te trekken.<\/strong><\/span><\/p>\n Door dit te doen, kunt u een nieuwe variabele maken die de informatie van beide variabelen omvat en heeft u niet langer een multicollineariteitsprobleem.<\/span><\/p>\n 3. Voer een analyse uit die is ontworpen om rekening te houden met sterk gecorreleerde variabelen, zoals hoofdcomponentenanalyse of PLS-regressie (parti\u00eble kleinste kwadraten).<\/strong><\/span><\/p>\n Deze technieken zijn specifiek ontworpen om sterk gecorreleerde voorspellende variabelen te verwerken.<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende taken in SAS kunt uitvoeren:<\/span><\/p>\n Hoe u meerdere lineaire regressie uitvoert in SAS<\/a> Bij regressieanalyse treedt multicollineariteit op wanneer twee of meer voorspellende variabelen sterk met elkaar gecorreleerd zijn, zodat ze geen unieke of onafhankelijke informatie verschaffen in het regressiemodel. Als de mate van correlatie tussen variabelen hoog genoeg is, kan dit problemen veroorzaken bij het aanpassen en interpreteren van het regressiemodel. E\u00e9n manier om multicollineariteit te detecteren […]<\/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":[],"class_list":["post-4527","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: VIF berekenen 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
Hoe om te gaan met multicollineariteit<\/strong><\/span><\/h2>\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u een restplot in SAS maakt<\/a>
Hoe de kookafstand in SAS te berekenen<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"