Se o grau de correla\u00e7\u00e3o entre as vari\u00e1veis for alto o suficiente, isso pode causar problemas no ajuste e na interpreta\u00e7\u00e3o do modelo de regress\u00e3o.<\/span><\/p>\n Uma forma de detectar a multicolinearidade \u00e9 usar uma m\u00e9trica conhecida como fator de infla\u00e7\u00e3o de vari\u00e2ncia (VIF)<\/strong> , que mede a correla\u00e7\u00e3o e a for\u00e7a da correla\u00e7\u00e3o entre vari\u00e1veis explicativas em um modelo de regress\u00e3o<\/a> .<\/span><\/p>\n Este tutorial explica como calcular VIF no SAS.<\/span><\/p>\n Para este exemplo, criaremos um conjunto de dados que descreve os atributos de 10 jogadores de basquete:<\/span> <\/p>\n Digamos que queremos ajustar um modelo de regress\u00e3o linear m\u00faltipla usando pontua\u00e7\u00e3o<\/strong> como vari\u00e1vel de resposta e pontos<\/strong> , assist\u00eancias<\/strong> e rebotes<\/strong> como vari\u00e1veis preditoras.<\/span><\/p>\n Podemos usar PROC REG<\/a> para ajustar este modelo de regress\u00e3o com a op\u00e7\u00e3o VIF<\/strong> para calcular valores VIF para cada vari\u00e1vel preditora no modelo:<\/span> <\/p>\n Na tabela Estimativas de Par\u00e2metros<\/strong> , podemos ver os valores VIF para cada uma das vari\u00e1veis preditoras:<\/span><\/p>\n Nota:<\/strong> Ignore o VIF para \u201cIntercept\u201d no modelo, pois este valor n\u00e3o \u00e9 relevante.<\/span><\/p>\n O valor VIF come\u00e7a em 1 e n\u00e3o tem limite superior. Uma regra geral para interpretar VIFs \u00e9:<\/span><\/p>\n Como cada um dos valores VIF das vari\u00e1veis preditoras em nosso modelo de regress\u00e3o \u00e9 pr\u00f3ximo de 1, a multicolinearidade n\u00e3o \u00e9 um problema em nosso exemplo.<\/span><\/p>\n Se voc\u00ea determinar que a multicolinearidade \u00e9 um problema no seu modelo de regress\u00e3o, h\u00e1 v\u00e1rias maneiras comuns de resolv\u00ea-lo:<\/span><\/p>\n 1. Remova uma ou mais vari\u00e1veis altamente correlacionadas.<\/strong><\/span><\/p>\n Esta \u00e9 a solu\u00e7\u00e3o mais r\u00e1pida na maioria dos casos e muitas vezes \u00e9 uma solu\u00e7\u00e3o aceit\u00e1vel porque as vari\u00e1veis que voc\u00ea remove s\u00e3o redundantes de qualquer maneira e adicionam poucas informa\u00e7\u00f5es exclusivas ou independentes ao modelo.<\/span><\/p>\n 2. Combina linearmente as vari\u00e1veis preditoras de alguma forma, como adicion\u00e1-las ou subtra\u00ed-las de alguma forma.<\/strong><\/span><\/p>\n Ao fazer isso, voc\u00ea pode criar uma nova vari\u00e1vel que englobe as informa\u00e7\u00f5es de ambas as vari\u00e1veis e n\u00e3o ter\u00e1 mais um problema de multicolinearidade.<\/span><\/p>\n 3. Realize uma an\u00e1lise projetada para levar em conta vari\u00e1veis altamente correlacionadas, como an\u00e1lise de componentes principais ou regress\u00e3o de m\u00ednimos quadrados parciais (PLS).<\/strong><\/span><\/p>\n Essas t\u00e9cnicas s\u00e3o projetadas especificamente para lidar com vari\u00e1veis preditoras altamente correlacionadas.<\/span><\/p>\n Os tutoriais a seguir explicam como executar outras tarefas comuns no SAS:<\/span><\/p>\n Como realizar regress\u00e3o linear m\u00faltipla no SAS<\/a> Na an\u00e1lise de regress\u00e3o, a multicolinearidade ocorre quando duas ou mais vari\u00e1veis preditoras s\u00e3o altamente correlacionadas entre si, de modo que n\u00e3o fornecem informa\u00e7\u00f5es \u00fanicas ou independentes no modelo de regress\u00e3o. Se o grau de correla\u00e7\u00e3o entre as vari\u00e1veis for alto o suficiente, isso pode causar problemas no ajuste e na interpreta\u00e7\u00e3o do modelo de […]<\/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-4526","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: calculando VIF em 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
Como lidar com a multicolinearidade<\/strong><\/span><\/h2>\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como criar um gr\u00e1fico residual no SAS<\/a>
Como calcular a dist\u00e2ncia de cozimento no SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"