[回归分析][11]--共线性数据的分析

最新推荐文章于 2024-04-07 09:37:17 发布

WMN7Q

最新推荐文章于 2024-04-07 09:37:17 发布

阅读量2.4k

点赞数 2

分类专栏：回归分析文章标签： mathematica 回归分析

本文链接：https://blog.csdn.net/WMN7Q/article/details/53444063

版权

本文探讨了在回归分析中遇到数据共线性的问题，包括如何通过相关系数矩阵和方差膨胀因子（VIF）识别共线性，以及如何通过特征向量转换实现变量正交化以减小共线性影响。

摘要由CSDN通过智能技术生成

[回归分析][11]--共线性数据的分析

考虑 x1，x2，x3 ... xn之间有相关性时。
即我们搜集数据时，可能搜集的数据之间有很强的相关性，会影响我们的分析。

对于两两之间的关系，可以用相关系数矩阵
如：以下是数据

data = {
    {"st", "at", "pt", "et", "at-1", "pt-1"}, {20.11, 1.99, 1., 0.3, 
  2.02, 0.}, {15.1, 1.94, 0., 0.3, 1.99, 1.}, {18.68, 2.2, 0.8, 0.35, 
  1.94, 0.}, {16.05, 2., 0., 0.35, 2.2, 0.8}, {21.3, 1.69, 1.3, 0.3, 
  2., 0.}, {17.85, 1.74, 0.3, 0.32, 1.69, 1.3}, {18.88, 2.07, 1., 
  0.31, 1.74, 0.3}, {21.27, 1.02, 1., 0.41, 2.07, 1.}, {20.48, 2.02, 
  0.9, 0.45, 1.02, 1.}, {20.54, 1.06, 1., 0.45, 2.02, 0.9}, {26.18, 
  1.46, 1.5, 0.5, 1.06, 1.}, {21.72, 1.88, 0., 0.6, 1.46, 1.5}, {28.7,
   2.27, 0.8,