Python 在使用variance_inflation_factor 做VIF多重共线性检验时，是否要加入常数项？

最新推荐文章于 2023-12-25 18:28:58 发布
最新推荐文章于 2023-12-25 18:28:58 发布
阅读量1.3k 收藏 3
点赞数 2
文章标签： python 数据分析 线性回归
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44842119/article/details/127594139
版权

用一份数据跑回归，惯例先做了一下多重共线性的检验

参考网上的各种教程，大部分都是直接把自变量丢进去就可以出来结果

我的代码：

 但这个结果和我拿spss跑回归得出来的VIF值完全不一样

python，只有自变量的VIF结果（左）；spss，因变量+自变量跑回归中的VIF

 同样的自变量，为什么会有这么大的差异？

然后我继续搜索多重共线性的文章，终于发现这篇里提到需要在df里加入一组常数项

利用Python进行VIF检验 - 知乎 (zhihu.com)

 于是我自己也加入了一个常数项

实验的结果——除了最后一列常数项，其他的和spss结果一模一样了

 所以这是为什么？

山海漫漫
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
python 回归去掉共线性_Python计算方差膨胀因子VIF
weixin_39856607的博客
11-27 958
方差扩大因子(variance inflation factor)简称VIF，是表征自变量观察值之间复共线性程度的数值。线性回归分析中，回归系数βj的估计量的方差为σ2Cjj，其中Cjj=(1-Rj)-1，称Cjj为βj的方差扩大因子，这里Rj为xj对其余p-1个自变量的复相关系数的平方，显然Cjj≥1，它的大小可以反映出自变量的观察值之间是否存在复共线性以及其程度如何，Cjj越大，复共线性越严重...
python计算方差膨胀因子_Variance Inflation Factor (VIF) 方差膨胀因子解释_附python脚本...
weixin_39607937的博客
12-04 1745
python信用评分卡(附代码，博主录制)Colinearity is the state where two variables are highly correlated and contain similiar information about the variance within a given dataset. To detect colinearity among variable...
Variance Inflation Factor (VIF) 方差膨胀因子解释_附python脚本
weixin_30357231的博客
05-19 3686
python信用评分卡（附代码，博主录制） https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share https://etav.github.i...
应用MATLAB对数据进行多重共线性检验的小程序
06-07
程序的核心在于计算变异膨胀因子（Variance Inflation Factor，简称VIF），这是一个衡量自变量之间共线性程度的指标。VIF值越大，表明自变量之间的共线性越强。一般认为，如果某个自变量的VIF值超过10，那么就可能...
面板数据计算多重共线性stata操作的代码_stata_washs9b_
10-02
在Stata中，我们可以利用VIF（方差膨胀因子，Variance Inflation Factor）来评估多重共线性的严重程度。VIF值如果大于10，则表明存在显著的多重共线性问题。计算VIF的Stata命令如下： ```stata eststo clear // ...
LMS.rar_Estimates LMS_LMS算法AR模型_ar variance matlab_lms线性预测_预测滤波器
09-19
ar variance matlab_lms线性预测_预测滤波器”揭示了本主题的核心内容，这是一个关于使用LMS（Least Mean Squares，最小均方误差）算法进行线性预测估计的项目，其中涉及到自回归（AR）模型的建立和在Matlab环境中...
多重共线性检验的小程序MATLAB
05-31
在这个场景中，我们有一个名为"733800.m"的MATLAB源代码文件，它是一个小程序，专门用于计算多重共线性的关键指标——方差膨胀因子（Variance Inflation Factor，简称VIF）。 VIF是一个度量自变量之间多重共线性...
allan_variance.zip_ALLAN VARIANCE_IMU
09-14
《全面解析Allan方差在IMU数据中的应用》 Allan方差是一种评估传感器，尤其是惯性测量单元（IMU）性能的重要工具。在标题为"allan_variance.zip_ALLAN VARIANCE_IMU"的压缩包中，包含了一个名为"allan_variance.cpp...
方差膨胀因子的介绍及python实现
XIAOFEI@IDO
01-06 5956
一、概要 在机器学习中，多重共线性在一定程度上是不影响模型的预测能力，但是肯定会影响模型的可解释性。尤其是在获取构建模型时的特征重要性（或者对特征进行排名）时，多重共线性会严重影响其解释性。 二、方差膨胀因子 方差膨胀因子(Variance Inflation Factor，以下简称VIF)，是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比。 上图公式可以看出在方差膨胀因子的检测中： 每个自变量都会有一个膨胀因子值 VIFiVIF_iVIFi​，最后根据值的大小来选择是否删减 Ri
python计算方差膨胀因子_VIF方法（方差膨胀因子）因子独立性检验 全流程解读...
weixin_39793098的博客
12-04 2318
基于因子模型的选股策略是股票市场量化应用最广泛的模型之一。然而很多时候，使用因子模型在实盘运行的绩效并不理想，究其原因可能是由于因子选择的偏差，市场风格轮动等。但还有一个显著的因素，就是选取因子之间可能存在高度的多重共线性，导致模型对股票价格与市场的解释能力存在很大偏误。为了在筛选因子之初就避免陷入这样的误区。本文介绍一种VIF(方差膨胀检验)方法，来对因子之间的线性相关关系进行检验，从而帮助投资...
Python | 使用VIF检测多重共线性
最新发布
python收藏家的博客
12-25 2083
多重共线性是指多元回归模型中有两个或两个以上的自变量，它们之间具有高度的相关性。正如我们所看到的，身高和体重具有非常高的VIF值，表明这两个变量高度相关。这是预料之中的，因为一个人的身高确实会影响他们的体重。正如我们从公式中看到的，R平方的值越大，VIF越大。这与较高的R平方值表示较强的共线性的事实一致。下例中使用的数据集包含500人的身高、体重、性别和体重指数。exog_idx：要测量其对其他特征的影响的附加特征的索引。其中，R平方是线性回归中的决定系数。exog：一个数组，包含对其执行线性回归的特征。
多重共线性：python计算VIF以及使用vif做因子独立性检验的方法
纸上得来终觉浅
12-22 8174
转自：https://blog.csdn.net/ab1112221212/article/details/100133066 多重共线性在python中的解决方法 本文将讨论多重共线性的相关概念及利用python自动化消除多重共线性的方法，以供参考，欢迎拍砖 线性模型与非线性模型 关于线性模型与非线性模型的定义，似乎并没有确切的定论，但是个人认为建模首先得清楚地认识样本，样本有线性可分与线性不可分两种，所谓是否线性可分，是指是否存在一条直线（或平面）将样本分开。 上图中y=0和y=1的样本可以由一
wh9.2,python计算VIF
xianyuaaaaaa的博客
11-13 1502
python计算VIF。
多元共线性检测 -- 方差膨胀因子(Python 实现)
热门推荐
阅读从未停止，输出从未开始
05-24 1万+
十分经典，原理简单，实现优雅，效果拔群。
用 VIF 方法消除多维数据中的多重共线性
Python中文社区
09-29 8691
多元线性回归是我们在数据分析中经常用到的一个方法，很多人在遇到多维数据时基本上无脑使用该方法，而在用多元线性回归之后所得到的结果又并不总是完美的，其问题实际上并不出在方法上，而是出在数据...
更加好理解的线性代数理论
myjs999的博客
10-26 385
重新定义一下上篇文章所述的矩阵的三相性。 一个矩阵是零矩阵，当其元素都是000。一个矩阵AAA是非零矩阵，当Ax→=0→⇒x→=0→A\overrightarrow{x}=\overrightarrow{0}\Rightarrow\overrightarrow{x}=\overrightarrow{0}Ax=0⇒x=0。其它矩阵称为临界矩阵。 它们的乘法规律可由下述三相乘法表描述。 非零 临界 零 非零 非零 临界 零 临界 临界 临界/零 零 零 零 零 零 非零的方阵可逆。
线性回归中自变量出现共线性应该怎么办？
Nina_ningning的博客
03-14 823
在使用线性回归的时候，自变量和因变量的关系都是非常确定的，不存在遗漏变量等问题，但是这时候估计出来的参数和真值差距非常大，这时候要检查一下自变量之间是否存在共线性。最简单的办法就是计算一下自变量之间的correlation，如果correlation过大，那么应该是共线性的问题。接下来我们重点讲一下partial least square + pca的思想是怎样的。1. 如果某两个自变量之间的correlation都接近1了，那么最好是删除其中一个。那么如何解决共线性的问题呢？下面有几个解决方案。
r ridge回归_手把手带你画高大上的lasso回归模型图
weixin_39924486的博客
11-21 1259
各位芝士好友，今天我们来聊一聊lasso回归算法。与预后有关的文章，传统的做法一般会选择多变量cox回归，高级做法自然就是我们今天的lasso分析。首先我们先来几篇文献，看一下lasso最近发的两篇文章，如下： 这两篇文章均是采用了lasso回归的范文。感兴趣的可以自行下载学习，当然今天我们主要是和大家探讨lasso回归的细枝末节，具...
详细解释下属代码：###连续变量共线性检验（方差膨胀因子） from statsmodels.stats.outliers_influence import variance_inflation_factor vif = [variance_inflation_factor(data.values, data.columns.get_loc(i)) for i in data.columns]
07-11
这段代码是用来进行连续变量的共线性检验，即计算每个变量的方差膨胀因子（Variance Inflation Factor，VIF）。 在这段代码中，使用了`statsmodels`库中的`variance_inflation_factor`函数来计算方差膨胀因子。该函数接受两个参数： 1. `data.values`：表示数据集中的特征变量部分，即去除目标变量后的数据集。 2. `data.columns.get_loc(i)`：表示要计算方差膨胀因子的变量在数据集中的位置。 通过遍历`data.columns`中的每个变量，将其位置传递给`variance_inflation_factor`函数，从而计算该变量的方差膨胀因子。最后，将所有变量的方差膨胀因子存储在列表`vif`中。 方差膨胀因子是用来评估一个变量与其他变量之间的共线性程度的指标。具体来说，它衡量了一个变量的方差增加的程度，由于与其他变量存在高度相关关系而引起的。通常情况下，方差膨胀因子大于1表示存在共线性问题，一般阈值为5或10，超过该阈值则可以认为存在严重的共线性。 通过计算每个变量的方差膨胀因子，我们可以判断哪些变量可能存在共线性问题，从而进行进一步的处理，例如删除或合并相关的变量，以提高模型的准确性和稳定性。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值