R语言如何实现检验多重共线性的操作

小编给大家分享一下R语言如何实现检验多重共线性的操作，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！

函数kappa()

df<-data.frame()df_cor=cor(df)kappa(df_cor, exact=T)

当 κ<100κ<100 , 说明共线性程度小；

当 100<κ<1000100<κ<1000 , 有较强的多重共线性；

当 κ>1000κ>1000，存在严重的多重共线性。

函数qr()

x<-matrix()qr(x)$rank

qr(X)$rank 计算X矩阵的秩，如果不是满秩的，说明其中有xixi可以用其他xjxj的线性组合表示；此时可以进行逐步回归，用step()命令。

fm<-lm()step(fm)

补充：多重共线性的产生原因、判别、检验、解决方法

最近做回归分析，出现了相关系数与回归方程系数符号相反的问题，经过研究，确认是多重共线性问题并探索了解决方法。

在此将多重共线性的相关知识整理如下。

解释变量理论上的高度相关与观测值高度相关没有必然关系，有可能两个解释变量理论上高度相关，但观测值未必高度相关，反之亦然。所以多重共线性本质上是数据问题。

造成多重共线性的原因有一下几种：

解释变量都享有共同的时间趋势；

一个解释变量是另一个的滞后，二者往往遵循一个趋势；

由于数据收集的基础不够宽，某些解释变量可能会一起变动；

某些解释变量间存在某种近似的线性关系；

判别：

发现系数估计值的符号不对；

某些重要的解释变量t值低，而R方不低

当一不太重要的解释变量被删除后，回归结果显著变化；

检验：

相关性分析，相关系数高于0.8，表明存在多重共线性；但相关系数低，并不能表示不存在多重共线性；

vif检验；

条件系数检验；

解决方法：

增加数据；

对模型施加某些约束条件；

删除一个或几个共线变量；

将模型适当变形；

主成分回归

处理多重共线性的原则：

多重共线性是普遍存在的，轻微的多重共线性问题可不采取措施；

严重的多重共线性问题，一般可根据经验或通过分析回归结果发现。如影响系数符号，重要的解释变量t值很低。要根据不同情况采取必要措施。

如果模型仅用于预测，则只要拟合程度好，可不处理多重共线性问题，存在多重共线性的模型用于预测时，往往不影响预测结果；

看完了这篇文章，相信你对“R语言如何实现检验多重共线性的操作”有了一定的了解，如果想了解更多相关知识，欢迎关注编程网行业资讯频道，感谢各位的阅读！