Calcular el VIF

Como viste en el vídeo, uno de los diagnósticos más utilizados para la multicolinealidad es el factor de inflación de la varianza o VIF, que se calcula para cada variable explicativa.

Recuerda del vídeo que la regla práctica marca un umbral de VIF en 2.5; es decir, si el VIF está por encima de 2.5 deberías considerar que hay efecto de multicolinealidad en tu modelo ajustado.

El model previamente ajustado y el conjunto de datos crab están precargados en el espacio de trabajo.

Este ejercicio forma parte del curso

Modelos lineales generalizados en Python

Ver curso

Instrucciones del ejercicio

Importa desde statsmodels la función variance_inflation_factor.
Del conjunto de datos crab elige weight, width y color y guárdalos como X. Añade a X una columna Intercept de unos.
Usando la función DataFrame() de pandas, crea un dataframe vif vacío y añade los nombres de las columnas de X en la columna Variables.
Para cada variable, calcula el VIF con la función variance_inflation_factor() y guárdalo en el dataframe vif en la columna VIF.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Import functions
from statsmodels.stats.outliers_influence import ____

# Get variables for which to compute VIF and add intercept term
X = ____[[____, ____, ____]]
X[____] = 1

# Compute and view VIF
vif = pd.____
vif["variables"] = X.____
vif["VIF"] = [____(X.values, i) for i in range(X.shape[1])]

# View results using print
____(____)

Editar y ejecutar código