Beräkna VIF

Som du lärde dig i videon är variansinflaationsfaktorn – VIF (variance inflation factor) – ett av de mest använda diagnostiska verktygen för multikollinearitet. VIF beräknas för varje förklaringsvariabel.

Kom ihåg tumregeln från videon: om VIF överstiger 2,5 bör du ta hänsyn till multikollinearitetens effekt på din anpassade modell.

Den tidigare anpassade model och datamängden crab är förinlästa i arbetsytan.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Importera variance_inflation_factor från statsmodels.
Välj kolumnerna weight, width och color från datamängden crab och spara som X. Lägg till en Intercept-kolumn med enbart ettor i X.
Skapa en tom dataram vif med pandas-funktionen DataFrame() och lägg till kolumnnamnen från X i kolumnen Variables.
Beräkna VIF för varje variabel med funktionen variance_inflation_factor() och spara resultaten i dataramen vif under kolumnnamnet VIF.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
____(____)

Redigera och kör kod