計算 VIF
如同你在影片中學到的，檢查多重共線性最常用的診斷指標之一是變異膨脹因子（variance inflation factor，VIF），會對每個解釋變數各自計算。
回想影片中的經驗法則閾值：VIF 的門檻是 2.5。也就是說，若某變數的 VIF 高於 2.5，你就應該考慮多重共線性已經影響到你擬合的模型。
先前已擬合的 model 與 crab 資料集都已預先載入到工作空間。
本練習屬於課程
Generalized Linear Models in Python
練習說明
- 從
statsmodels匯入variance_inflation_factor。 - 從
crab資料集中選取weight、width和color，並存成X。在X中加入名為Intercept、值為 1 的欄位。 - 使用
pandas的DataFrame()函式建立一個空的vif資料框，並在Variables欄位中加入X的欄名。 - 對每個變數使用
variance_inflation_factor()函式計算 VIF，並以欄名VIF儲存在vif資料框中。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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
____(____)