如何用SPSS檢驗多重共線性_多重共線性處理方法-CDA數據分析師官網

熱線電話：13121318867

登錄

如何用SPSS檢驗多重共線性_多重共線性處理方法

2017-01-06

如何用SPSS檢驗多重共線性_多重共線性處理方法

我也在弄這個目前用的STATA的coldiag2的方法
雖然之前用spearman相關系數看了一下沒問題
但是coldiag2的條件數200+ = =
現在打算主成分+人工扔掉一些…
不知大家有什么別的方案嗎
—————–
多重共線性的后果：
整個回歸方程的統計檢驗P<a，但所有偏回歸系數的檢驗均無統計學意義。
偏回歸系數的估計值大小明顯與常識不符，甚至連符號都是相反的。比如擬合結果表明累計吸煙量越多，個體的壽命就越長。
在專業知識上可以肯定對應變量有影響的因素，在多元回歸分析中卻P>a，不能納入方程
去掉一兩個變量或記錄，方程的回歸系數值發生劇烈抖動，非常不穩定。

多重共線性的確認：
做出自變量間的相關系數矩陣：如果相關系數超過0.9的變量在分析時將會存在共線性問題。在0.8以上可能會有問題。但這種方法只能對共線性作初步的判斷，并不全面。
容忍度（Tolerance）:有 Norusis 提出，即以每個自變量作為應變量對其他自變量進行回歸分析時得到的殘差比例，大小用1減決定系數來表示。該指標越小，則說明該自變量被其余變量預測的越精確，共線性可能就越嚴重。陳希孺等根據經驗得出：如果某個自變量的容忍度小于0.1，則可能存在共線性問題。
方差膨脹因子（Variance inflation factor, VIF）: 由Marquardt于1960年提出，實際上就是容忍度的倒數。
特征根（Eigenvalue）：該方法實際上就是對自變量進行主成分分析，如果相當多維度的特征根等于0，則可能有比較嚴重的共線性。
條件指數（Condition Idex）：由Stewart等提出，當某些維度的該指標數值大于30時，則能存在共線性。
多重共線性的對策：
增大樣本量，可部分的解決共線性問題
采用多種自變量篩選方法相結合的方式，建立一個最優的逐步回歸方程。
從專業的角度加以判斷，人為的去除在專業上比較次要的，或者缺失值比較多，測量誤差比較大的共線性因子。
進行主成分分析，用提取的因子代替原變量進行回歸分析。
進行嶺回歸分析，它可以有效的解決多重共線性問題。
進行通徑分析（Path Analysis），它可以對應自變量間的關系加以精細的刻畫。Spss可以進行比較基本的通徑分析，但復雜的模型需要使用SPSS公司的另外一個軟件AMOS來進行。