多重共線性の検出と対処

HRアナリティクス：Rで社員離職を予測する

Anurag Gupta

People Analytics Practitioner

相関を理解する

相関とは、2つの数値変数間の関連性を表す指標です

Rで相関を計算する

# Calculate the correlation coefficient
cor(train_set$emp_age, train_set$compensation)

0.6117855

多重共線性とは？

多重共線性とは、ある独立変数が他の2つ以上の独立変数と高度に相関している状態を指します。

多重共線性の検出方法

VIF（分散拡大係数）

# Load car package 
library(car)

# Logistic regression model
multi_log <- glm(turnover ~ ., family = "binomial",
                 data = train_set_multi)

# Calculate VIF  
vif(multi_log)

分散拡大係数

                                     GVIF Df GVIF^(1/(2*Df))
location                     2.318640e+00  2        1.233981
level                        5.716850e+06  1     2390.993458
gender                       1.262625e+00  1        1.123666
rating                       4.381767e+00  4        1.202835
mgr_rating                   2.471489e+00  4        1.119747
mgr_reportees                1.314709e+00  1        1.146608
mgr_tenure                   1.278559e+00  1        1.130734
compensation                 3.998338e+01  1        6.323241
percent_hike                 3.167576e+00  1        1.779769
hiring_score                 1.143613e+00  1        1.069399
hiring_source                2.000099e+00  6        1.059467
no_previous_companies_worked 3.291703e+00  1        1.814305
distance_from_home           1.355795e+00  1        1.164386
total_dependents             1.930188e+00  1        1.389312
marital_status               2.320518e+00  1        1.523325
education                    1.460697e+00  1        1.208593
.....

VIF値の解釈の目安

VIF	解釈
1	相関なし
1〜5	中程度の相関
5超	強い相関

多重共線性への対処方法

ステップ1：モデルのVIFを計算する
ステップ2：VIFが5を超える変数を確認する
- ステップ2a：該当変数をモデルから除外する
- ステップ2b：複数ある場合は、VIFが最大の変数のみを除外する
ステップ3：全変数のVIFが5未満になるまで繰り返す

モデルから変数を除外する

new_model <- glm(dependent_variable ~ . - variable_to_remove, 
                 family = "binomial", data = dataset)

練習しましょう！

HRアナリティクス：Rで社員離職を予測する