Wykrywanie i obsługa wielokoliniowości

HR Analytics: Przewidywanie rotacji pracowników w R

Anurag Gupta

People Analytics Practitioner

Rozumienie korelacji

Korelacja to miara powiązania między dwiema zmiennymi numerycznymi

Obliczanie korelacji w R

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

0.6117855

Czym jest wielokoliniowość?

Wielokoliniowość występuje, gdy jedna zmienna niezależna jest silnie skorelowana ze zbiorem dwóch lub więcej zmiennych niezależnych.

Jak wykryć wielokoliniowość?

VIF (Variance Inflation Factor)

# Load car package 
library(car)

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

# Calculate VIF  
vif(multi_log)

Czynnik inflacji wariancji

                                     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
.....

Zasada interpretacji wartości VIF

VIF	Interpretacja
1	Brak korelacji
Między 1 a 5	Umiarkowana korelacja
Powyżej 5	Wysoka korelacja

Jak radzić sobie z wielokoliniowością?

Krok 1: Oblicz VIF modelu
Krok 2: Sprawdź, czy jakaś zmienna ma VIF większy niż 5
- Krok 2a: Usuń zmienną z modelu, jeśli jej VIF wynosi 5
- Krok 2b: Jeśli wiele zmiennych ma VIF > 5, usuń tylko tę o najwyższym VIF
Krok 3: Powtarzaj kroki 1 i 2, dopóki VIF każdej zmiennej nie będzie mniejszy niż 5

Usuwanie zmiennej z modelu

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

Ćwiczmy!

HR Analytics: Przewidywanie rotacji pracowników w R