检测与处理多重共线性

HR Analytics：用 R 预测员工流失

Anurag Gupta

People Analytics Practitioner

理解相关性

相关性衡量两个数值变量之间的关联

在 R 中计算相关性

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

0.6117855

什么是多重共线性？

当一个自变量与两个或多个自变量的组合高度共线时，即发生多重共线性。

如何检测多重共线性？

VIF（方差膨胀因子）

# Load car package 
library(car)

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

# Calculate VIF  
vif(multi_log)

方差膨胀因子（VIF）

                                     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 值的经验法则

VIF	解释
1	不相关
1 到 5	中度相关
> 5	高度相关

如何处理多重共线性？

步骤 1：计算模型的 VIF
步骤 2：检查是否有变量的 VIF > 5
- 2a：若某变量 VIF 为 5，则从模型中移除
- 2b：若多个变量 VIF > 5，仅移除 VIF 最高者
步骤 3：重复步骤 1 和 2，直至各变量 VIF < 5

从模型中移除变量

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

Vamos praticar!

HR Analytics：用 R 预测员工流失