Detectando e lidando com multicolinearidade

Análise de RH: Prevendo Rotatividade de Funcionários em R

Anurag Gupta

People Analytics Practitioner

Entendendo correlação

Correlação é a medida de associação entre duas variáveis numéricas

Calculando correlação no R

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

0.6117855

O que é multicolinearidade?

Multicolinearidade ocorre quando uma variável independente é altamente colinear com um conjunto de duas ou mais variáveis independentes.

Como detectar multicolinearidade?

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)

Fator de inflação da variância

                                     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
.....

Regra prática para interpretar o VIF

VIF	Interpretação
1	Não correlacionado
Entre 1 e 5	Correlacionado moderadamente
Maior que 5	Altamente correlacionado

Como lidar com multicolinearidade?

Passo 1: Calcular o VIF do modelo
Passo 2: Ver se alguma variável tem VIF maior que 5
- Passo 2a: Remover a variável do modelo se o VIF for 5
- Passo 2b: Se várias variáveis tiverem VIF maior que 5, remova só a de maior VIF
Passo 3: Repetir os passos 1 e 2 até o VIF de cada variável ser menor que 5

Removendo uma variável do modelo

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

Vamos praticar!

Análise de RH: Prevendo Rotatividade de Funcionários em R