大家好，又见面了，我是你们的朋友全栈君。
VIF可以用来度量多重共线性问题， V I F j = 1 1 − R j 2 \quad \mathrm{VIF}_{j}=\frac{1}{1-R_{j}^{2}} VIFj=1−Rj21
式子中， R j 2 R_{j}^{2} Rj2是第 j j j个变量在所有变量上回归时的确定系数。
如果VIF过大（比如大于5或10），则意味着存在多重共线性问题。关于多重共线性更多内容可以参考往期文章https://blog.csdn.net/weixin_45288557/article/details/111769464
（由于没有VIF临界值表，我们只能使用经验法则：若VIF>5，则存在严重多重共线性。也有人建议用VIF>10作为存在严重多重共线性的标准，特别在解释变量多的情形应当如此。）
#数据
df = pd.read_excel(io='数据.xlsx', sheet_name=0, usecols=range(1,5))
# 务必注意：一定要加上常数项，#如果没有常数项列，计算结果天差地别，可能VIF等于好几千
df['Constant Value']=1 #添加常数项
df.head()
from statsmodels.stats.outliers_influence import variance_inflation_factor
# 这里可以选择想要判断的变量列
df_tezheng=df[["var1","var2","var3","var4","var5", 'Constant Value']]
# 进行vif检验
vif=[]
for i in range(df_tezheng.shape[1]-1):
#计算第i+1个变量的(第i+1列)的方差膨胀因子
vif.append(variance_inflation_factor(df_tezheng.values,i))
#result_out
yy=pd.DataFrame(df_tezheng.columns[:-1,])
yy.rename(columns={
0:"var_name"},inplace=True)
yy["vif"]=vif
print(yy)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/130507.html原文链接：https://javaforall.net
