Collinearity or multicollinearity r

Collinearity or multicollinearity refers to the existence of strong
linear relationships among the predictor variables, which means
that one predictor variable can be near-linearly predicted from the
others. When there is no linear relationship among predictor
variables at all, they are said to be orthogonal. The lack of
orthogonality among the predictor variables usually is not strong
enough to affect the analysis or the ability of the entire number of
predictors to predict the response variables. In other words, the
lack of orthogonality does not diminish the usefulness of the
model, at least within the sample data used tofind the regression
coefficients. However, this condition can produce ambiguous
results that are associated with unstable estimated regression
coefficients and affects the calculations associated to individual
predictors. Instability in the estimated coefficients can be indicated by large changes in the estimated regression coefficients
when a variable is added or deleted, or when a data point is
altered or dropped. When dealing with collinearity, the principal
component analysis (PCA) method is one of the most common
ways to reduce collinearity[25]. The PCA, contrary to grouping
methods such as cluster analysis, is a one-sample technique that
uses orthogonal transformation to obtain a set of values of linearly
uncorrelated variables called principal components, which can be
equal to or less than the original number of predictor variables

ผลลัพธ์ (ไทย) 1:

ภาวะร่วมเส้นตรงหรือ multicollinearity หมายถึงการมีอยู่ของแรงความสัมพันธ์เชิงเส้นระหว่างตัวแปร predictor ซึ่งหมายความว่าตัวแปร predictor หนึ่งนั้นสามารถจะใกล้เชิงเส้นคาดการณ์จากการผู้อื่น เมื่อไม่มีความสัมพันธ์เชิงเส้นระหว่างผู้ทายผลตัวแปรทั้งหมด พวกเขาจะกล่าวว่า เป็น orthogonal กัน การขาดตัวแปร predictor orthogonality มักจะไม่แข็งแรงพอที่จะส่งผลกระทบต่อการวิเคราะห์หรือความสามารถของทั้งจำนวนpredictors เพื่อทำนายตัวแปรตอบสนอง ในคำอื่น ๆ การขาด orthogonality ลดประโยชน์ของการรุ่น น้อยภายใน tofind ใช้ข้อมูลตัวอย่างเป็นการถดถอยค่าสัมประสิทธิ์การ อย่างไรก็ตาม เงื่อนไขนี้สามารถผลิตชัดเจนผลลัพธ์ที่สัมพันธ์กับการถดถอยประมาณเสถียรสัมประสิทธิ์และมีผลต่อการคำนวณที่เกี่ยวข้องกับบุคคลpredictors สามารถระบุความไม่แน่นอนในการประมาณสัมประสิทธิ์ โดยเปลี่ยนแปลงขนาดใหญ่ในสัมประสิทธิ์ถดถอยที่ประมาณเมื่อมีเพิ่ม หรือลบตัวแปร หรือ เมื่อข้อมูลชี้เปลี่ยนแปลง หรือลดลง เมื่อเผชิญกับภาวะร่วมเส้นตรง ครูใหญ่ส่วนวิธีวิเคราะห์ (PCA) เป็นหนึ่งในมากที่สุดวิธีการลดภาวะร่วมเส้นตรง [25] PCA ขัดต่อกลุ่มวิธีเช่นการแบ่งกลุ่ม เป็นเทคนิคอย่างหนึ่งที่ใช้แปลง orthogonal รับชุดของค่าเชิงเส้นส่วนประกอบหลัก ซึ่งจะเรียกว่าตัวแปร uncorrelatedเท่ากับ หรือน้อยกว่าจำนวนตัวแปร predictor เดิม

ผลลัพธ์ (ไทย) 2:

collinearity หรือพหุหมายถึงการดำรงอยู่ของความแข็งแรงความสัมพันธ์เชิงเส้นระหว่างตัวแปรทำนายซึ่งหมายความว่าหนึ่งในตัวแปรทำนายที่สามารถใกล้เส้นตรงที่คาดการณ์ไว้จากคนอื่นๆ เมื่อไม่มีความสัมพันธ์เชิงเส้นในหมู่ทำนายตัวแปรที่ทั้งหมดที่พวกเขาจะกล่าวว่าเป็นมุมฉาก ขาดการตั้งฉากระหว่างตัวแปรทำนายที่มักจะไม่แข็งแรงพอที่จะส่งผลกระทบต่อการวิเคราะห์หรือความสามารถของจำนวนทั้งหมดของการพยากรณ์ที่จะคาดการณ์ตัวแปรการตอบสนอง ในคำอื่น ๆ ที่ขาดการตั้งฉากไม่ได้ลดประโยชน์ของรุ่นอย่างน้อยภายในข้อมูลตัวอย่างที่ใช้ในtofind ถดถอยสัมประสิทธิ์ แต่เงื่อนไขนี้สามารถผลิตคลุมเครือผลที่มีความเกี่ยวข้องกับการถดถอยประมาณเสถียรสัมประสิทธิ์และมีผลต่อการคำนวณที่เกี่ยวข้องกับบุคคลพยากรณ์ ความไม่แน่นอนในการประมาณการค่าสัมประสิทธิ์สามารถระบุโดยการเปลี่ยนแปลงขนาดใหญ่ในค่าสัมประสิทธิ์การถดถอยโดยประมาณเมื่อตัวแปรมีการเพิ่มหรือลบหรือเมื่อจุดข้อมูลที่มีการเปลี่ยนแปลงหรือลดลง เมื่อจัดการกับ collinearity เงินต้นวิเคราะห์องค์ประกอบ(PCA) วิธีการเป็นหนึ่งในที่พบมากที่สุดวิธีที่จะลดcollinearity [25] PCA ตรงกันข้ามกับการจัดกลุ่มวิธีการเช่นการวิเคราะห์กลุ่มเป็นเทคนิคหนึ่งตัวอย่างที่ใช้ในการเปลี่ยนแปลงฉากที่จะได้รับชุดของค่าของเส้นตรงตัวแปรuncorrelated เรียกว่าองค์ประกอบหลักซึ่งจะเท่ากับหรือน้อยกว่าจำนวนเดิมของตัวแปร

ผลลัพธ์ (ไทย) 3:

collinearity หรือค่าหมายถึงการดำรงอยู่ของความสัมพันธ์ระหว่างตัวแปรเชิงแข็งแรง

ว่าตัวแปรซึ่งหมายความว่าหนึ่งทำนายตัวแปรที่สามารถทำนายใกล้เส้นตรงจาก
คนอื่น เมื่อไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปร
ทั้งหมด พวกเขาจะกล่าวว่าเป็นวิธี . ขาด
orthogonality ระหว่างตัวแปรตัวแปรมักจะไม่แข็งแรง
พอที่จะมีผลต่อการวิเคราะห์ หรือ ความสามารถของจํานวนทั้งหมดของ
พยากรณ์ทำนายการตอบสนองตัวแปร ในคำอื่น ๆ ,
ขาด orthogonality ไม่ลดประโยชน์ของ
รูปแบบอย่างน้อยภายในข้อมูลกลุ่มตัวอย่างที่ใช้หาสัมประสิทธิ์การถดถอย
. อย่างไรก็ตาม เงื่อนไขนี้สามารถให้ผลลัพธ์ที่เกี่ยวข้องกับไม่แน่นอนคลุมเครือ

คาดว่าการถดถอยสัมประสิทธิ์และมีผลต่อการคำนวณที่เกี่ยวข้องกับตัวบุคคล

ความไม่มั่นคงในประมาณค่าสัมประสิทธิ์ที่สามารถระบุได้โดยการเปลี่ยนแปลงขนาดใหญ่ในประมาณสัมประสิทธิ์ถดถอย
เมื่อตัวแปรเพิ่ม หรือ ลบ หรือ เมื่อจุดที่ข้อมูลถูก
เปลี่ยนแปลงหรือปรับตัวลดลง เมื่อจัดการกับ collinearity การวิเคราะห์องค์ประกอบหลัก ( PCA )

เป็นหนึ่งที่พบมากที่สุดวิธีลด collinearity [ 25 ] พีซี ต่อการจัดกลุ่ม
วิธีการเช่นการวิเคราะห์การเกาะกลุ่มเป็นหนึ่งตัวอย่างเทคนิคที่ใช้วิธีการขอรับ

ชุดของค่าของตัวแปรเชิง uncorrelated เรียกส่วนประกอบหลักซึ่งสามารถ
เท่ากับหรือน้อยกว่าจำนวนเดิมของตัวแปร