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) 2:

collinearity หรือพหุหมายถึงการดำรงอยู่ของความสัมพันธ์เชิงเส้นที่แข็งแกร่งในหมู่ตัวแปรซึ่งหมายความว่าหนึ่งในตัวแปรทำนายที่สามารถใกล้เส้นตรงที่คาดการณ์ไว้จากคนอื่น ๆ เมื่อไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรทำนายที่ทั้งหมดที่พวกเขาจะกล่าวว่าเป็นมุมฉาก ขาดการตั้งฉากระหว่างตัวแปรทำนายที่มักจะไม่แข็งแรงพอที่จะส่งผลกระทบต่อการวิเคราะห์หรือความสามารถของจำนวนทั้งหมดของการพยากรณ์ในการทำนายตัวแปรการตอบสนอง ในคำอื่น ๆ ขาดการตั้งฉากไม่ได้ลดน้อยลงประโยชน์ของรูปแบบอย่างน้อยภายในข้อมูลตัวอย่างที่ใช้ใน tofind ค่าสัมประสิทธิ์การถดถอย
แต่เงื่อนไขนี้สามารถให้ผลลัพธ์ที่ชัดเจนที่เกี่ยวข้องกับค่าสัมประสิทธิ์การถดถอยประมาณไม่แน่นอนและมีผลต่อการคำนวณที่เกี่ยวข้องกับบุคคลพยากรณ์ ความไม่แน่นอนในการประมาณการค่าสัมประสิทธิ์สามารถระบุโดยการเปลี่ยนแปลงขนาดใหญ่ในค่าสัมประสิทธิ์การถดถอยโดยประมาณเมื่อตัวแปรมีการเพิ่มหรือลบหรือเมื่อจุดข้อมูลที่มีการเปลี่ยนแปลงหรือลดลง เมื่อจัดการกับ collinearity การวิเคราะห์องค์ประกอบหลัก (PCA) วิธีการเป็นหนึ่งในวิธีการที่พบมากที่สุดเพื่อลด collinearity [25] PCA ตรงกันข้ามกับวิธีการจัดกลุ่มเช่นการวิเคราะห์กลุ่มเป็นเทคนิคหนึ่งตัวอย่างที่ใช้การเปลี่ยนแปลงฉากที่จะได้รับชุดของค่าของตัวแปร uncorrelated
เส้นตรงที่เรียกว่าองค์ประกอบหลักซึ่งจะเท่ากับหรือน้อยกว่าจำนวนเดิมของตัวแปร

ผลลัพธ์ (ไทย) 3:

collinearity หรือค่าหมายถึงการดำรงอยู่ของความสัมพันธ์ระหว่างตัวแปรที่แข็งแกร่งเชิงเส้นตัวแปรซึ่งหมายความว่าหนึ่งทำนายตัวแปรที่สามารถทำนายใกล้เส้นตรงจากผู้อื่น เมื่อไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรทั้งหมด พวกเขาจะกล่าวว่าเป็นวิธี .ขาด orthogonality ระหว่างตัวแปรตัวแปรที่มักจะไม่แข็งแรงเพียงพอที่จะมีผลต่อการวิเคราะห์ หรือ ความสามารถของจํานวนทั้งหมดของตัวแปรทำนายการตอบสนองตัวแปร ในคำอื่น ๆ , ขาด orthogonality ไม่ลดประโยชน์ของแบบจำลองอย่างน้อยภายในข้อมูลกลุ่มตัวอย่างที่ใช้หาสัมประสิทธิ์ถดถอย . อย่างไรก็ตามเงื่อนไขนี้สามารถให้ผลลัพธ์ที่เกี่ยวข้องกับไม่แน่นอนประมาณสัมประสิทธิ์ถดถอยและมีผลต่อการคำนวณที่เกี่ยวข้องกับตัวบุคคล

ความไม่มั่นคงในประมาณค่าสัมประสิทธิ์ที่สามารถระบุได้โดยการเปลี่ยนแปลงขนาดใหญ่ในประมาณสัมประสิทธิ์ถดถอยเมื่อตัวแปรเพิ่ม หรือ ลบ หรือ เมื่อจุดที่ข้อมูลมีการเปลี่ยนแปลงหรือลดลง .เมื่อจัดการกับ collinearity การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นหนึ่งในวิธีที่พบมากที่สุดเพื่อลด collinearity [ 25 ] พีซี ต่อวิธีการ เช่น การวิเคราะห์การจัดกลุ่มคลัสเตอร์ เป็นหนึ่งตัวอย่างเทคนิคที่ใช้ในการ ที่จะได้รับ ซึ่งชุดของค่าของตัวแปรเชิง uncorrelated เรียกส่วนประกอบหลักซึ่งสามารถ
น้อยกว่าหรือเท่ากับตัวเลขเดิมของตัวแปร