[회귀분석] 회귀분석 실습(4) - 다중공선성 (Python)

1. [회귀분석] 회귀분석 실습(1) - Statsmodel분석/데이터 스케일링(Python) : ysyblog.tistory.com/119

2. [회귀분석] 회귀분석 실습(2) - 잔차분석 (Python) : ysyblog.tistory.com/120

3. [회귀분석] 회귀분석 실습(3) - 변수선택법 (R) : ysyblog.tistory.com/121

해당 포스팅은 위 포스팅에 이어 진행됩니다.

다중공선성

• 독립 변수X는 종속변수 Y하고만 상관 관계가 있어야 하며, 독립 변수 X들끼리 상관 관계가 있어서는 안된다.
• 독립 변수간 상관 관계를 보이는 것을 다중공선성(Multicollinearity)이라고 한다.
• 다중공선성이 있으면 부정확한 회귀 결과가 도출될 수 있다.

다중공선성 확인 및 해결방법 포스팅

ysyblog.tistory.com/171

[회귀분석] 다중회귀분석(2) - 다중공선성(다중공선성 검정 및 해결)

 

다중공선성 확인방법

• 회귀모델에 다중공선성이 있는지 알아내는 방법은 두가지가 있다.

1. 산점도 그래프(Scatter plot Matrix)

from sklearn.datasets import load_boston
from matplotlib import pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

boston = load\_boston()

dfX = pd.DataFrame(boston.data, columns=boston.feature\_names)  
dfy = pd.DataFrame(boston.target, columns=\["MEDV"\])  
df = pd.concat(\[dfX, dfy\], axis=1)

cmap = sns.light\_palette("black", as\_cmap=True)  
sns.heatmap(dfX.corr(), annot=True, fmt='3.1f', cmap=cmap)  
plt.show()

cf) 참고로 OLS Regression Results에서도 다중공선성 여부를 확인할 수 있다.
- Cond. No.를 확인한다.
- 다중공선성이 있으면 하단부분에 "[2] The condition number is large, 1.51e+04. This might indicate that there are strong multicollinearity or other numerical problems" 라고 뜬다.

model1 = sm.OLS.from\_formula("MEDV ~ " + "+".join(boston.feature\_names), data=df)  
result1 = model1.fit()  
print(result1.summary())

2. VIF(Variance Inflation Factors, 분산팽창요인)

• 보통 VIF가 10이 넘으면 다중공선성이 있다고 판단한다.

from statsmodels.stats.outliers_influence import variance_inflation_factor

vif = pd.DataFrame()
vif["VIF Factor"] = [variance_inflation_factor(dfX.values, i) for i in range(dfX.shape[1])]
vif["features"] = dfX.columns
vif = vif.sort_values("VIF Factor").reset_index(drop=True)
vif

• CHAS, CRIM, ZN을 제외한 모든 변수의 VIF가 10을 넘는 것을 확인할 수 있다.

 

다중공선성 해결방법

1. 정규화(regularized) 방법 사용

• 회귀분석에서 정규화가 필요한 이유 중 하나이다.
• 독립변수들읠 정규화 한 이후 회귀분석을 실시한 후 VIF를 확인해보겠다.

from patsy import dmatrix  
dfX0 = pd.DataFrame(boston.data, columns=boston.feature\_names)

formula = "scale(CRIM) + scale(ZN) + scale(INDUS) + scale(NOX) + scale(RM) + scale(AGE) +scale(RAD) + scale(TAX) + scale(B) + scale(LSTAT)+C(CHAS)"  
dfX = dmatrix(formula, dfX0, return\_type="dataframe")  
dfy = pd.DataFrame(boston.target, columns=\["MEDV"\])

# 다중공선성 확인

from statsmodels.stats.outliers\_influence import variance\_inflation\_factor

vif = pd.DataFrame()  
vif\["VIF Factor"\] = \[variance\_inflation\_factor(dfX.values, i) for i in range(dfX.shape\[1\])\]  
vif\["features"\] = dfX.columns  
vif = vif.sort\_values("VIF Factor").reset\_index(drop=True)  
vif

• 모든 변수의 VIF가 10이하로 줄어들었다.
• OLS Regression Results에서도 확인할 수 있다.

2. 의존적인 변수를 삭제(변수선택법 등 활용)

• 변수선택법을 활용하여 설명력 높은 변수만 선택하여 분석할 수 있다.
• 아래 링크에서 변수선택법 사용을 확인할 수 있다.

ysyblog.tistory.com/121

[통계분석] 회귀분석(변수선택법) (ADP실기 준비)

• 위의 정규화된 것에서 VIF가 높은 RAD, TAX를 삭제하면 다중공선성을 더 낮출 수 있다.

cols = ["Intercept", "C(CHAS)[T.1.0]", "scale(B)", "scale(CRIM)","scale(LSTAT)","scale(RM)",
        "scale(ZN)", "scale(AGE)", "scale(NOX)"]

model_boston2 = sm.OLS(np.log(dfy), dfX[cols])
result_boston2 = model_boston2.fit()
print(result_boston2.summary())

다중공선성이 더 낮아졌다.

3. PCA(principal component analysis) 방법으로 의존적인 성분 삭제

- PCA를 활용하는 것은 아래 포스팅에 설명하였습니다.

ysyblog.tistory.com/123

[통계분석] PCA(주성분분석) (ADP실기 준비)