COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » multicolinearity
Trace:
multicolinearity

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
multicolinearity [2016/04/27 06:36] – removed hkimscilmulticolinearity [2018/12/26 02:49] (current) – [regression test with factors] hkimscil
Line 1: Line 1:
 +====== Multi-colinearity check in r ======
 +required library: 
 +  * corrplot
 +  * mctest
 +    * omcdiag
 +    * imcdiag
  
 +
 +<code>
 +> cps <- read.csv("http://commres.net/wiki/_media/cps_85_wages.csv", header = T, sep = "\t")
 +</code>
 +
 +<code>> str(cps)
 +'data.frame': 534 obs. of  11 variables:
 + $ education : int  8 9 12 12 12 13 10 12 16 12 ...
 + $ south     : int  0 0 0 0 0 0 1 0 0 0 ...
 + $ sex       : int  1 1 0 0 0 0 0 0 0 0 ...
 + $ experience: int  21 42 1 4 17 9 27 9 11 9 ...
 + $ union     : int  0 0 0 0 0 1 0 0 0 0 ...
 + $ wage      : num  5.1 4.95 6.67 4 7.5 ...
 + $ age       : int  35 57 19 22 35 28 43 27 33 27 ...
 + $ race      : int  2 3 3 3 3 3 3 3 3 3 ...
 + $ occupation: int  6 6 6 6 6 6 6 6 6 6 ...
 + $ sector    : int  1 1 1 0 0 0 0 0 1 0 ...
 + $ marr      : int  1 1 0 0 1 0 0 0 1 0 ...
 +> head(cps)
 +> head(cps)
 +  education south sex experience union  wage age race occupation sector marr
 +1         8     0   1         21     0  5.10  35    2          6      1    1
 +2         9     0   1         42     0  4.95  57    3          6      1    1
 +3        12     0   0          1     0  6.67  19    3          6      1    0
 +4        12     0   0          4     0  4.00  22    3          6      0    0
 +5        12     0   0         17     0  7.50  35    3          6      0    1
 +6        13     0   0          9     1 13.07  28    3          6      0    0
 +</code>
 +
 +<code>
 +> lm1 = lm(log(cps$wage) ~., data = cps)
 +> summary(lm1)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ ., data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.16246 -0.29163 -0.00469  0.29981  1.98248 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  1.078596   0.687514   1.569 0.117291    
 +education    0.179366   0.110756   1.619 0.105949    
 +south       -0.102360   0.042823  -2.390 0.017187 *  
 +sex         -0.221997   0.039907  -5.563 4.24e-08 ***
 +experience   0.095822   0.110799   0.865 0.387531    
 +union        0.200483   0.052475   3.821 0.000149 ***
 +age         -0.085444   0.110730  -0.772 0.440671    
 +race         0.050406   0.028531   1.767 0.077865 .  
 +occupation  -0.007417   0.013109  -0.566 0.571761    
 +sector       0.091458   0.038736   2.361 0.018589 *  
 +marr         0.076611   0.041931   1.827 0.068259 .  
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4398 on 523 degrees of freedom
 +Multiple R-squared:  0.3185, Adjusted R-squared:  0.3054 
 +F-statistic: 24.44 on 10 and 523 DF,  p-value: < 2.2e-16
 +</code>
 +
 +<code>
 +plot(lm1)
 +</code>
 +{{lm1.plot1.png?300}}{{lm1.plot2.png?300}}
 +{{lm1.plot3.png?300}}{{lm1.plot4.png?300}}
 +
 +
 +<code>
 +> library(corrplot)
 +> cps.cor = cor(cps)
 +> corrplot.mixed(cps.cor, lower.col = "black")
 +</code>
 +{{cps.corrplot.png?500}}
 +
 +<code>
 +> install.packages("mctest")
 +> library(mctest)
 +> omcdiag(cps[,c(-6)], cps$wage) # or "omcdiag(cps[,c(1:5,7:11)], cps$wage)" will work as well.
 +
 +Call:
 +omcdiag(x = cps[, c(-6)], y = cps$wage)
 +
 +
 +Overall Multicollinearity Diagnostics
 +
 +                       MC Results detection
 +Determinant |X'X|:         0.0001         1
 +Farrar Chi-Square:      4833.5751         1
 +Red Indicator:             0.1983         0
 +Sum of Lambda Inverse: 10068.8439         1
 +Theil's Method:            1.2263         1
 +Condition Number:        739.7337         1
 +
 +1 --> COLLINEARITY is detected by the test 
 +0 --> COLLINEARITY is not detected by the test
 +
 +> 
 +</code>
 +
 +<code>
 +> imcdiag(cps[,c(-6)],cps$wage) 
 +
 +Call:
 +imcdiag(x = cps[, c(-6)], y = cps$wage)
 +
 +
 +All Individual Multicollinearity Diagnostics Result
 +
 +                 VIF    TOL          Wi          Fi Leamer      CVIF Klein
 +education   231.1956 0.0043  13402.4982  15106.5849 0.0658  236.4725     1
 +south         1.0468 0.9553      2.7264      3.0731 0.9774    1.0707     0
 +sex           1.0916 0.9161      5.3351      6.0135 0.9571    1.1165     0
 +experience 5184.0939 0.0002 301771.2445 340140.5368 0.0139 5302.4188     1
 +union         1.1209 0.8922      7.0368      7.9315 0.9445    1.1464     0
 +age        4645.6650 0.0002 270422.7164 304806.1391 0.0147 4751.7005     1
 +race          1.0371 0.9642      2.1622      2.4372 0.9819    1.0608     0
 +occupation    1.2982 0.7703     17.3637     19.5715 0.8777    1.3279     0
 +sector        1.1987 0.8343     11.5670     13.0378 0.9134    1.2260     0
 +marr          1.0961 0.9123      5.5969      6.3085 0.9551    1.1211     0
 +
 +1 --> COLLINEARITY is detected by the test 
 +0 --> COLLINEARITY is not detected by the test
 +
 +education , south , experience , age , race , occupation , sector , marr , coefficient(s) are non-significant may be due to multicollinearity
 +
 +R-square of y on all x: 0.2805 
 +
 +* use method argument to check which regressors may be the reason of collinearity
 +===================================
 +> 
 +</code>
 +
 +<code>
 +> round(pcor(cps[,c(-6)], method = "pearson")$estimate,4) 
 +           education   south     sex experience   union     age    race occupation  sector    marr
 +education     1.0000 -0.0318  0.0515    -0.9976 -0.0075  0.9973  0.0172     0.0294 -0.0213 -0.0403
 +south        -0.0318  1.0000 -0.0302    -0.0223 -0.0975  0.0215 -0.1112     0.0084 -0.0215  0.0304
 +sex           0.0515 -0.0302  1.0000     0.0550 -0.1201 -0.0537  0.0200    -0.1428 -0.1121  0.0042
 +experience   -0.9976 -0.0223  0.0550     1.0000 -0.0102  0.9999  0.0109     0.0421 -0.0133 -0.0410
 +union        -0.0075 -0.0975 -0.1201    -0.0102  1.0000  0.0122 -0.1077     0.2130 -0.0135  0.0689
 +age           0.9973  0.0215 -0.0537     0.9999  0.0122  1.0000 -0.0108    -0.0441  0.0146  0.0451
 +race          0.0172 -0.1112  0.0200     0.0109 -0.1077 -0.0108  1.0000     0.0575  0.0064  0.0556
 +occupation    0.0294  0.0084 -0.1428     0.0421  0.2130 -0.0441  0.0575     1.0000  0.3147 -0.0186
 +sector       -0.0213 -0.0215 -0.1121    -0.0133 -0.0135  0.0146  0.0064     0.3147  1.0000  0.0365
 +marr         -0.0403  0.0304  0.0042    -0.0410  0.0689  0.0451  0.0556    -0.0186  0.0365  1.0000
 +
 +</code>
 +
 +<code>
 +> lm2 = lm(log(cps$wage) ~ . -age , data = cps)
 +> summary(lm2)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ . - age, data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.16044 -0.29073 -0.00505  0.29994  1.97997 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  0.562676   0.160116   3.514 0.000479 ***
 +education    0.094135   0.008188  11.497  < 2e-16 ***
 +south       -0.103071   0.042796  -2.408 0.016367 *  
 +sex         -0.220344   0.039834  -5.532 5.02e-08 ***
 +experience   0.010335   0.001746   5.919 5.86e-09 ***
 +union        0.199987   0.052450   3.813 0.000154 ***
 +race         0.050643   0.028519   1.776 0.076345 .  
 +occupation  -0.006971   0.013091  -0.532 0.594619    
 +sector       0.091022   0.038717   2.351 0.019094 *  
 +marr         0.075152   0.041872   1.795 0.073263 .  
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4397 on 524 degrees of freedom
 +Multiple R-squared:  0.3177, Adjusted R-squared:  0.306 
 +F-statistic: 27.11 on 9 and 524 DF,  p-value: < 2.2e-16
 +
 +> summary(lm1)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ ., data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.16246 -0.29163 -0.00469  0.29981  1.98248 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  1.078596   0.687514   1.569 0.117291    
 +education    0.179366   0.110756   1.619 0.105949    
 +south       -0.102360   0.042823  -2.390 0.017187 *  
 +sex         -0.221997   0.039907  -5.563 4.24e-08 ***
 +experience   0.095822   0.110799   0.865 0.387531    
 +union        0.200483   0.052475   3.821 0.000149 ***
 +age         -0.085444   0.110730  -0.772 0.440671    
 +race         0.050406   0.028531   1.767 0.077865 .  
 +occupation  -0.007417   0.013109  -0.566 0.571761    
 +sector       0.091458   0.038736   2.361 0.018589 *  
 +marr         0.076611   0.041931   1.827 0.068259 .  
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4398 on 523 degrees of freedom
 +Multiple R-squared:  0.3185, Adjusted R-squared:  0.3054 
 +F-statistic: 24.44 on 10 and 523 DF,  p-value: < 2.2e-16
 +
 +> 
 +> </code>
 +
 +====== regression test with factors ======
 +<code>
 +> cps$sex <- factor(cps$sex)
 +> cps$union <- factor(cps$union)
 +> cps$race <- factor(cps$race)
 +> cps$sector <- factor(cps$sector)
 +> cps$occupation <- factor(cps$occupation)
 +> cps$marr <- factor(cps$marr)
 +> str(cps)
 +'data.frame': 534 obs. of  11 variables:
 + $ education : int  8 9 12 12 12 13 10 12 16 12 ...
 + $ south     : int  0 0 0 0 0 0 1 0 0 0 ...
 + $ sex       : Factor w/ 2 levels "0","1": 2 2 1 1 1 1 1 1 1 1 ...
 + $ experience: int  21 42 1 4 17 9 27 9 11 9 ...
 + $ union     : Factor w/ 2 levels "0","1": 1 1 1 1 1 2 1 1 1 1 ...
 + $ wage      : num  5.1 4.95 6.67 4 7.5 ...
 + $ age       : int  35 57 19 22 35 28 43 27 33 27 ...
 + $ race      : Factor w/ 3 levels "1","2","3": 2 3 3 3 3 3 3 3 3 3 ...
 + $ occupation: Factor w/ 6 levels "1","2","3","4",..: 6 6 6 6 6 6 6 6 6 6 ...
 + $ sector    : Factor w/ 3 levels "0","1","2": 2 2 2 1 1 1 1 1 2 1 ...
 + $ marr      : Factor w/ 2 levels "0","1": 2 2 1 1 2 1 1 1 2 1 ...
 +</code>
 +
 +<code>
 +> lm4 = lm(log(cps$wage) ~ . -age, data = cps)
 +> summary(lm4)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ . - age, data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.36103 -0.28080  0.00362  0.27793  1.79594 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  1.194821   0.181804   6.572 1.21e-10 ***
 +education    0.066603   0.010060   6.621 8.96e-11 ***
 +south       -0.093384   0.041931  -2.227  0.02637 *  
 +sex1        -0.216934   0.041844  -5.184 3.11e-07 ***
 +experience   0.009371   0.001725   5.431 8.63e-08 ***
 +union1       0.211506   0.051218   4.129 4.24e-05 ***
 +race2       -0.033928   0.099051  -0.343  0.73209    
 +race3        0.079851   0.057392   1.391  0.16472    
 +occupation2 -0.364444   0.091500  -3.983 7.78e-05 ***
 +occupation3 -0.210295   0.076175  -2.761  0.00597 ** 
 +occupation4 -0.383882   0.080990  -4.740 2.77e-06 ***
 +occupation5 -0.050664   0.072717  -0.697  0.48628    
 +occupation6 -0.265348   0.079969  -3.318  0.00097 ***
 +sector1      0.114857   0.054862   2.094  0.03678 *  
 +sector2      0.093138   0.096514   0.965  0.33499    
 +marr1        0.062211   0.041025   1.516  0.13002    
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4278 on 518 degrees of freedom
 +Multiple R-squared:  0.3614, Adjusted R-squared:  0.3429 
 +F-statistic: 19.54 on 15 and 518 DF,  p-value: < 2.2e-16
 +
 +> 
 +
 +</code>
 +
 +<code>> lm5 = lm(log(cps$wage) ~ . -age -race, data = cps)
 +> summary(lm5)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ . - age - race, data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.34366 -0.28169 -0.00017  0.29179  1.81158 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  1.224289   0.172070   7.115 3.73e-12 ***
 +education    0.068838   0.009912   6.945 1.14e-11 ***
 +south       -0.102588   0.041668  -2.462 0.014139 *  
 +sex1        -0.213602   0.041842  -5.105 4.65e-07 ***
 +experience   0.009494   0.001723   5.510 5.65e-08 ***
 +union1       0.202720   0.051009   3.974 8.06e-05 ***
 +occupation2 -0.355381   0.091448  -3.886 0.000115 ***
 +occupation3 -0.209820   0.076149  -2.755 0.006068 ** 
 +occupation4 -0.385680   0.080855  -4.770 2.40e-06 ***
 +occupation5 -0.047694   0.072746  -0.656 0.512351    
 +occupation6 -0.254277   0.079781  -3.187 0.001523 ** 
 +sector1      0.111458   0.054845   2.032 0.042636 *  
 +sector2      0.099777   0.096481   1.034 0.301541    
 +marr1        0.065464   0.041036   1.595 0.111257    
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4283 on 520 degrees of freedom
 +Multiple R-squared:  0.3573, Adjusted R-squared:  0.3412 
 +F-statistic: 22.24 on 13 and 520 DF,  p-value: < 2.2e-16
 +
 +> 
 +</code>
 +
 +<code>> lm6 = lm(log(cps$wage) ~ . -age -race -occupation -marr -sector, data = cps)
 +> summary(lm6)
 +
 +Call:
 +lm(formula = log(cps$wage) ~ . - age - race - occupation - marr - 
 +    sector, data = cps)
 +
 +Residuals:
 +     Min       1Q   Median       3Q      Max 
 +-2.13809 -0.28681 -0.00078  0.29376  1.96678 
 +
 +Coefficients:
 +             Estimate Std. Error t value Pr(>|t|)    
 +(Intercept)  0.731792   0.122217   5.988 3.94e-09 ***
 +education    0.094096   0.007942  11.848  < 2e-16 ***
 +south       -0.111761   0.042857  -2.608 0.009372 ** 
 +sex1        -0.231978   0.039202  -5.918 5.88e-09 ***
 +experience   0.011548   0.001680   6.875 1.75e-11 ***
 +union1       0.198360   0.051243   3.871 0.000122 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.4433 on 528 degrees of freedom
 +Multiple R-squared:  0.3011, Adjusted R-squared:  0.2944 
 +F-statistic: 45.49 on 5 and 528 DF,  p-value: < 2.2e-16
 +
 +> </code>
multicolinearity.1461708396.txt.gz · Last modified: 2016/04/27 06:36 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki