VIF_model() comprueba la multicolinealidad en los modelos de regresión
intervals for VIF and tolerance are based on Marcoulides et al.
(2019, Appendix B).
check_concurvity() es una envoltura alrededor de mgcv::concurvity(), y puede ser
considerado como una comprobación de colinealidad para los términos 'suavizados' en los
GAM. Confidence intervals for VIF and tolerance are based on Marcoulides et al.
(2019, Appendix B).
Arguments
- x
Un modelo. Actualmente acepta lm, glm, lmm y glmmm (hasta donde yo sé).
- ...
Actualmente no se utiliza.
Value
Un dataframe con información sobre el nombre del término del modelo, el
VIF y los intervalos de confianza asociados, el factor
por el que se incrementa el error estándar debido a la posible correlación
con otros términos, y los valores de tolerancia (incluyendo los intervalos de confianza),
donde tolerance = 1/vif.
Note
El código para calcular los intervalos de confianza para el VIF y la tolerancia
fue adaptado del Apéndice B del artículo de Marcoulides et al.
Por lo tanto, los créditos van a estos autores el algoritmo original. También
a plot()-method
implementado en el see-paquete.
References
Marcoulides, K. M., and Raykov, T. (2019). Evaluation of Variance Inflation Factors in Regression Models Using Latent Variable Modeling Methods. Educational and Psychological Measurement, 79(5), 874–882.
Examples
m <- lm(mpg ~ wt + cyl + gear + disp, data = mtcars)
VIF_model(m)
#> # Comprobación de la multicolinealidad
#>
#> Correlación baja
#>
#> Term VIF VIF 95% CI Increased SE Tolerance Tolerance 95% CI
#> cyl 5.41 [3.42, 9.04] 2.33 0.18 [0.11, 0.29]
#>
#> Correlación moderada
#>
#> Term VIF VIF 95% CI Increased SE Tolerance Tolerance 95% CI
#> gear 1.53 [1.19, 2.51] 1.24 0.65 [0.40, 0.84]
#> wt 5.05 [3.21, 8.41] 2.25 0.20 [0.12, 0.31]
#> disp 9.97 [6.08, 16.85] 3.16 0.10 [0.06, 0.16]
# plot results
if (require("see")) {
x <- VIF_model(m)
plot(x)
}
#> Loading required package: see
#> Variable `Component` is not in your data frame :/
