আর ( lm) এ রিগ্রেশন মডেল তৈরি করার সময় আমি বার বার এই বার্তাটি পাচ্ছি
"there are aliased coefficients in the model"এর অর্থ কী?
এছাড়াও, এর কারণে predict()একটি সতর্কতাও দেওয়া হচ্ছে।
যদিও এটি কেবল একটি সতর্কবার্তা, আমি জানতে চাই আমরা কীভাবে একটি মডেল তৈরির আগে এলিয়াসযুক্ত সহগগুলি সনাক্ত করতে / অপসারণ করতে পারি।
এছাড়াও, এই সতর্কতা অবহেলা করার সম্ভাব্য পরিণতিগুলি কী কী?
উত্তর:
আমি সন্দেহ করি এটি কোনও ত্রুটি নয় lm, বরং vif(প্যাকেজ থেকে car)। যদি তা হয় তবে আমি বিশ্বাস করি যে আপনি নিখুঁত বহু বহুরেখায় চলে এসেছেন । এই ক্ষেত্রে
x1 <- rnorm( 100 )
x2 <- 2 * x1
y <- rnorm( 100 )
vif( lm( y ~ x1 + x2 ) )
আপনার ত্রুটি উত্পাদন করে।
এই প্রসঙ্গে, '' ওরফে '' এমন ভেরিয়েবলগুলি বোঝায় যা অন্যের উপর রৈখিকভাবে নির্ভরশীল (যেমন নিখুঁত বহুবিশেষের কারণ ঘটায়)।
সমাধানের দিকে প্রথম পদক্ষেপটি হ'ল কোন ভেরিয়েবল (গুলি) অপরাধী (গুলি) তা চিহ্নিত করা। চালান
alias( lm( y ~ x1 + x2 ) )একটি উদাহরণ দেখতে।
এটি প্রায়শই আসে যখন আপনার রেগ্রেশন X'Xম্যাট্রিক্সে একত্রীতা থাকে (রিগ্রেশন আউটপুটের সংক্ষিপ্তসারে এনএ মান)।
বেস আর lm()ডিফল্ট হিসাবে একক মান / নিখুঁত বহুবিধ লাইন জন্য অনুমতি দেয় singular.ok = TRUE। অন্যান্য প্যাকেজ / ফাংশন বেশি রক্ষণশীল।
উদাহরণস্বরূপ, প্যাকেজে linearHypothesis()ফাংশনের জন্য car, ডিফল্ট singular.ok = FALSE। আপনার রিগ্রেশনটিতে নিখুঁত মাল্টিকোলাইনারিটি থাকলে আপনার linearHypothesis()একটি ত্রুটি ফিরে আসবে "" মডেলটিতে এলিয়াসযুক্ত সহগ রয়েছে "। এই ত্রুটিটি মোকাবেলায় সেট করুন singular.ok = TRUE। তবে সাবধান থাকুন, কারণ এটি করার ফলে আপনার প্রতিরোধের ক্ষেত্রে নিখুঁত বহুবিধ লম্বা মুখোশ আসতে পারে।