Jakie są „współczynniki aliasowane”?

Podczas budowania modelu regresji w R ( lm) często otrzymuję ten komunikat

"there are aliased coefficients in the model"

Co to dokładnie znaczy?

Również z tego powodu predict()daje ostrzeżenie.

Chociaż jest to tylko ostrzeżenie, chcę wiedzieć, w jaki sposób możemy wykryć / usunąć aliowane współczynniki przed zbudowaniem modelu.

Jakie są prawdopodobne konsekwencje zaniedbania tego ostrzeżenia?

Podejrzewam, że nie jest to błąd lm, ale raczej vif(z pakietu car). Jeśli tak, to uważam, że wpadłeś w doskonałą wielokoliniowość . Na przykład

x1 <- rnorm( 100 )
x2 <- 2 * x1
y <- rnorm( 100 )
vif( lm( y ~ x1 + x2 ) )

produkuje błąd.

W tym kontekście „alias” odnosi się do zmiennych, które są liniowo zależne od innych (tj. Powodują doskonałą wielokoliniowość).

Pierwszym krokiem w kierunku rozwiązania jest określenie, które zmienne są winowajcami. Biegać

alias( lm( y ~ x1 + x2 ) )

zobaczyć przykład.

Często pojawia się, gdy macie osobliwości w X'Xmacierzy regresji (wartości NA w podsumowaniu wyników regresji).

Podstawa R lm()dopuszcza wartości pojedyncze / idealną wielokoliniowość, jak domyślnie singular.ok = TRUE. Inne pakiety / funkcje są bardziej konserwatywne.

Na przykład dla linearHypothesis()funkcji w carpakiecie wartością domyślną jest singular.ok = FALSE. Jeśli masz w swojej regresji doskonałą wielokoliniowość, linearHypothesis()zwróci błąd „w modelu występują aliasy”. Aby poradzić sobie z tym błędem, ustaw singular.ok = TRUE. Uważaj jednak, ponieważ może to maskować idealną wielokoliniowość w regresji.

może warto wiedzieć dla niektórych: dostałem ten błąd, gdy dodałem manekiny do regresji. R automatycznie pomija jednego manekina, ale powoduje to błąd w teście vif. więc dla niektórych rozwiązaniem może być ręczne usunięcie jednego manekina.