今天CPDA数据分析师就教给你两种常用的测量多重共线性的方法：

1、我们在侧量时为每个自变量计算多重确定的系数。

2、还可以为每个自变量计算方差膨胀因子。

我们的课程中会着重讲到多重确定系数

我们在之前讲过怎样实现多重共线性和回归分析中，CPDA数据分析师教给大家怎样描述多重确定系数（R 2）怎样测量因变量中由所有自变量解释的方差比例。

教给我们怎样忽略因变量，则可以为k个独立变量中的每一个计算多重确定系数（R 2 k）。CPDA数据分析通过在所有其他自变量上回归第k 个自变量来做到这一点。也就是说，我们将X k视为因变量，并使用其他自变量来预测X k。

CPDA数据分析师如何解释R 2 k？如果R 2 k等于零，则变量k不与任何其他自变量相关；对于变量k，多重共线性不是问题。根据经验，大多数分析师认为，当R 2 k大于0.75 时，多重共线性是一个潜在的问题。当R 2 k大于0.9 时，是一个严重的问题。

CPDA数据分析师告诉你什么叫做方差膨胀因子

在我们做数据分析时经常会碰到方差因子，方差膨胀因子是表达与多重相关系数完全相同的信息的另一种方法。通过以下公式为每个自变量计算方差膨胀因子：

在公事中VIF k是变量k的方差膨胀因子，R 2 k是变量k的多次确定系数。

数据分析师会栽在很多统计数据包（例如SAS，SPSS，Minitab）中，我们利用方差膨胀因子可用作可选的回归输出，方差膨胀因子可以显示为回归系数表的一部分。

方差膨胀因子的解释与多重确定系数的解释相似

我们在做数据分析师遇到如果VIF k = 1，则变量k不与任何其他自变量相关，根据CPDA数据分析师的经验来看，当VIF k大于4 时，多重共线性是一个潜在的问题。大于10时，这是一个严重的问题。上面的输出显示VIF为2.466，这表明有些共线性，但不足以担心。

我们在做数据分析师的底线：如果R 2 k大于0.9或VIF k大于10，则回归系数估计可能很差。对这些系数的显着性检验可能会产生误导。