Lección 8 del curso Regresión Lineal.
En la lección anterior vimos cómo incluir variables categóricas en un modelo de Regresión Lineal, lo que permite en muchos casos generar predicciones más robustas con este tipo de modelos.
En esta lección vamos a ver qué significan la colinealidad y la multicolinealidad en un modelo de Regresión Lineal. También vamos a entender por qué representan un problema y cómo podemos determinar si las covariables de un modelo presentan o no multicolinealidad, una prueba muy útil al momento de construir un modelo de Regresión Lineal:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la colinealidad implica que dos variables predictoras de nuestro modelo tendrán un alto grado de correlación. Mientras que la multicolinealidad implica que tres o más variables predictoras estarán relacionadas linealmente de manera simultánea.
Y la presencia de estos fenómenos no es recomendable al momento de construir un modelo de Regresión Lineal, pues no sólo dificultará su interpretación sino que también hará que las conclusiones que extraigamos del modelo entrenado no resulten confiables.
Así que siempre debemos determinar si las covariables del modelo presentan colinealidad o multicolinealidad. Así que un simple análisis de correlación permite fácilmente detectar problemas de colinealidad, mientras que para detectar multicolinealidad lo que se sugiere es usar el factor de inflación de la varianza (o VIF por sus siglas en Inglés: Variance Inflation Factor).
Y con esto hemos completado este primer módulo del curso, donde hemos aprendido todo lo relacionado con la Regresión Lineal Simple y la Regresión Lineal Múltiple, y además hemos visto cómo codificar variables categóricas para usarlas como covariables de un modelo de regresión lineal.
En el segundo módulo del curso nos enfocaremos en dos elementos que muchas veces pueden complementar el proceso de construcción de un modelo de Regresión Lineal: la selección de covariables y el uso de técnicas de regularización.
Y en particular, en la próxima lección comenzaremos viendo en detalle un primer conjunto de técnicas de selección de covariables en un modelo de Regresión Lineal, lo cual nos permitirá seleccionar las variables predictoras más relevantes al momento de generar predicciones con este tipo de modelos.
Todas las lecciones del curso Regresión Lineal