复相关系数（远离复杂公式推导）

本文的研究对象在于模型开发过程中，关于相关性与共线性的梳理；并且基于目前相关性与共线性的情况，跟各位读者分享共线性的处理方法。

最近有同学跟我们交流，怎么确定变量间的线性问题。我曾经跟一些做机器学习的同学讨论，在他们那里是不太注重变量间的线性问题的。因为有些算法是非线性模型，不需要考究具体的算法。但是在逻辑回归的算法里，变量间的线性问题，仍需要解决，在入模前需要进行变量间线性的确诊。

一.相关性与多重共线性原理

在线性问题中，我们需要搞清楚变量的相关性和共线性。其中相关性是两两变量之间的问题，共线性是多变量之间的问题。

OK,因为网络上有太多关于逻辑回归中关于线性的转化公式了：

ln{P/(1-P）}=ax1+bx2+cx3...+z

可以发现在具体的转换后，每个维度都成为了一项能具体影响模型的Y值。所以在该算法中，处理每个变量间的线性相关就显得很重要了。

关于多重共线性的具体原理，本文也不详细涉及，但从VIF的公式中可知：

VIFi=1/（1-R2i)

（以上：VIF是衡量共线性的指标，当VIF很大时，表明自变量间存在多重共线性）

vif就是R的平方与1作差的倒数，基于这样的定义，我们猜测vif就是某种意义相关性的综合指标。而实际上也是这样的，比如我们研究这样的一个等式中：

Y=aX1+bX2+cX3

要研究X2、X2、X3之间的共线性，我们会先进行一个线性的辅助回归，让X1、X2、X3，轮流坐庄，求出每一个方程的R的平方。什么叫轮流坐庄，就是该方程变换成：

X1=aX2+bX3..............I

X2=aX1+bX3.............II

X3=aX1+bX2............III

各位读者可以发现上述没有Y，只有X. 根据上述的等式,依次算出每个等式的R平方，再算出来具体的vif值。

具体的相关性跟共线性的原理推到，本文怕把各位读者绕晕，先不进行讲解，我们直接来使用相关的指标。

进行模型的相关性跟共线性的检验，相关代码如下：

其中在相关性达到0.7的以上，一般表示模型变量间有相关性；

而关于共线性的就稍微复杂一些，我们会这样来分析指标：这里我们引入条件指数和膨胀方差的这两个指标。

膨胀方差（the variance inflation factor，VIF)诊断法：方差膨胀因子表达式为：VIFi=1/（1-R2i)。其中Ri为自变量xi对其余自变量作回归分析的复相关系数。当VIFi很大时，表明自变量间存在多重共线性。该诊断方法也存在临界值不易确定的问题，在应用时须慎重。

条件指数（condition indices）定义为：最大特征根与每个特征根比值的平方根。特征根（Eigenvalue）越接近零，共线性越大。条件指数等于最大的主成分与当前的主成分的比值的算术平方根，所以第一个主成分对应的条件指数总为1。同样，如果几个条件指数较大（如大于10/20/30），则提示可能存在多重共线性。

二.实际处理的案例

在具体的实操界面，我们可以根据以上方法求出具体的的共线性指标，进行分析，根据本人经验总结，为各位读者分享以下心得：

1.普遍讲当膨胀方差因子达到10以上的时候，该变量较有共线性的嫌疑；比如在下图中，红色框中列出来的一些变量都具有共线性；

2.当条件指数大于10以上的时候，去查看相关系数达到0.5以上的变量，也较有共线性嫌疑，并且将此时的值跟第一条求出值进行比对，会发现具体的变量是一致的，第2个图片的指标是对第一张图片指标的充分补充；

3.共线性的指标在以上基础上数值越大，该变量间的共线性越严重；

4.以上1跟2成立的基础都是数据量不是特别大的情况下的普遍用法，当数据量达到一定程度，如上百/千万条数据量级别时，膨胀因子达到2以上，就有共线性的，所以具体的条件指数跟膨胀因子的数值仍跟数据量有较大关系。

关于使用的说明，大家可以将以下图片跟以上文字结合理解：

三.多重共线性的处理方法：

最后再将处理共线性的方法介绍给各位，可能还不完整，后续有机会再补充

1.逐步回归法

运用逻辑回归中的逐步回归法，因为在模型拟合的过程中，逐个引入自变量，引入的条件是该自变量经F检验是显著的，每引入一个自变量后，对已选入的变量进行逐个检验，如果原来引入的变量由于后面变量的引入而变得不再显著，那么就将其剔除。并且变量在检验的时候，我们会再观察模型结果中的P值和F值。跟算法工程师了解过，机器学习中运用这类算法，很多不考虑共线性时因为运用了这个方法去筛选变量，从而省去了前面一步做共线性的步骤。

2.删除不重要的自变量

删除不必要的变量，保留部分更符合业务逻辑的变量，这里各位可以结合IV值进行变量的筛选；但对剔除的变量需要充分有把握，不然删除的变量会影响模型结果；

3.可以做主成分回归

该分析方法是对多个变量综合提取新的变量后，运用的方法，在变量的降维中也经常使用这个方法。不过这个方法在其他机器学习中使用较多。当采取主成分提取了新的变量后，往往这些变量间的组内差异小而组间差异大，从而起到了消除共线性的问题。

最后关于多重共线性，各位同学可以参阅在知识星球上的这份文档，里面对这部分的内容解释更详细些，请上去查阅，谢谢！

~end~

注：以上图文资料均来自番茄学院《番茄风控大数据》知识星球与相关专题课内容

我们坚持为大家带来输出系列风控干货内容，欢迎广大风控爱好者关注 : 番茄风控大数据