Discussion :

[superhedgehog]

Bonjour,

J'utilise le modèle suivant:

model <- rlm( as.numeric( row_xp ) ~ Age
+ Gender
+ Smkstat
+ BMI
+ Packy
+ COPD
+ Ysmkcess
+ Diffcap
, method="MM"
, na.action=na.exclude
, maxit=100
) ;

A cause de la variable Ysmkcess j'ai le message d'erreur suivant qui s'affiche:

Erreur dans rlm.default(x, y, weights, method = method, wt.method = wt.method, :
'x' est singuli`ere : les ajustements singuliers ne sont pas impl'ement'es dans 'rlm'

Ysmkcess est composées d'entiers et NA et class(Ysmkcess) me retourne integer

> class(Ysmkcess)
[1] "integer"
> str(Ysmkcess)
int [1:409] 0 8 7 0 18 9 22 3 3 1 .

Je ne suis pas sur de bien comprendre le message d'erreur.
Qu'en pensez-vous ?

[hoccha]

Bonjour,

Voici déjà quelques idées pour vous aider.

Attention! -- Je ne connais pas la fonction rlm (Robust Fitting of Linear Models) donc je me trompe peut-être... mais la matrice d'input 'x' est singulière si son déterminant est proche de 0.
Dans l'aide de la fonction rlm, ils disent que 'Fitting is done by iterated re-weighted least squares (IWLS).' Pour appliquer le least squares, l'algorithme divise par le déterminant et ça revient donc à diviser par zéro.... aïe...

C'est un problème de multicolinéarité. Dans une régression classique (encore une fois, je ne connais pas la fonction rlm), une forte colinéarité entre les variables de 'x' augmente la variance des estimateurs beta chapeau.

Afin de détecter la multicolinéarité, j'utilise la fonction vif du package car. Un vif >> 1 signifie qu'il y a un risque; exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
library(car)
x1 <- runif(100) 
x2 <- runif(100) 
x3 <- runif(100) 
x4 <- runif(100) 
x5 <- x1+x2+rnorm(100,sd=0.1)
y <- runif(100)
df <-data.frame(x1,x2,x3,x4,x5,y)
vif(lm(y~.,data=df))
       x1        x2        x3        x4        x5 
 9.534091  9.279006  1.029592  1.038958 19.678607 

Il détecte bien une colinéarité entre x1, x2 et x5.

Pour solutionner ce problème:

• vous pouvez appliquer une pca (analyse en composante principale)
• ou simplement supprimer la variable (car l'information est redondante)

Bien à vous

[superhedgehog]

Merci de votre réponse.

J'ai utiliser la méthode lm avec les mêmes variables et j'observe toujours un message d'erreur lié à la variable Ysmkcess:

Erreur dans `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) :
les contrastes ne peuvent ^etre appliqu'es qu'aux facteurs ayant au moins deux niveaux

Je comprends pas ce que ça signifie.
Est-ce que quelqu'un pourrait m'expliquer ?