提问人：HiddenLeafCoder 提问时间：11/8/2023 更新时间：11/8/2023 访问量：8
使用 VIF 在岭回归中选择 Lambda：这种方法是否有效？
Using VIF to Select Lambda in Ridge Regression: Is This Approach Valid?
问：
我最近看到一篇文章，建议根据方差膨胀因子 （VIF） 值在岭回归中选择 lambda 参数。该方法旨在选择确保所有 VIF 值都低于特定阈值的 lambda，目的是减少多重共线性。
据我了解，VIF 是根据预测变量的相关矩阵计算得出的，它不应该随着脊回归的应用而改变，因为预测变量值本身不会因正则化而改变。我的理解是，VIF 的典型用途是在模型拟合之前作为诊断工具，并且通常根据交叉验证等预测性能指标来选择 lambda。
这篇文章似乎提出了一个迭代过程来调整岭回归中的λ，通过减少多重共线性对系数的影响来间接影响VIF计算。
以下是我的问题：
- 如果出现以下情况，应用岭回归将如何影响模型的 VIF VIF 计算仅基于两者之间的相关性 预测？
- 为岭选择 lambda 是否有效 基于达到一定的VIF值阈值的回归？
- 如果这种方法是非常规的，那么理论上可能是什么 对 lambda 使用 VIF 后岭正则化的理由 选择？
如能对这一方法作出任何澄清或参考支持这一方法的文献，将不胜感激。
链接到我引用的文章：估计岭回归 Lambda https://real-statistics.com/multiple-regression/ridge-and-lasso-regression/estimating-ridge-regression-lambda/
答： 暂无答案
评论