Apakah Faktor Inflasi Varians?
Faktor inflasi variasi inflasi (VIF) adalah ukuran jumlah multicolarisar dalam satu set pelbagai pemboleh ubah regresi. Secara matematik, VIF bagi pemboleh ubah model regresi adalah sama dengan nisbah keseluruhan varians model kepada varians model yang merangkumi hanya pemboleh ubah bebas tunggal. Nisbah ini dikira untuk setiap pembolehubah bebas. VIF yang tinggi menunjukkan bahawa pembolehubah bebas bersekutu sangat tinggi dengan pembolehubah lain dalam model.
Takeaways Utama
- Faktor inflasi variasi (VIF) memberikan ukuran multicolarisar di kalangan pembolehubah bebas dalam model regresi berganda. Menentukan multicollinearity adalah penting kerana walaupun ia tidak mengurangkan kuasa penjelasan model, ia dapat mengurangkan kepentingan statistik pembolehubah bebas. VIF yang besar pada pembolehubah bebas menunjukkan hubungan yang sangat besar dengan pembolehubah lain yang perlu dipertimbangkan atau diselaraskan dalam struktur model dan pemilihan pembolehubah bebas.
Memahami Faktor Inflasi Variasi
Regresi berganda digunakan apabila seseorang ingin menguji kesan beberapa pemboleh ubah pada hasil tertentu. Pemboleh ubah bergantung ialah hasil yang sedang dilakukan oleh pembolehubah bebas, yang merupakan input ke dalam model. Multicollinearity wujud apabila terdapat hubungan linear, atau korelasi, antara satu atau lebih pembolehubah bebas atau input. Multicollinearity menimbulkan masalah dalam regresi berganda kerana kerana input semua mempengaruhi satu sama lain, mereka tidak benar-benar bebas, dan sukar untuk menguji berapa banyak kombinasi pembolehubah bebas mempengaruhi pemboleh ubah bergantung, atau hasil, dalam model regresi. Dalam istilah statistik, model regresi berganda di mana terdapat multicolarisar yang tinggi akan menjadikannya lebih sukar untuk menganggarkan hubungan antara setiap pembolehubah bebas dan pembolehubah yang bergantung. Perubahan kecil dalam data yang digunakan atau dalam struktur persamaan model boleh menghasilkan perubahan yang besar dan tidak menentu dalam pekali anggaran pada pembolehubah bebas.
Untuk memastikan model ditentukan dengan betul dan berfungsi dengan betul, terdapat ujian yang boleh dijalankan untuk multicollinearity. Faktor inflasi adalah salah satu alat pengukur. Menggunakan faktor inflasi varians membantu mengenal pasti keterukan sebarang isu multicollinearity supaya model dapat diselaraskan. Faktor inflasi varians mengukur berapa banyak tingkah laku (varians) pembolehubah bebas dipengaruhi, atau dipengaruhi oleh interaksi / korelasi dengan pemboleh ubah bebas yang lain. Faktor inflasi variasi membolehkan ukuran cepat berapa banyak pembolehubah menyumbang kepada ralat standard dalam regresi. Apabila terdapat masalah multicollinearity yang signifikan, faktor inflasi varians akan sangat besar bagi pembolehubah yang terlibat. Selepas pembolehubah ini dikenal pasti, beberapa pendekatan dapat digunakan untuk menghapuskan atau menggabungkan pembolehubah kollinear, menyelesaikan masalah multicollinearity.
Walaupun multicolarisar tidak mengurangkan kuasa ramalan keseluruhan model, ia boleh menghasilkan anggaran pekali regresi yang tidak signifikan secara statistik. Dalam erti kata lain, ia boleh dianggap sebagai sejenis pengiraan dua dalam model. Apabila dua atau lebih pembolehubah bebas berkait rapat atau mengukur hampir perkara yang sama, maka kesan mendasar yang mereka ukur dicatat sebanyak dua kali (atau lebih) merentasi pembolehubah, dan menjadi sukar atau mustahil untuk mengatakan pembolehubah mana-mana yang benar-benar mempengaruhi pembolehubah bebas. Ini adalah masalah kerana matlamat banyak model ekonomi adalah untuk menguji hubungan statistik seperti ini antara pembolehubah bebas dan pembolehubah yang bergantung.
Contohnya, jika ahli ekonomi mahu menguji sama ada terdapat hubungan yang signifikan secara statistik antara kadar pengangguran (sebagai pembolehubah bebas) dan kadar inflasi (sebagai pemboleh ubah bergantung). Termasuk pembolehubah bebas tambahan yang berkaitan dengan kadar pengangguran, seperti tuntutan pengangguran awal yang baru, mungkin akan memperkenalkan multicollinearity ke dalam model. Model keseluruhan mungkin menunjukkan kuasa penjelasan yang kuat dan statistik yang mencukupi tetapi tidak dapat mengenal pasti sama ada kesan tersebut sebahagian besarnya disebabkan oleh kadar pengangguran atau tuntutan pengangguran awal baru. Ini adalah apa yang VIF akan mengesan, dan ia akan mencadangkan kemungkinan menjatuhkan salah satu daripada pembolehubah daripada model atau mencari cara untuk menyatukan mereka untuk menangkap kesan bersama mereka, bergantung kepada hipotesis apa yang khusus yang diteliti oleh penyelidik.
