تعريف عامل التضخم التباين (VIF)

ما هو عامل التضخم التباين (VIF)؟

عامل تضخم التباين (VIF) هو مقياس لمقدار متعدد الخطية في مجموعة متعددة تراجع المتغيرات. رياضيا ، VIF لمتغير نموذج الانحدار يساوي نسبة النموذج الكلي فرق إلى تباين النموذج الذي يتضمن فقط هذا المتغير المستقل الفردي. يتم حساب هذه النسبة لكل متغير مستقل. يشير VIF المرتفع إلى أن المتغير المستقل المرتبط به علاقة خطية متداخلة مع المتغيرات الأخرى في النموذج.

فهم عامل التضخم التباين (VIF)

عامل تضخم التباين هو أداة للمساعدة في تحديد درجة العلاقة الخطية المتعددة. يتم استخدام الانحدار المتعدد عندما يريد الشخص اختبار تأثير المتغيرات المتعددة على نتيجة معينة. المتغير التابع هو النتيجة التي يتم العمل عليها بواسطة المتغيرات المستقلة - المدخلات في النموذج. توجد العلاقة الخطية المتعددة عندما تكون هناك علاقة خطية ، أو ارتباط ، بين واحد أو أكثر من المتغيرات أو المدخلات المستقلة.

يخلق تعدد الخطية مشكلة في الانحدار المتعدد لأن المدخلات كلها تؤثر على بعضها البعض. لذلك ، فهي ليست مستقلة فعليًا ، ومن الصعب اختبار مدى تأثير مجموعة المتغيرات المستقلة على المتغير التابع ، أو النتيجة ، ضمن نموذج الانحدار. من الناحية الإحصائية ، فإن نموذج الانحدار المتعدد حيث توجد علاقة خطية متعددة عالية سيجعله أكثر يصعب تقدير العلاقة بين كل من المتغيرات المستقلة والمتغيرات التابعة عامل. يمكن أن تؤدي التغييرات الصغيرة في البيانات المستخدمة أو في هيكل معادلة النموذج إلى تغييرات كبيرة وغير منتظمة في المعاملات المقدرة على المتغيرات المستقلة.

للتأكد من أن النموذج محدد بشكل صحيح ويعمل بشكل صحيح ، هناك اختبارات يمكن تشغيلها من أجل العلاقات الخطية المتعددة. عامل تضخم التباين هو أحد أدوات القياس هذه. يساعد استخدام عوامل تضخم التباين في تحديد مدى خطورة أي مشكلات خطية متعددة بحيث يمكن تعديل النموذج. يقيس عامل تضخم التباين مدى تأثر سلوك (تباين) متغير مستقل أو تضخيمه من خلال تفاعله / ارتباطه بالمتغيرات المستقلة الأخرى. تسمح عوامل تضخم التباين بقياس سريع لمدى مساهمة المتغير في خطأ تقليدي في الانحدار. عند وجود مشكلات كبيرة في العلاقة الخطية الخطية ، سيكون عامل تضخم التباين كبيرًا جدًا بالنسبة للمتغيرات المعنية. بعد تحديد هذه المتغيرات ، يمكن استخدام عدة طرق للتخلص من المتغيرات الخطية أو دمجها ، مما يؤدي إلى حل مشكلة العلاقة الخطية المتعددة.

إعتبارات خاصة

متعدد الخطية

على الرغم من أن العلاقة الخطية المتعددة لا تقلل من القدرة التنبؤية الكلية للنموذج ، إلا أنها يمكن أن تنتج تقديرات لمعاملات الانحدار التي ليست ذات دلالة إحصائية. بمعنى ما ، يمكن اعتباره نوعًا من العد المزدوج في النموذج. عندما يرتبط متغيران مستقلان أو أكثر ارتباطًا وثيقًا أو يقيسان الشيء نفسه تقريبًا ، فإن التأثير الأساسي الذي يقيسونه يتم حسابه مرتين (أو أكثر) عبر المتغيرات. يصبح من الصعب أو المستحيل تحديد المتغير الذي يؤثر حقًا على المتغير المستقل. هذه مشكلة لأن هدف الكثيرين الاقتصاد القياسي النماذج هي اختبار بالضبط هذا النوع من العلاقة الإحصائية بين المتغيرات المستقلة والمتغير التابع.

على سبيل المثال ، افترض أن خبيرًا اقتصاديًا يريد اختبار ما إذا كان هناك دلالة إحصائية العلاقة بين معدل البطالة (متغير مستقل) ومعدل التضخم (تابع عامل). بما في ذلك المتغيرات المستقلة الإضافية ذات الصلة بـ معدل البطالة، مثل هذا الاسم الجديد مطالبات العاطلين عن العمل، من المحتمل أن يقدم خطًا خطيًا متعددًا في النموذج. قد يُظهر النموذج العام قوة تفسيرية قوية وكافية إحصائيًا ، لكنه غير قادر على تحديد ما إذا كان التأثير يرجع في الغالب إلى معدل البطالة أو إلى مطالبات البطالة الأولية الجديدة. هذا ما سيكتشفه VIF ، وقد يقترح إسقاط أحد المتغيرات من النموذج أو إيجاد بعض طريقة لتوحيدها لالتقاط تأثيرها المشترك اعتمادًا على الفرضية المحددة التي يهتم بها الباحث اختبارات.