Definisi Variance Inflation Factor (VIF)

Apa itu Variance Inflation Factor (VIF)?

Faktor inflasi varians (VIF) adalah ukuran dari jumlah multikolinearitas dalam satu set beberapa regresi variabel. Secara matematis, VIF untuk variabel model regresi sama dengan rasio model keseluruhan perbedaan dengan varians model yang hanya mencakup variabel independen tunggal itu. Rasio ini dihitung untuk setiap variabel independen. Nilai VIF yang tinggi menunjukkan bahwa variabel independen terkait sangat kolinear dengan variabel lain dalam model.

Memahami Faktor Inflasi Varians (VIF)

Faktor inflasi varians adalah alat untuk membantu mengidentifikasi derajat multikolinearitas. Regresi berganda digunakan ketika seseorang ingin menguji pengaruh beberapa variabel pada hasil tertentu. Variabel dependen adalah hasil yang ditindaklanjuti oleh variabel independen—masukan ke dalam model. Multikolinearitas terjadi ketika ada hubungan linier, atau korelasi, antara satu atau lebih variabel atau input independen.

Multikolinearitas menimbulkan masalah dalam regresi berganda karena semua input saling mempengaruhi. Oleh karena itu, mereka tidak benar-benar independen, dan sulit untuk menguji seberapa besar kombinasi variabel independen mempengaruhi variabel dependen, atau hasil, dalam model regresi. Dalam istilah statistik, model regresi berganda dimana terdapat multikolinearitas yang tinggi akan membuatnya lebih banyak sulit untuk memperkirakan hubungan antara masing-masing variabel independen dan dependen variabel. Perubahan kecil pada data yang digunakan atau pada struktur persamaan model dapat menghasilkan perubahan besar dan tidak menentu pada koefisien yang diestimasi pada variabel bebas.

Untuk memastikan model ditentukan dengan benar dan berfungsi dengan benar, ada tes yang dapat dijalankan untuk multikolinearitas. Faktor inflasi varians adalah salah satu alat ukur tersebut. Menggunakan faktor inflasi varians membantu mengidentifikasi tingkat keparahan masalah multikolinearitas sehingga model dapat disesuaikan. Faktor inflasi varians mengukur seberapa besar perilaku (varians) variabel independen dipengaruhi, atau meningkat, oleh interaksi/korelasinya dengan variabel independen lainnya. Faktor inflasi varians memungkinkan ukuran cepat tentang seberapa banyak variabel berkontribusi terhadap kesalahan standar dalam regresi. Ketika masalah multikolinearitas signifikan terjadi, faktor inflasi varians akan sangat besar untuk variabel yang terlibat. Setelah variabel-variabel ini diidentifikasi, beberapa pendekatan dapat digunakan untuk menghilangkan atau menggabungkan variabel-variabel kolinear, menyelesaikan masalah multikolinearitas.

Pertimbangan Khusus

Multikolinearitas

Meskipun multikolinearitas tidak mengurangi daya prediksi model secara keseluruhan, multikolinearitas dapat menghasilkan estimasi koefisien regresi yang tidak signifikan secara statistik. Dalam arti tertentu, ini dapat dianggap sebagai semacam penghitungan ganda dalam model. Ketika dua atau lebih variabel independen terkait erat atau mengukur hal yang hampir sama, maka efek mendasar yang mereka ukur diperhitungkan dua kali (atau lebih) di seluruh variabel. Menjadi sulit atau tidak mungkin untuk mengatakan variabel mana yang benar-benar mempengaruhi variabel bebas. Ini adalah masalah karena tujuan banyak ekonometrika model adalah untuk menguji persis semacam ini hubungan statistik antara variabel independen dan variabel dependen.

Sebagai contoh, misalkan seorang ekonom ingin menguji apakah ada hubungan yang signifikan secara statistik hubungan antara tingkat pengangguran (variabel independen) dan tingkat inflasi (tergantung variabel). Termasuk variabel independen tambahan yang terkait dengan Tingkat pengangguran, inisial baru klaim pengangguran, kemungkinan akan memperkenalkan multikolinearitas ke dalam model. Model keseluruhan mungkin menunjukkan kekuatan penjelas yang cukup kuat secara statistik, tetapi tidak dapat mengidentifikasi apakah efeknya sebagian besar disebabkan oleh tingkat pengangguran atau klaim pengangguran awal yang baru. Inilah yang akan dideteksi oleh VIF, dan itu akan menyarankan kemungkinan menjatuhkan salah satu variabel dari model atau menemukan beberapa cara untuk mengkonsolidasikan mereka untuk menangkap efek bersama mereka tergantung pada hipotesis spesifik apa yang menarik bagi peneliti pengujian.