Визначення коефіцієнта дисперсії інфляції (VIF)

Що таке фактор інфляції дисперсії (VIF)?

Коефіцієнт інфляції дисперсії (VIF) - це міра суми мультиколінеарність у наборі кратних регресія змінні. Математично VIF для змінної моделі регресії дорівнює співвідношенню загальної моделі дисперсія до дисперсії моделі, яка включає лише цю єдину незалежну змінну. Цей коефіцієнт розраховується для кожної незалежної змінної. Високий VIF вказує на те, що асоційована незалежна змінна є дуже колінеарною з іншими змінними в моделі.

Розуміння фактора інфляції дисперсії (VIF)

Фактор інфляції дисперсії є інструментом, який допомагає визначити ступінь мультиколінеарності. Множинна регресія використовується, коли людина хоче перевірити вплив кількох змінних на певний результат. Залежна змінна - це результат, на який впливають незалежні змінні - вхідні дані моделі. Мультиколінеарність існує, коли існує лінійна залежність або кореляція між однією або кількома незалежними змінними або вхідними даними.

Мультиколінеарність створює проблему в множинній регресії, оскільки всі вхідні дані впливають один на одного. Тому вони насправді не є незалежними, і важко перевірити, наскільки комбінація незалежних змінних впливає на залежну змінну або результат у рамках регресійної моделі. З точки зору статистики, модель множинної регресії, де існує висока мультиколінеарність, зробить її більшою важко оцінити зв'язок між кожною з незалежних змінних і залежною змінна. Невеликі зміни у використаних даних або в структурі модельного рівняння можуть спричинити великі та нестійкі зміни оцінених коефіцієнтів незалежних змінних.

Щоб переконатися, що модель належним чином визначена та працює належним чином, існують тести, які можна запускати на предмет мультиколінеарності. Коефіцієнт інфляції дисперсії є одним із таких засобів вимірювання. Використання факторів інфляції дисперсії допомагає виявити серйозність будь -яких проблем мультиколінеарності, щоб модель могла бути скоригована. Коефіцієнт інфляції дисперсії вимірює, наскільки на поведінку (дисперсію) незалежної змінної впливає чи завищується її взаємодія/кореляція з іншими незалежними змінними. Коефіцієнти інфляції дисперсії дозволяють швидко оцінити, наскільки змінна вносить свій внесок у стандартна помилка в регресії. Коли існують значні проблеми мультиколінеарності, коефіцієнт інфляції дисперсії буде дуже великим для відповідних змінних. Після ідентифікації цих змінних можна використати декілька підходів для усунення або поєднання колінеарних змінних, вирішення проблеми мультиколінеарності.

Особливі міркування

Мультиколінеарність

Хоча мультиколінеарність не зменшує загальної спроможності моделі прогнозувати, вона може дати оцінки коефіцієнтів регресії, які не є статистично значущими. Певним чином це можна розглядати як своєрідний подвійний підрахунок у моделі. Коли дві або більше незалежних змінних тісно пов'язані між собою або вимірюють майже одне і те ж, то основний ефект, який вони вимірюють, враховується двічі (або більше) у змінних. Стає важко або неможливо сказати, яка змінна дійсно впливає на незалежну змінну. Це проблема, тому що мета багатьох економетричний Моделі мають перевірити саме таку статистичну залежність між незалежними змінними та залежною змінною.

Наприклад, припустимо, що економіст хоче перевірити, чи є статистично значущі залежність між рівнем безробіття (незалежна змінна) та інфляцією (залежна) змінна). Включаючи додаткові незалежні змінні, які пов'язані з Рівень безробіття, такий новий ініціал претензії по безробіттю, швидше за все, внесе мультиколінеарність у модель. Загальна модель може показати сильну, статистично достатню пояснювальну силу, але не зможе визначити, чи впливає це переважно на рівень безробіття або на нові початкові вимоги щодо безробіття. Це те, що виявить VIF, і це запропонує, можливо, вилучити одну зі змінних із моделі або знайти якусь спосіб закріпити їх, щоб зафіксувати їх спільний ефект залежно від того, яка конкретна гіпотеза цікавить дослідника тестування.