Variansinflationsfaktor (VIF)
Vad Àr en variansinflationsfaktor (VIF)?
Variansinflationsfaktor (VIF) Àr ett mÄtt pÄ mÀngden multikollinearitet i en uppsÀttning av multipla regressionsvariabler. Matematiskt Àr VIF för en regressionsmodellvariabel lika med förhÄllandet mellan den övergripande modellvariansen och variansen för en modell som bara inkluderar den enda oberoende variabeln. Detta förhÄllande berÀknas för varje oberoende variabel. En hög VIF indikerar att den associerade oberoende variabeln Àr mycket kolinjÀr med de andra variablerna i modellen.
FörstÄ en variansinflationsfaktor (VIF)
En variansinflationsfaktor Ă€r ett verktyg för att identifiera graden av multikollinearitet. En multipel regression anvĂ€nds nĂ€r en person vill testa effekten av flera variabler pĂ„ ett visst resultat. Den beroende variabeln Ă€r resultatet som pĂ„verkas av de oberoende variablerna â indata i modellen. Multikollinearitet existerar nĂ€r det finns ett linjĂ€rt samband, eller korrelation, mellan en eller flera av de oberoende variablerna eller indata.
Multikollinearitet skapar ett problem i multipel regression eftersom indata alla pÄverkar varandra. DÀrför Àr de faktiskt inte oberoende, och det Àr svÄrt att testa hur mycket kombinationen av de oberoende variablerna pÄverkar den beroende variabeln, eller utfallet, inom regressionsmodellen.
I statistiska termer kommer en multipel regressionsmodell dÀr det finns hög multikollinearitet att göra det svÄrare att uppskatta sambandet mellan var och en av de oberoende variablerna och den beroende variabeln. SmÄ förÀndringar i data som anvÀnds eller i strukturen för modellekvationen kan ge stora och oberÀkneliga förÀndringar i de uppskattade koefficienterna pÄ de oberoende variablerna.
För att sÀkerstÀlla att modellen Àr korrekt specificerad och fungerar korrekt finns det tester som kan köras för multikollinearitet. Variansinflationsfaktor Àr ett sÄdant mÀtverktyg. Att anvÀnda variansinflationsfaktorer hjÀlper till att identifiera allvaret av eventuella multikollinearitetsproblem sÄ att modellen kan justeras. Variansinflationsfaktor mÀter hur mycket beteendet (variansen) hos en oberoende variabel pÄverkas, eller uppblÄses, av dess interaktion/korrelation med de andra oberoende variablerna.
Variansinflationsfaktorer tillÄter ett snabbt mÄtt pÄ hur mycket en variabel bidrar till standardfelet i regressionen. NÀr betydande multikollinearitetsproblem finns kommer variansinflationsfaktorn att vara mycket stor för de inblandade variablerna. Efter att dessa variabler har identifierats kan flera tillvÀgagÄngssÀtt anvÀndas för att eliminera eller kombinera kolinjÀra variabler, vilket löser problemet med multikollinearitet.
Multikollinearitet
Ăven om multikollinearitet inte minskar en modells totala prediktiva kraft, kan den producera uppskattningar av regressionskoefficienterna som inte Ă€r statistiskt signifikanta. PĂ„ sĂ€tt och vis kan det ses som ett slags dubbelrĂ€kning i modellen.
NÀr tvÄ eller flera oberoende variabler Àr nÀra beslÀktade eller mÀter nÀstan samma sak, kommer den underliggande effekten som de mÀter att redovisas tvÄ gÄnger (eller mer) över variablerna. Det blir svÄrt eller omöjligt att sÀga vilken variabel som verkligen pÄverkar den oberoende variabeln. Detta Àr ett problem eftersom mÄlet med mÄnga ekonometriska modeller Àr att testa exakt denna typ av statistiskt samband mellan de oberoende variablerna och den beroende variabeln.
Anta till exempel att en ekonom vill testa om det finns ett statistiskt signifikant samband mellan arbetslöshetsgraden (oberoende variabel) och inflationstakten (beroende variabel). Att inkludera ytterligare oberoende variabler som Àr relaterade till arbetslöshetsgraden,. sÄdana nya initiala ansprÄk pÄ arbetslöshet,. skulle sannolikt introducera multikollinearitet i modellen.
Den övergripande modellen kan visa en stark, statistiskt tillrÀcklig förklaringskraft, men inte kunna identifiera om effekten till största delen beror pÄ arbetslösheten eller de nya initiala arbetslöshetsansökningarna. Detta Àr vad VIF skulle upptÀcka, och det skulle föreslÄ att man eventuellt skulle ta bort en av variablerna ur modellen eller hitta nÄgot sÀtt att konsolidera dem för att fÄnga deras gemensamma effekt beroende pÄ vilken specifik hypotes forskaren Àr intresserad av att testa.
Höjdpunkter
En variansinflationsfaktor (VIF) ger ett mÄtt pÄ multikollinearitet bland de oberoende variablerna i en multipel regressionsmodell.
Att upptÀcka multikollinearitet Àr viktigt för medan multikollinearitet inte minskar modellens förklaringsförmÄga, minskar den den statistiska signifikansen för de oberoende variablerna.
En stor variansinflationsfaktor (VIF) pÄ en oberoende variabel indikerar ett mycket kolinjÀrt samband med de andra variablerna som bör beaktas eller justeras för i modellens struktur och urval av oberoende variabler.
