Čo je faktor inflácie variácie?
Inflačná variabilita fVariance inflačný faktor (VIF) je miera množstva multiklinearity v súbore viacerých regresných premenných. Matematicky sa VIF pre regresnú modelovú premennú rovná pomeru celkovej odchýlky modelu k variancii modelu, ktorý obsahuje iba jednu samostatnú premennú. Tento pomer sa počíta pre každú nezávislú premennú. Vysoký VIF naznačuje, že pridružená nezávislá premenná je vysoko kolineárna s ostatnými premennými v modeli.
Kľúčové jedlá
- Faktor rozptylového inflácie (VIF) poskytuje mieru multicollinearity medzi nezávislými premennými v modeli s viacnásobnou regresiou. Detekcia multicollinearity je dôležitá, pretože zatiaľ čo neznižuje vysvetľujúcu silu modelu, znižuje štatistickú významnosť nezávislých premenných. Veľký VIF na nezávislej premennej naznačuje vysoko kolineárny vzťah k iným premenným, ktoré by sa mali zvážiť alebo upraviť v štruktúre modelu a výbere nezávislých premenných.
Pochopenie faktora inflácie variácie
Viacnásobná regresia sa používa, keď človek chce testovať účinok viacerých premenných na konkrétny výsledok. Závislá premenná je výsledok, na ktorý reagujú nezávislé premenné, ktoré sú vstupmi do modelu. Multicollinearity existuje, keď existuje lineárny vzťah alebo korelácia medzi jednou alebo viacerými nezávislými premennými alebo vstupmi. Multiklinearita predstavuje problém pri viacnásobnej regresii, pretože keďže všetky vstupy sa navzájom ovplyvňujú, nie sú v skutočnosti nezávislé a je ťažké otestovať, do akej miery kombinácia nezávislých premenných ovplyvňuje závislú premennú alebo výsledok v rámci regresného modelu., Štatisticky povedané, model viacnásobnej regresie, kde je vysoká multikolinearita, sťaží odhad vzťahu medzi každou z nezávislých premenných a závislou premennou. Malé zmeny v použitých údajoch alebo v štruktúre modelovej rovnice môžu spôsobiť veľké a nevyrovnané zmeny v odhadovaných koeficientoch nezávislých premenných.
Aby sa zabezpečilo, že model je správne špecifikovaný a správne funguje, existujú testy, ktoré je možné spustiť z hľadiska multicollinearity. Jedným z takýchto meracích nástrojov je faktor inflácie. Použitie rozptylových inflačných faktorov pomáha určiť závažnosť akýchkoľvek problémov týkajúcich sa viacerých oblastí, aby bolo možné model upraviť. Inflačný faktor variácie meria, do akej miery je správanie (rozptyl) nezávislej premennej ovplyvňované alebo nafúknuté jej interakciou / koreláciou s ostatnými nezávislými premennými. Faktory inflácie variácie umožňujú rýchle meranie toho, do akej miery premenná prispieva k štandardnej chybe v regresii. Ak existujú významné problémy s rôznym zameraním, bude rozptylný inflačný faktor pre príslušné premenné veľmi veľký. Po identifikácii týchto premenných je možné použiť niekoľko prístupov na elimináciu alebo kombináciu kolineárnych premenných, čím sa vyrieši problém multikolinearity.
Kým multikolinearita neznižuje celkovú prediktívnu silu modelu, môže vytvárať odhady regresných koeficientov, ktoré nie sú štatisticky významné. V istom zmysle to možno v modeli považovať za druh dvojitého započítania. Ak sú dve alebo viac nezávislých premenných úzko prepojené alebo merajú takmer to isté, potom sa základný účinok, ktorý merajú, započítava dvakrát (alebo viac) medzi premenné a je ťažké alebo nemožné povedať, ktorá premenná skutočne ovplyvňuje nezávislá premenná. Je to problém, pretože cieľom mnohých ekonometrických modelov je presne otestovať tento druh štatistického vzťahu medzi nezávislými premennými a závislými premennými.
Napríklad, ak chce ekonóm vyskúšať, či existuje štatisticky významný vzťah medzi mierou nezamestnanosti (ako nezávislá premenná) a mierou inflácie (ako závislá premenná). Zahrnutie ďalších nezávislých premenných, ktoré súvisia s mierou nezamestnanosti, ako sú nové počiatočné žiadosti o zamestnanie, by do modelu pravdepodobne prinieslo viacstrannosť. Celkový model by mohol mať silnú štatisticky dostatočnú vysvetľovaciu silu, ale nedokázal by zistiť, či je tento účinok spôsobený predovšetkým mierou nezamestnanosti alebo novými počiatočnými nárokmi na prácu. Toto by zistil VIF a navrhlo by sa možné vynechať jednu z premenných z modelu alebo nájsť nejaký spôsob, ako ich skonsolidovať, aby sa zachytil ich spoločný účinok, v závislosti od konkrétnej hypotézy, ktorú má výskumný pracovník záujem o testovanie.
