Ano ang Isang variance Factor ng Pagbabago?
Ang variance inflation fVariance inflation factor (VIF) ay isang sukatan ng dami ng multicollinearity sa isang hanay ng maraming mga variable na pagbabalik. Bilang matematika, ang VIF para sa isang variable na modelo ng pagbabalik ay pantay sa ratio ng pangkalahatang pagkakaiba-iba ng modelo sa pagkakaiba-iba ng isang modelo na kasama lamang ang nag-iisang independyenteng variable. Ang ratio na ito ay kinakalkula para sa bawat malayang variable. Ang isang mataas na VIF ay nagpapahiwatig na ang nauugnay na independyenteng variable ay lubos na collinear sa iba pang mga variable sa modelo.
Mga Key Takeaways
- Ang isang variance inflation factor (VIF) ay nagbibigay ng isang sukatan ng multicollinearity sa mga independyenteng variable sa isang maramihang pagbabagong-anyo ng modelo.Detected ang multicollinearity ay dahil dahil habang hindi binabawasan ang paliwanag na kapangyarihan ng modelo, binabawasan nito ang statistic kahalagahan ng mga independiyenteng variable. Ang isang malaking VIF sa isang independyenteng variable ay nagpapahiwatig ng isang mataas na koleksyon ng koleksyon sa iba pang mga variable na dapat isaalang-alang o nababagay sa istraktura ng modelo at pagpili ng mga independiyenteng variable.
Pag-unawa sa isang Pagkakaiba-iba na Salik sa Pagpapalit
Ginagamit ang maraming regresyon kung nais ng isang tao na subukan ang epekto ng maraming variable sa isang partikular na kinalabasan. Ang umaasa variable ay ang kinalabasan na ginagampanan ng mga independiyenteng variable, na kung saan ay ang mga input sa modelo. Ang Multicollinearity ay umiiral kapag mayroong isang magkakaugnay na relasyon, o ugnayan, sa pagitan ng isa o higit pa sa mga independiyenteng variable o input. Ang Multicollinearity ay lumilikha ng isang problema sa maraming regression dahil dahil ang mga input ay lahat na nakakaimpluwensya sa bawat isa, hindi sila talaga independiyenteng, at mahirap subukan kung gaano kalaki ang pagsasama ng mga independiyenteng variable na nakakaapekto sa umaasang variable, o kinalabasan, sa loob ng modelo ng regression. Sa mga istatistika, ang isang maramihang modelo ng regression kung saan may mataas na multicollinearity ay gagawa ng mas mahirap na matantya ang kaugnayan sa pagitan ng bawat isa sa mga malayang variable at ang umaasa sa variable. Ang mga maliliit na pagbabago sa datos na ginamit o sa istraktura ng equation ng modelo ay maaaring makabuo ng malaki at mali na mga pagbabago sa tinantyang mga coefficient sa independyenteng variable.
Upang matiyak na ang modelo ay maayos na tinukoy at gumagana nang tama, may mga pagsubok na maaaring tumakbo para sa multicollinearity. Ang kadahilanan ng inflation factor ay isang tulad na tool sa pagsukat. Ang paggamit ng mga kadahilanan ng pagbabago ng pagbabago ay tumutulong upang matukoy ang kalubhaan ng anumang mga isyu sa multicollinearity upang ang modelo ay maaaring mababagay. Ang factor ng inflation factor ay sumusukat kung magkano ang pag-uugali (pagkakaiba-iba) ng isang independiyenteng variable ay naiimpluwensyahan, o napalaki, sa pamamagitan ng pakikipag-ugnay / ugnayan nito sa iba pang mga malayang variable. Ang mga kadahilanan ng inflation inflance ay nagbibigay-daan sa isang mabilis na sukat ng kung magkano ang isang variable ay nag-aambag sa karaniwang error sa regression. Kapag umiiral ang mga makabuluhang isyu sa multicollinearity, ang kadahilanan ng pagbabagong-anyo ng inflation ay magiging napakalaki para sa mga variable na kasangkot. Matapos matukoy ang mga variable na ito, maraming mga pamamaraang maaaring magamit upang maalis o pagsamahin ang mga variable ng collinear, paglutas ng isyu ng multicollinearity.
Habang ang multicollinearity ay hindi binabawasan ang pangkalahatang mahuhulaan na kapangyarihan ng isang modelo, maaari itong makabuo ng mga pagtatantya ng mga coefficient ng regression na hindi makabuluhan sa istatistika. Sa isang kahulugan, maaari itong isipin bilang isang uri ng dobleng pagbibilang sa modelo. Kapag ang dalawa o higit pang mga independiyenteng variable ay malapit na nauugnay o sukatin ang halos parehong bagay, kung gayon ang pinagbabatayan na epekto na kanilang sinusukat ay inaakusahan ng dalawang beses (o higit pa) sa mga variable, at nagiging mahirap o imposibleng sabihin kung aling variable ang talagang nakakaimpluwensya sa malayang variable. Ito ay isang problema dahil ang layunin ng maraming mga modelo ng ekonometric ay upang subukan nang eksakto ang ganitong uri ng istatistikong relasyon sa pagitan ng mga independiyenteng variable at ang umaasa sa variable.
Halimbawa, kung nais ng isang ekonomista na subukan kung mayroong isang makabuluhang kaugnayan sa istatistika sa pagitan ng rate ng kawalan ng trabaho (bilang isang independyenteng variable) at ang rate ng inflation (bilang umaasang variable). Kasama ang mga karagdagang independyenteng variable na nauugnay sa rate ng kawalan ng trabaho, tulad ng isang bagong paunang pag-aangkin ng walang trabaho, ay malamang na magpakilala sa multicollinearity sa modelo. Ang pangkalahatang modelo ay maaaring magpakita ng malakas, istatistika na sapat na paliwanag na kapangyarihan ngunit hindi matukoy kung ang epekto ay karamihan dahil sa rate ng kawalan ng trabaho o sa bagong paunang pag-aangkin na walang trabaho. Ito ang tuklasin ng VIF, at iminumungkahi nito na posibleng ihulog ang isa sa mga variable sa labas ng modelo o paghahanap ng ilang paraan upang pagsamahin ang mga ito upang makuha ang kanilang magkasanib na epekto, depende sa kung anong tiyak na hypothesis ang interesado ng mananaliksik na subukan ang pagsubok.
