Faktor Inflasi Varians (VIF) mengukur keparahan multikolinieriti dalam analisis regresi Analisis Regresi Analisis regresi adalah satu set kaedah statistik yang digunakan untuk penganggaran hubungan antara pemboleh ubah bersandar dan satu atau lebih pemboleh ubah bebas. Ia dapat digunakan untuk menilai kekuatan hubungan antara pemboleh ubah dan untuk memodelkan hubungan masa depan di antara mereka. . Ini adalah konsep statistik yang menunjukkan peningkatan varians pekali regresi sebagai akibat dari collinearity.
Ringkasan
- Faktor inflasi varians (VIF) digunakan untuk mengesan keparahan multikolinieritas dalam analisis regresi kuasa dua biasa (OLS).
- Multikolineariti meningkatkan varians dan ralat jenis II. Ini menjadikan pekali pemboleh ubah konsisten tetapi tidak boleh dipercayai.
- VIF mengukur jumlah varians yang meningkat disebabkan oleh multikolinieriti.
Faktor Inflasi Varians dan Multikolineariti
Dalam analisis regresi kuadrat minimum (OLS), multikolinieritas wujud apabila dua atau lebih pemboleh ubah bebas Pemboleh ubah bebas Pemboleh ubah bebas adalah input, andaian, atau pemacu yang diubah untuk menilai kesannya pada pemboleh ubah bersandar (hasilnya) . menunjukkan hubungan linear antara mereka. Sebagai contoh, untuk menganalisis hubungan ukuran dan pendapatan syarikat dengan harga saham dalam model regresi, permodalan pasaran dan pendapatan adalah pemboleh ubah bebas.
Permodalan pasaran syarikat Permodalan pasaran Permodalan pasaran (Market Cap) adalah nilai pasaran terkini dari saham tertunggak syarikat. Cap pasaran sama dengan harga saham semasa dikalikan dengan jumlah saham tertunggak. Komuniti pelaburan sering menggunakan nilai permodalan pasaran untuk memberi peringkat syarikat dan jumlah pendapatannya sangat berkorelasi. Oleh kerana syarikat memperoleh pendapatan yang meningkat, syarikat juga bertambah besar. Ini membawa kepada masalah multikolineariti dalam analisis regresi OLS. Sekiranya pemboleh ubah bebas dalam model regresi menunjukkan hubungan linear yang dapat diramalkan dengan sempurna, ia dikenali sebagai multikolinieriti sempurna.
Dengan multikolineariti, pekali regresi masih konsisten tetapi tidak lagi boleh dipercayai kerana kesalahan standard meningkat. Ini bermaksud bahawa daya ramalan model tidak dikurangkan, tetapi pekali mungkin tidak signifikan secara statistik dengan ralat Jenis II Kesalahan Jenis II Dalam pengujian hipotesis statistik, ralat jenis II adalah keadaan di mana ujian hipotesis gagal menolak hipotesis nol yang adalah palsu. Dalam yang lain.
Oleh itu, jika pekali pemboleh ubah tidak signifikan secara individu - tidak dapat ditolak dalam ujian-t, masing-masing - tetapi dapat bersama-sama menjelaskan variasi pemboleh ubah bersandar dengan penolakan dalam ujian-F dan pekali penentuan yang tinggi (R2), multikolineariti mungkin wujud. Ini adalah salah satu kaedah untuk mengesan multikolineariti.
VIF adalah alat lain yang biasa digunakan untuk mengesan sama ada multikolineariti wujud dalam model regresi. Ini mengukur berapa banyak varians (atau ralat piawai) dari anggaran pekali regresi meningkat kerana collinearity.
Penggunaan Faktor Inflasi Varians
VIF boleh dikira dengan formula di bawah:
Di mana R i 2 mewakili pekali penentuan yang tidak disesuaikan untuk regresi pemboleh ubah bebas dengan yang selebihnya. Kebalikan VIF dikenali sebagai toleransi . Sama ada VIF atau toleransi boleh digunakan untuk mengesan multikolineariti, bergantung pada pilihan peribadi.
Sekiranya R i 2 sama dengan 0, varians selebihnya bebas tidak dapat diramalkan dari pemboleh ubah bebas. Oleh itu, apabila VIF atau toleransi sama dengan 1, pemboleh ubah bebas tidak berkorelasi dengan selebihnya, yang bermaksud multikolineariti tidak wujud dalam model regresi ini. Dalam kes ini, varians pekali regresi ith tidak meningkat.
Secara amnya, VIF di atas 4 atau toleransi di bawah 0.25 menunjukkan bahawa multikolineariti mungkin wujud, dan penyelidikan lebih lanjut diperlukan. Apabila VIF lebih tinggi daripada 10 atau toleransi lebih rendah daripada 0.1, terdapat banyak keragaman yang perlu diperbetulkan.
Walau bagaimanapun, terdapat juga situasi di mana VFI tinggi dapat diabaikan dengan selamat tanpa mengalami multikolinieriti. Berikut adalah tiga situasi seperti ini:
1. VIF tinggi hanya wujud dalam pemboleh ubah kawalan, tetapi tidak dalam pemboleh ubah minat. Dalam kes ini, pemboleh ubah yang menarik tidak saling berkaitan antara satu sama lain atau pemboleh ubah kawalan. Pekali regresi tidak dipengaruhi.
2. Apabila VIF tinggi disebabkan oleh kemasukan produk atau kuasa pemboleh ubah lain, multikolinieriti tidak menyebabkan kesan negatif. Sebagai contoh, model regresi merangkumi kedua-dua x dan x2 sebagai pemboleh ubah bebasnya.
3. Apabila pemboleh ubah palsu yang mewakili lebih daripada dua kategori mempunyai VIF yang tinggi, multikolinieriti tidak semestinya wujud. Pemboleh ubah akan selalu mempunyai VIF yang tinggi jika terdapat sebilangan kecil kes dalam kategori tersebut, tanpa mengira sama ada pemboleh ubah kategori berkorelasi dengan pemboleh ubah lain.
Pembetulan Multikolineariti
Oleh kerana multikolineariti meningkatkan variasi pekali dan menyebabkan ralat jenis II, adalah mustahak untuk mengesan dan membetulkannya. Terdapat dua cara mudah dan biasa digunakan untuk membetulkan multikolineariti, seperti yang disenaraikan di bawah:
1. Yang pertama adalah membuang satu (atau lebih) pemboleh ubah yang sangat berkorelasi. Oleh kerana maklumat yang diberikan oleh pemboleh ubah berlebihan, pekali penentuan tidak akan terganggu oleh penghapusan.
2. Kaedah kedua adalah dengan menggunakan analisis komponen utama (PCA) atau regresi separa paling sedikit (PLS) dan bukannya regresi OLS. Regresi PLS dapat mengurangkan pemboleh ubah ke set yang lebih kecil tanpa korelasi di antara mereka. Dalam PCA, pemboleh ubah tidak berkorelasi dibuat. Ini meminimumkan kehilangan maklumat dan meningkatkan jangkaan model.
Lebih Banyak Sumber
Kewangan adalah penyedia rasmi perakuan Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certified Banking & Credit Analyst (CBCA) ™ akreditasi adalah standard global untuk penganalisis kredit yang merangkumi kewangan, perakaunan, analisis kredit, analisis aliran tunai , pemodelan perjanjian, pembayaran pinjaman, dan banyak lagi. program pensijilan, yang direka untuk membantu sesiapa sahaja menjadi penganalisis kewangan bertaraf dunia. Untuk terus memajukan kerjaya anda, sumber tambahan di bawah akan berguna:
- Konsep Statistik Asas dalam Kewangan Konsep Statistik Asas untuk Kewangan Pemahaman yang kukuh mengenai statistik sangat penting dalam membantu kita memahami kewangan dengan lebih baik. Lebih-lebih lagi, konsep statistik dapat membantu pemantau memantau
- Kaedah Ramalan Kaedah Ramalan Kaedah Ramalan Teratas. Dalam artikel ini, kami akan menerangkan empat jenis kaedah ramalan pendapatan yang digunakan penganalisis kewangan untuk meramalkan pendapatan masa depan.
- Regresi Linear Berganda Regresi Linier Berganda Regresi linear berganda merujuk kepada teknik statistik yang digunakan untuk meramalkan hasil pemboleh ubah bersandar berdasarkan nilai pemboleh ubah bebas
- Pemboleh ubah Rawak Pemboleh ubah Rawak Pemboleh ubah rawak (pemboleh ubah stokastik) adalah jenis pemboleh ubah dalam statistik yang kemungkinan nilai bergantung kepada hasil fenomena rawak
