Kas ir dispersijas inflācijas faktors?
Inflācijas dispersijas fVariance inflācijas koeficients (VIF) ir multiklinearitātes daudzuma mērījums vairāku regresijas mainīgo virknē. Matemātiski VIF regresijas modeļa mainīgajam ir vienāds ar kopējo modeļa dispersijas attiecību pret modeļa dispersiju, kas ietver tikai šo atsevišķo neatkarīgo mainīgo. Šo attiecību aprēķina katram neatkarīgajam mainīgajam. Augsts VIF norāda, ka saistītais neatkarīgais mainīgais ir ļoti kolineārs ar pārējiem modeļa mainīgajiem.
Taustiņu izņemšana
- Inflācijas dispersijas koeficients (VIF) nodrošina daudzkolonialitātes mērījumu starp neatkarīgajiem mainīgajiem daudzkārtējās regresijas modelī. Daudzkoloģiskuma noteikšana ir svarīga, jo, lai arī tas nemazina modeļa skaidrojošo spēku, tas tomēr samazina neatkarīgo mainīgo statistisko nozīmīgumu. Liels VIF neatkarīgam mainīgajam norāda uz ļoti kolināru saistību ar citiem mainīgajiem, kas jāņem vērā vai jāpielāgo modeļa struktūrā un neatkarīgo mainīgo izvēlē.
Izpratne par dispersijas inflācijas koeficientu
Vairāku regresiju izmanto, ja persona vēlas pārbaudīt vairāku mainīgo lielumu ietekmi uz noteiktu iznākumu. Atkarīgais mainīgais ir rezultāts, uz kuru reaģē neatkarīgi mainīgie, kas ir modeļa ievadi. Daudzkrāsainība pastāv, ja pastāv lineāra saikne vai korelācija starp vienu vai vairākiem neatkarīgiem mainīgajiem vai ieejām. Daudzkrāsainība rada problēmu daudzkārtējā regresijā, jo, tā kā visi ieejas ietekmē viens otru, tās faktiski nav neatkarīgas, un ir grūti pārbaudīt, cik lielā mērā neatkarīgo mainīgo kombinācija ietekmē atkarīgo mainīgo vai iznākumu regresijas modelī.. Statistikas izteiksmē daudzkārtējas regresijas modelis, kurā ir augsta daudzkolīnija, apgrūtinās sakarību novērtēšanu starp katru no neatkarīgajiem mainīgajiem un atkarīgo mainīgo. Nelielas izmaiņas izmantotajos datos vai modeļa vienādojuma struktūrā var radīt lielas un neparastas izmaiņas neatkarīgo mainīgo aplēstajos koeficientos.
Lai pārliecinātos, ka modelis ir pareizi norādīts un darbojas pareizi, ir testi, kurus var veikt ar daudzkrāsainību. Viens no šādiem mērīšanas instrumentiem ir dispersijas inflācijas koeficients. Inflācijas dispersijas koeficientu izmantošana palīdz noteikt daudzkoloģiskuma problēmu smagumu, lai modeli varētu pielāgot. Inflācijas novirzes koeficients mēra, cik ļoti neatkarīga mainīgā uzvedību (dispersiju) ietekmē vai palielina tā mijiedarbība / korelācija ar citiem neatkarīgajiem mainīgajiem. Inflācijas novirzes koeficienti ļauj ātri noteikt, cik daudz mainīgais veicina regresijas standarta kļūdu. Ja rodas nozīmīgas daudzkolīnijas problēmas, dispersijas inflācijas koeficients iesaistītajiem mainīgajiem būs ļoti liels. Pēc tam, kad šie mainīgie ir identificēti, var izmantot vairākas pieejas, lai izslēgtu vai apvienotu kolineāros mainīgos lielumus, atrisinot daudzkolonitātes problēmu.
Lai gan daudzkolīnija nesamazina modeļa vispārējo paredzamību, tā var radīt regresijas koeficientu aprēķinus, kas nav statistiski nozīmīgi. Savā ziņā to var uzskatīt par sava veida divkāršu uzskaiti modelī. Ja divi vai vairāki neatkarīgi mainīgie lielumi ir cieši saistīti vai mēra gandrīz vienu un to pašu, tad to radītais efekts tiek mainīts divreiz (vai vairāk) visiem mainīgajiem, un kļūst grūti vai neiespējami pateikt, kurš mainīgais faktiski ietekmē neatkarīgais mainīgais. Tā ir problēma, jo daudzu ekonometrisko modeļu mērķis ir pārbaudīt tieši šāda veida statistiskās attiecības starp neatkarīgajiem mainīgajiem un atkarīgajiem mainīgajiem.
Piemēram, ja ekonomists vēlas pārbaudīt, vai pastāv statistiski nozīmīga saistība starp bezdarba līmeni (kā neatkarīgu mainīgo) un inflācijas līmeni (kā atkarīgo mainīgo). Iekļaujot papildu neatkarīgus mainīgos lielumus, kas saistīti ar bezdarba līmeni, piemēram, jauns sākotnējais bezdarbnieku pieprasījums, visticamāk, modelī ieviesīs daudzkolīniju. Kopējais modelis varētu parādīt spēcīgu, statistiski pietiekamu skaidrojošo spēku, taču nespēj noteikt, vai ietekme galvenokārt ir saistīta ar bezdarba līmeni vai jaunām sākotnējām bezdarbnieku prasībām. Tas ir tas, ko VIF varētu atklāt, un tas ierosinātu, iespējams, kādu no mainīgajiem izstumt no modeļa vai atrast veidu, kā tos konsolidēt, lai uztvertu to kopējo efektu, atkarībā no tā, kādu konkrētu hipotēzi pētnieks ir ieinteresējis testēt.
