Kas yra infliacijos faktorius?
Infliacijos dispersijos fVariance infliacijos koeficientas (VIF) yra daugialypiškumo laipsnio iš kelių regresijos kintamųjų matas. Matematiškai regresijos modelio kintamojo VIF yra lygus bendro modelio dispersijos ir modelio, kuris apima tik tą vieną nepriklausomą kintamąjį, dispersijai. Šis santykis apskaičiuojamas kiekvienam nepriklausomam kintamajam. Aukštas VIF rodo, kad susijęs nepriklausomas kintamasis yra labai tiesinis su kitais modelio kintamaisiais.
Pagrindiniai išvežamieji daiktai
- Infliacijos dispersijos koeficientas (VIF) pateikia daugialypės regresijos modelio nepriklausomų kintamųjų daugialypiškumo rodiklį. Apibūdinti daugiapoliškumą yra svarbu, nes nors tai nesumažina modelio aiškinamosios galios, tačiau sumažina statistinį nepriklausomų kintamųjų reikšmingumą. Didelis VIF apie nepriklausomą kintamąjį rodo aukštą tiesinį ryšį su kitais kintamaisiais, į kuriuos reikėtų atsižvelgti arba pakoreguoti modelio struktūroje ir pasirenkant nepriklausomus kintamuosius.
Infliacijos dispersijos faktoriaus supratimas
Daugybinė regresija naudojama tada, kai asmuo nori išbandyti kelių kintamųjų įtaką tam tikrai baigčiai. Priklausomas kintamasis yra rezultatas, kurį paveikia nepriklausomi kintamieji, kurie yra įvestys į modelį. Daugiakoliarumas egzistuoja, kai yra tiesinis ryšys arba koreliacija tarp vieno ar daugiau nepriklausomų kintamųjų ar įvesties. Daugiakoliarumas sukuria daugialypės regresijos problemą, nes, kadangi visi įėjimai daro įtaką vienas kitam, jie iš tikrųjų nėra nepriklausomi, todėl sunku patikrinti, kiek nepriklausomų kintamųjų derinys veikia priklausomą kintamąjį ar rezultatą regresijos modelyje. Statistiškai vertinant daugialypės regresijos modelį, kai daugiakoliarumas yra didelis, bus sunkiau įvertinti santykį tarp kiekvieno nepriklausomo kintamojo ir priklausomo kintamojo. Nedideli naudojamų duomenų ar modelio lygties struktūros pokyčiai gali sukelti didelius ir netikslius nepriklausomų kintamųjų apskaičiuotų koeficientų pokyčius.
Norėdami įsitikinti, kad modelis tiksliai nurodytas ir tinkamai veikia, yra testai, kuriuos galima atlikti daugialypiškumu. Variacijos infliacijos koeficientas yra viena iš tokių matavimo priemonių. Infliacijos dispersijos faktorių naudojimas padeda nustatyti bet kokio daugialypiškumo klausimo sunkumą, kad būtų galima pritaikyti modelį. Variacijos infliacijos koeficientas matuoja, kokią įtaką nepriklausomo kintamojo elgesiui (dispersijai) daro įtaką arba padidėja jo sąveika / koreliacija su kitais nepriklausomais kintamaisiais. Infliacijos dispersijos faktoriai leidžia greitai įvertinti, kiek kintamasis prisideda prie standartinės regresijos paklaidos. Kai iškyla reikšmingų daugialypiškumo problemų, susijusių kintamųjų infliacijos dispersijos koeficientas bus labai didelis. Identifikavus šiuos kintamuosius, galima naudoti kelis būdus pašalinti ar sujungti kolinearinius kintamuosius, išsprendžiant daugialypiškumo problemą.
Daugiakoliarumas nesumažina bendros modelio numatomosios galios, tačiau jis gali sudaryti regresijos koeficientų įverčius, kurie nėra statistiškai reikšmingi. Tam tikra prasme tai gali būti laikoma tam tikru dvigubu skaičiavimu modelyje. Kai du ar daugiau nepriklausomų kintamųjų yra glaudžiai susiję arba matuoja beveik tą patį dalyką, tada esminis poveikis, kurį jie matuoja, yra kintamiesiems apskaičiuojami du kartus (ar daugiau), ir tampa sunku ar neįmanoma pasakyti, kuris kintamasis iš tikrųjų daro įtaką nepriklausomas kintamasis. Tai yra problema, nes daugelio ekonometrinių modelių tikslas yra patikrinti būtent tokį statistinį ryšį tarp nepriklausomų kintamųjų ir priklausomo kintamojo.
Pavyzdžiui, jei ekonomistas nori patikrinti, ar yra statistiškai reikšmingas ryšys tarp nedarbo lygio (kaip nepriklausomo kintamojo) ir infliacijos lygio (kaip priklausomo kintamojo). Įtraukus papildomus nepriklausomus kintamuosius, susijusius su nedarbo lygiu, tokie nauji pradiniai ieškiniai dėl bedarbių greičiausiai įveda į modelį daugialypiškumą. Bendras modelis gali parodyti stiprią, statistiškai pakankamą aiškinamąją galią, tačiau negali nustatyti, ar poveikis daugiausia susijęs su nedarbo lygiu, ar dėl naujų pradinių ieškinių dėl bedarbių. Būtent tai aptiktų VIF, ir jis siūlytų galbūt išbraukti vieną iš kintamųjų iš modelio arba rasti kokį nors būdą juos įtvirtinti, kad būtų galima užfiksuoti jų bendrą poveikį, atsižvelgiant į tai, kokią konkrečią hipotezę tyrėjas domina.
