Apa itu Faktor Inflasi Varians?
Variance inflationfVariance inflation factor (VIF) adalah ukuran jumlah multikolinieritas dalam satu set variabel regresi berganda. Secara matematis, VIF untuk variabel model regresi sama dengan rasio varian model keseluruhan terhadap varian model yang hanya mencakup variabel independen tunggal. Rasio ini dihitung untuk setiap variabel independen. VIF yang tinggi menunjukkan bahwa variabel independen terkait sangat collinear dengan variabel lain dalam model.
Pengambilan Kunci
- Variance inflation factor (VIF) memberikan ukuran multikolinieritas di antara variabel-variabel independen dalam model regresi berganda. Mendeteksi multikolinieritas penting karena walaupun tidak mengurangi kekuatan penjelas model, ia mengurangi signifikansi statistik dari variabel independen. VIF besar pada variabel independen menunjukkan hubungan yang sangat collinear dengan variabel lain yang harus dipertimbangkan atau disesuaikan dalam struktur model dan pemilihan variabel independen.
Memahami Faktor Inflasi Varians
Regresi berganda digunakan ketika seseorang ingin menguji pengaruh beberapa variabel terhadap hasil tertentu. Variabel dependen adalah hasil yang ditindaklanjuti oleh variabel independen, yang merupakan input ke dalam model. Multikolinieritas ada ketika ada hubungan linier, atau korelasi, antara satu atau lebih variabel atau input independen. Multikolinieritas menciptakan masalah dalam regresi berganda karena karena semua input saling mempengaruhi, mereka tidak benar-benar independen, dan sulit untuk menguji seberapa banyak kombinasi variabel independen mempengaruhi variabel dependen, atau hasil, dalam model regresi. Dalam istilah statistik, model regresi berganda di mana terdapat multikolinieritas tinggi akan membuat lebih sulit untuk memperkirakan hubungan antara masing-masing variabel independen dan variabel dependen. Perubahan kecil dalam data yang digunakan atau dalam struktur model persamaan dapat menghasilkan perubahan besar dan tidak menentu dalam koefisien estimasi pada variabel independen.
Untuk memastikan model ditentukan dan berfungsi dengan benar, ada tes yang dapat dijalankan untuk multikolinieritas. Varians faktor inflasi adalah salah satu alat pengukur tersebut. Menggunakan variance inflation factor membantu mengidentifikasi keparahan masalah multikolinieritas apa pun sehingga model dapat disesuaikan. Varians faktor inflasi mengukur seberapa besar perilaku (varians) dari variabel independen dipengaruhi, atau meningkat, oleh interaksi / korelasinya dengan variabel independen lainnya. Varians faktor inflasi memungkinkan pengukuran cepat seberapa banyak variabel berkontribusi terhadap kesalahan standar dalam regresi. Ketika masalah multikolinieritas yang signifikan ada, faktor inflasi varians akan sangat besar untuk variabel yang terlibat. Setelah variabel-variabel ini diidentifikasi, beberapa pendekatan dapat digunakan untuk menghilangkan atau menggabungkan variabel collinear, menyelesaikan masalah multikolinieritas.
Sementara multikolinieritas tidak mengurangi daya prediksi keseluruhan model, itu dapat menghasilkan estimasi koefisien regresi yang tidak signifikan secara statistik. Dalam arti tertentu, ini dapat dianggap sebagai semacam penghitungan ganda dalam model. Ketika dua atau lebih variabel independen terkait erat atau mengukur hal yang hampir sama, maka efek mendasar yang diukur diukur dua kali (atau lebih) di seluruh variabel, dan menjadi sulit atau tidak mungkin untuk mengatakan variabel mana yang benar-benar mempengaruhi variabel bebas. Ini adalah masalah karena tujuan dari banyak model ekonometrik adalah untuk menguji hubungan statistik semacam ini antara variabel independen dan variabel dependen.
Misalnya, jika seorang ekonom ingin menguji apakah ada hubungan yang signifikan secara statistik antara tingkat pengangguran (sebagai variabel independen) dan tingkat inflasi (sebagai variabel dependen). Termasuk variabel independen tambahan yang terkait dengan tingkat pengangguran, seperti klaim pengangguran awal yang baru, kemungkinan akan memperkenalkan multikolinieritas ke dalam model. Model keseluruhan mungkin menunjukkan kekuatan penjelas yang kuat, cukup secara statistik tetapi tidak dapat mengidentifikasi apakah efeknya sebagian besar disebabkan oleh tingkat pengangguran atau klaim pengangguran awal yang baru. Inilah yang akan dideteksi oleh VIF, dan itu akan menyarankan kemungkinan menjatuhkan salah satu variabel dari model atau menemukan beberapa cara untuk mengkonsolidasikan mereka untuk menangkap efek bersama mereka, tergantung pada hipotesis spesifik apa yang peneliti tertarik untuk menguji.
