Фактор варијације инфлације (ВИФ) мери озбиљност мултиколинеарности у регресионој анализи Регресијска анализа Регресијска анализа је скуп статистичких метода који се користе за процену односа између зависне променљиве и једне или више независних променљивих. Може се користити за процену снаге односа између променљивих и за моделирање будућег односа између њих. . То је статистички концепт који указује на повећање варијансе коефицијента регресије као резултат колинеарности.
Резиме
- Фактор инфлације варијансе (ВИФ) користи се за откривање озбиљности мултиколинеарности у регресионој анализи обичног најмањег квадрата (ОЛС).
- Мултиколинеарност надувава варијансу и грешку типа ИИ. Чини коефицијент променљиве доследним, али непоузданим.
- ВИФ мери број надуваних варијанси изазваних мултиколинеарношћу.
Фактор варијације инфлације и мултиколинеарност
У обичној регресионој анализи најмање квадратног (ОЛС), мултиколинеарност постоји када су две или више независних променљивих Независна променљива Независна променљива је улаз, претпоставка или покретач који се мења да би се проценио њен утицај на зависну променљиву (исход) . демонстрирају линеарни однос између њих. На пример, да би се у регресионом моделу анализирала веза величине и прихода предузећа са ценама акција, независне променљиве су тржишна капитализација и приходи.
Тржишна капитализација компаније Тржишна капитализација Тржишна капитализација (тржишна капитализација) је најновија тржишна вредност издатих акција компаније. Тржишна капитализација једнака је тренутној цени акција помноженој са бројем издатих акција. Инвестицијска заједница често користи вредност тржишне капитализације за рангирање компанија и њен укупни приход је у снажној корелацији. Како компанија зарађује све веће приходе, она такође расте у величини. То доводи до проблема мултиколинеарности у ОЛС регресионој анализи. Ако независне променљиве у регресионом моделу показују савршено предвидљив линеарни однос, то је познато као савршена мултиколинеарност.
Са мултиколинеарношћу, коефицијенти регресије су и даље конзистентни, али више нису поуздани јер су стандардне грешке надуване. То значи да предиктивна снага модела није смањена, али коефицијенти можда неће бити статистички значајни са грешком типа ИИ Грешка типа ИИ У статистичком тестирању хипотеза, грешка типа ИИ је ситуација у којој тест хипотезе не одбија нулту хипотезу да је лажно. У другим .
Према томе, ако коефицијенти променљивих нису појединачно значајни - не могу се одбити у т-тесту, - али могу заједно објаснити варијансу зависне променљиве одбацивањем у Ф-тесту и високим коефицијентом утврђивања (Р2), мултиколинеарност може постојати. То је једна од метода за откривање мултиколинеарности.
ВИФ је још један често коришћени алат за откривање да ли у регресионом моделу постоји мултиколинеарност. Он мери колико је варијанса (или стандардна грешка) процењеног коефицијента регресије надувана због колинеарности.
Употреба фактора варијације инфлације
ВИФ се може израчунати према доњој формули:
Где Р.и2 представља неприлагођени коефицијент детерминације за регресирање и-те независне променљиве на преостале. Узајамност ВИФ-а позната је као толеранција. За откривање мултиколинеарности могу се користити или ВИФ или толеранција, у зависности од личних преференција.
Ако је Р.и2 је једнако 0, варијанса преосталих независних променљивих не може се предвидети из и-те независне променљиве. Према томе, када је ВИФ или толеранција једнака 1, и-та независна променљива није у корелацији са преосталим, што значи да у овом регресионом моделу не постоји мултиколинеарност. У овом случају, варијанса и коефицијента регресије није надувана.
Генерално, ВИФ изнад 4 или толеранција испод 0,25 указује на могућност постојања мултиколинеарности и потребна су даља истраживања. Када је ВИФ већи од 10 или је толеранција мања од 0,1, постоји значајна мултиколинеарност коју треба исправити.
Међутим, постоје и ситуације у којима се високи ВФИ могу сигурно игнорисати без патње од мултиколинеарности. Следе три такве ситуације:
1. Високи ВИФ постоје само у контролним променљивим, али не и у променљивима од интереса. У овом случају, променљиве од интереса нису колинеарне једна према другој или контролне променљиве. На коефицијенте регресије то не утиче.
2. Када су високи ВИФ узроковани као резултат укључивања производа или моћи других променљивих, мултиколинеарност не изазива негативне утицаје. На пример, регресијски модел укључује и к и к2 као своје независне променљиве.
3. Када лажна променљива која представља више од две категорије има висок ВИФ, мултиколинеарност не мора нужно постојати. Променљиве ће увек имати високе ВИФ-ове ако постоји мали део случајева у категорији, без обзира на то да ли су категоричке променљиве повезане са другим променљивим.
Исправка мултиколинеарности
Будући да мултиколинеарност надувава варијансу коефицијената и узрокује грешке типа ИИ, неопходно је открити је и исправити. Постоје два једноставна и најчешће коришћена начина за исправљање мултиколинеарности, као што је наведено у наставку:
1. Прва је уклањање једне (или више) високо корелираних променљивих. Будући да су информације које пружају променљиве сувишне, уклањањем неће бити знатно нарушен коефицијент утврђености.
2. Друга метода је употреба анализе главних компонената (ПЦА) или делимичне регресије најмањих квадрата (ПЛС) уместо ОЛС регресије. ПЛС регресија може смањити варијабле на мањи скуп без корелације међу њима. У ПЦА се креирају нове некорелиране променљиве. Минимизира губитак информација и побољшава предвидљивост модела.
Више ресурса
Финанце је званични добављач глобалног сертификованог банкарског и кредитног аналитичара (ЦБЦА) ™ ЦБЦА ™ сертификација Акредитација сертификованог банкарског и кредитног аналитичара (ЦБЦА) ™ је глобални стандард за кредитне аналитичаре који покрива финансије, рачуноводство, кредитну анализу, анализу новчаног тока , моделирање савеза, отплата кредита и још много тога. програм сертификације, осмишљен да помогне свима да постану финансијски аналитичари светске класе. Да бисте наставили напредовати у каријери, додатни ресурси у наставку биће вам корисни:
- Основни појмови о статистици у финансијама Основни појмови о статистици о финансијама Чврсто разумевање статистике од пресудне је важности за боље разумевање финансија. Штавише, концепти статистике могу помоћи инвеститорима да надгледају
- Методе предвиђања Методе предвиђања Врхунске методе предвиђања. У овом чланку ћемо објаснити четири врсте метода предвиђања прихода које финансијски аналитичари користе за предвиђање будућих прихода.
- Вишеструка линеарна регресија Вишеструка линеарна регресија Вишеструка линеарна регресија односи се на статистичку технику која се користи за предвиђање исхода зависне променљиве на основу вредности независних променљивих
- Случајна променљива Случајна променљива Случајна променљива (стохастичка променљива) је врста променљиве у статистици чије могуће вредности зависе од исхода одређене случајне појаве
