Hệ số lạm phát phương sai (VIF)
Hệ số lạm phát phương sai (VIF) là thước đo lượng đa cộng tuyến trong phân tích hồi quy. Đa cộng tuyến tồn tại khi có mối tương quan
Hệ số lạm phát phương sai (VIF)
Hệ số lạm phát phương sai (VIF) là thước đo lượng đa cộng tuyến trong phân tích hồi quy. Đa cộng tuyến tồn tại khi có mối tương quan giữa nhiều biến độc lập trong mô hình hồi quy bội. Điều này có thể ảnh hưởng xấu đến kết quả hồi quy. Do đó, hệ số thổi phồng phương sai có thể ước tính mức độ chênh lệch của một hệ số hồi quy bị thổi phồng do hiện tượng đa cộng tuyến.
Hiểu về Hệ số Lạm phát Khác biệt (VIF)
Hệ số lạm phát phương sai là một công cụ giúp xác định mức độ đa cộng tuyến. Hồi quy bội được sử dụng khi một người muốn kiểm tra tác động của nhiều biến đối với một kết quả cụ thể. Biến phụ thuộc là kết quả được tác động bởi các biến độc lập—đầu vào của mô hình. Đa cộng tuyến tồn tại khi có mối quan hệ tuyến tính hoặc tương quan giữa một hoặc nhiều biến độc lập hoặc đầu vào.
Đa cộng tuyến tạo ra một vấn đề trong mô hình hồi quy bội vì tất cả các yếu tố đầu vào đều ảnh hưởng lẫn nhau. Do đó, chúng không thực sự độc lập và rất khó kiểm tra mức độ ảnh hưởng của sự kết hợp của các biến độc lập đến biến phụ thuộc hoặc kết quả trong mô hình hồi quy.
Mặc dù đa cộng tuyến không làm giảm khả năng dự đoán tổng thể của mô hình, nhưng nó có thể tạo ra các ước tính về các hệ số hồi quy không có ý nghĩa thống kê. Theo một nghĩa nào đó, nó có thể được coi là một kiểu đếm hai lần trong mô hình.
Về mặt thống kê, một mô hình hồi quy bội có tính đa cộng tuyến cao sẽ khiến việc ước tính mối quan hệ giữa từng biến độc lập và biến phụ thuộc trở nên khó khăn hơn. Nói cách khác, khi hai hoặc nhiều biến độc lập có liên quan chặt chẽ với nhau hoặc đo lường gần như cùng một thứ, thì tác động cơ bản mà chúng đo lường được tính đến hai lần (hoặc nhiều hơn) trên các biến. Khi các biến độc lập có quan hệ mật thiết với nhau, sẽ rất khó để nói biến nào đang ảnh hưởng đến các biến phụ thuộc.
Những thay đổi nhỏ trong dữ liệu được sử dụng hoặc trong cấu trúc của phương trình mô hình có thể tạo ra những thay đổi lớn và thất thường trong các hệ số ước tính trên các biến độc lập. Đây là một vấn đề vì mục tiêu của nhiều mô hình kinh tế lượng là kiểm tra chính xác loại mối quan hệ thống kê này giữa biến độc lập và biến phụ thuộc.
Để đảm bảo mô hình được chỉ định chính xác và hoạt động chính xác, có thể chạy các thử nghiệm về đa cộng tuyến. Yếu tố lạm phát phương sai là một trong những công cụ đo lường như vậy. Sử dụng các hệ số lạm phát phương sai giúp xác định mức độ nghiêm trọng của bất kỳ vấn đề đa cộng tuyến nào để có thể điều chỉnh mô hình. Hệ số lạm phát phương sai đo mức độ hành vi (phương sai) của một biến độc lập bị ảnh hưởng hoặc bị thổi phồng bởi sự tương tác/tương quan của nó với các biến độc lập khác.
Các yếu tố lạm phát phương sai cho phép đo lường nhanh mức độ mà một biến góp phần vào lỗi tiêu chuẩn trong hồi quy. Khi các vấn đề đa cộng tuyến quan trọng tồn tại, hệ số lạm phát phương sai sẽ rất lớn đối với các biến liên quan. Sau khi các biến này được xác định, một số phương pháp có thể được sử dụng để loại bỏ hoặc kết hợp các biến cộng tuyến, giải quyết vấn đề đa cộng tuyến.
Công thức và cách tính VIF
Công thức của VIF là:
Trong đó Ri2 đại diện cho hệ số xác định chưa điều chỉnh để hồi quy biến độc lập thứ ith trên các biến còn lại.
VIF có thể cho bạn biết điều gì?
Khi Ri2 bằng 0, và do đó, khi VIF hoặc dung sai bằng 1, biến độc lập thứ ith không tương quan với các số còn lại, nghĩa là không tồn tại đa cộng tuyến.
Nói chung,
VIF càng cao thì khả năng tồn tại đa cộng tuyến càng cao và cần phải nghiên cứu thêm. Khi VIF cao hơn 10, có hiện tượng đa cộng tuyến đáng kể cần được điều chỉnh.
Ví dụ về Sử dụng VIF
Ví dụ: giả sử một nhà kinh tế muốn kiểm tra xem có mối quan hệ có ý nghĩa thống kê giữa tỷ lệ thất nghiệp (biến độc lập) và tỷ lệ lạm phát (biến phụ thuộc) hay không. Bao gồm các biến độc lập bổ sung có liên quan đến tỷ lệ thất nghiệp, chẳng hạn như yêu cầu trợ cấp thất nghiệp, sẽ có khả năng đưa tính đa cộng tuyến vào mô hình.
Mô hình tổng thể có thể cho thấy khả năng giải thích mạnh mẽ, đầy đủ về mặt thống kê, nhưng không thể xác định liệu tác động chủ yếu là do tỷ lệ thất nghiệp hay do số lượng đơn xin trợ cấp thất nghiệp ban đầu mới. Đây là những gì VIF sẽ phát hiện và nó sẽ gợi ý có thể loại bỏ một trong các biến số ra khỏi mô hình hoặc tìm cách nào đó hợp nhất chúng để nắm bắt tác động chung của chúng tùy thuộc vào giả thuyết cụ thể mà nhà nghiên cứu muốn thử nghiệm.
Giá trị VIF tốt là gì?
Theo nguyên tắc thông thường, VIF từ ba trở xuống không phải là vấn đề đáng lo ngại. Khi VIF tăng lên, kết quả hồi quy của bạn sẽ kém tin cậy hơn.
VIF bằng 1 có nghĩa là gì?
VIF bằng 1 có nghĩa là các biến không tương quan và không tồn tại đa cộng tuyến trong mô hình hồi quy.
VIF được sử dụng để làm gì?
VIF đo lường mức độ tương quan giữa các biến độc lập trong phân tích hồi quy. Mối tương quan này được gọi là đa cộng tuyến, có thể gây ra vấn đề cho các mô hình hồi quy.
Điểm mấu chốt
Mặc dù một mô hình hồi quy có thể chấp nhận được một lượng đa cộng tuyến vừa phải, nhưng đa cộng tuyến cao hơn có thể là một nguyên nhân đáng lo ngại.
Có thể thực hiện hai biện pháp để khắc phục hiện tượng đa cộng tuyến cao. Thứ nhất, có thể loại bỏ một hoặc nhiều biến có tương quan cao vì thông tin do các biến này cung cấp là dư thừa. Phương pháp thứ hai là sử dụng phân tích thành phần chính hoặc hồi quy bình phương nhỏ nhất một phần thay vì hồi quy OLS, phương pháp này có thể giảm tương ứng các biến thành một tập hợp nhỏ hơn không có tương quan hoặc tạo các biến mới không tương quan. Điều này sẽ cải thiện khả năng dự đoán của một mô hình.
CFI. “Hệ số lạm phát phương sai.”
Isixsigma. “Hệ số lạm phát phương sai (VIF).”
Phân tích tài chính
Các tỷ số tài chính
Khái niệm phân tích kỹ thuật nâng cao
Các tỷ số tài chính
Quản lý danh mục đầu tư
Phân tích tài chính
Hệ số lạm phát phương sai (VIF)
Hệ số lạm phát phương sai (VIF) là thước đo lượng đa cộng tuyến trong phân tích hồi quy. Đa cộng tuyến tồn tại khi có mối tương quan
