Variance Inflation Factor (VIF) mengukur tingkat keparahan multikolinearitas dalam analisis regresi Analisis Regresi Analisis regresi adalah sekumpulan metode statistik yang digunakan untuk estimasi hubungan antara variabel dependen dan satu atau lebih variabel independen. Ini dapat digunakan untuk menilai kekuatan hubungan antara variabel dan untuk memodelkan hubungan masa depan di antara mereka. . Ini adalah konsep statistik yang menunjukkan peningkatan varians dari koefisien regresi sebagai akibat dari kolinearitas.
Ringkasan
- Variance inflation factor (VIF) digunakan untuk mendeteksi derajat keparahan multikolinearitas dalam analisis regresi ordinary least square (OLS).
- Multikolinieritas meningkatkan varian dan kesalahan tipe II. Itu membuat koefisien variabel konsisten tetapi tidak dapat diandalkan.
- VIF mengukur jumlah varians yang meningkat yang disebabkan oleh multikolinearitas.
Varians Faktor Inflasi dan Multikolinearitas
Dalam analisis regresi OLS (ordinary least square), multikolinearitas terjadi ketika dua atau lebih variabel independen Variabel Independen Variabel independen adalah input, asumsi, atau pendorong yang diubah untuk menilai dampaknya terhadap variabel dependen (hasil) . menunjukkan hubungan linier di antara mereka. Misalnya, untuk menganalisis hubungan ukuran perusahaan dan pendapatan terhadap harga saham dalam model regresi, kapitalisasi pasar dan pendapatan adalah variabel independen.
Kapitalisasi pasar perusahaan Kapitalisasi Pasar Kapitalisasi Pasar (Kapitalisasi Pasar) adalah nilai pasar terkini dari saham beredar perusahaan. Kapitalisasi Pasar sama dengan harga saham saat ini dikalikan dengan jumlah saham yang beredar. Komunitas investor sering menggunakan nilai kapitalisasi pasar untuk menentukan peringkat perusahaan dan total pendapatannya berkorelasi kuat. Seiring dengan peningkatan pendapatan perusahaan, perusahaan juga tumbuh dalam ukuran. Ini mengarah pada masalah multikolinearitas dalam analisis regresi OLS. Variabel independen dalam model regresi menunjukkan hubungan linier yang dapat diprediksi secara sempurna, maka disebut multikolinieritas sempurna.
Dengan multikolinearitas, koefisien regresi masih konsisten tetapi tidak lagi dapat diandalkan karena kesalahan standar digelembungkan. Ini berarti bahwa kekuatan prediksi model tidak berkurang, tetapi koefisien mungkin tidak signifikan secara statistik dengan kesalahan Tipe II Kesalahan Tipe II Dalam pengujian hipotesis statistik, kesalahan tipe II adalah situasi di mana uji hipotesis gagal menolak hipotesis nol yang salah. Di lain.
Oleh karena itu, jika koefisien variabel tidak signifikan secara individual - masing-masing tidak dapat ditolak dalam uji-t - tetapi dapat secara bersama-sama menjelaskan varians variabel terikat dengan penolakan pada uji-F dan koefisien determinasi (R2) yang tinggi, multikolinearitas mungkin ada. Ini adalah salah satu metode untuk mendeteksi multikolinearitas.
VIF adalah alat lain yang umum digunakan untuk mendeteksi apakah multikolinearitas ada dalam model regresi. Ini mengukur seberapa besar varians (atau kesalahan standar) dari koefisien regresi yang diperkirakan meningkat karena collinearity.
Penggunaan Varians Faktor Inflasi
VIF dapat dihitung dengan rumus di bawah ini:
Dimana R i 2 mewakili koefisien determinasi yang tidak disesuaikan untuk meregresi variabel independen ke-i pada variabel yang tersisa. Kebalikan dari VIF dikenal sebagai toleransi . Baik VIF atau toleransi dapat digunakan untuk mendeteksi multikolinearitas, bergantung pada preferensi pribadi.
Jika R i 2 sama dengan 0, maka varians dari variabel independen yang tersisa tidak dapat diprediksi dari variabel independen ke-i. Oleh karena itu, jika VIF atau toleransi sama dengan 1, maka variabel independen ke-i tidak berkorelasi dengan variabel lain yang berarti tidak terdapat multikolinieritas dalam model regresi ini. Dalam hal ini, varians dari koefisien regresi ke-i tidak meningkat.
Umumnya, VIF di atas 4 atau toleransi di bawah 0,25 menunjukkan bahwa multikolinearitas mungkin ada, dan penyelidikan lebih lanjut diperlukan. Jika VIF lebih tinggi dari 10 atau toleransi lebih rendah dari 0,1, terdapat multikolinearitas yang signifikan yang perlu diperbaiki.
Namun, ada juga situasi di mana VFI tinggi dapat diabaikan dengan aman tanpa mengalami multikolinearitas. Berikut adalah tiga situasi tersebut:
1. VIF tinggi hanya ada di variabel kontrol, tetapi tidak di variabel yang diminati. Dalam hal ini, variabel kepentingan tidak saling bertabrakan atau variabel kontrol. Koefisien regresi tidak terpengaruh.
2. Ketika VIF tinggi disebabkan sebagai hasil dari penyertaan produk atau kekuatan variabel lain, multikolinearitas tidak menyebabkan dampak negatif. Misalnya, model regresi menyertakan x dan x2 sebagai variabel independennya.
3. Ketika variabel dummy yang mewakili lebih dari dua kategori memiliki VIF yang tinggi, multikolinearitas tidak selalu ada. Variabel akan selalu memiliki VIF yang tinggi jika ada sebagian kecil kasus dalam kategori, terlepas dari apakah variabel kategori berkorelasi dengan variabel lain.
Koreksi Multikolinearitas
Karena multikolinearitas meningkatkan varians koefisien dan menyebabkan kesalahan tipe II, penting untuk mendeteksi dan memperbaikinya. Ada dua cara sederhana dan umum digunakan untuk mengoreksi multikolinearitas, seperti yang tercantum di bawah ini:
1. Yang pertama adalah menghapus satu (atau lebih) variabel yang sangat berkorelasi. Karena informasi yang diberikan oleh variabel adalah redundan, koefisien determinasi tidak akan sangat terpengaruh oleh penghapusan tersebut.
2. Metode kedua adalah menggunakan analisis komponen utama (PCA) atau regresi kuadrat terkecil parsial (PLS) daripada regresi OLS. Regresi PLS dapat mereduksi variabel menjadi himpunan yang lebih kecil tanpa korelasi di antara mereka. Di PCA, variabel tidak berkorelasi baru dibuat. Ini meminimalkan kehilangan informasi dan meningkatkan prediktabilitas model.
Sumber Daya Lainnya
Finance adalah penyedia resmi Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certification Akreditasi Certified Banking & Credit Analyst (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas , pemodelan perjanjian, pembayaran kembali pinjaman, dan lainnya. program sertifikasi, yang dirancang untuk membantu siapa saja menjadi analis keuangan kelas dunia. Untuk terus memajukan karier Anda, sumber daya tambahan di bawah ini akan berguna:
- Konsep Statistik Dasar dalam Keuangan Konsep Statistik Dasar untuk Keuangan Pemahaman yang kuat tentang statistik sangat penting dalam membantu kita lebih memahami keuangan. Selain itu, konsep statistik dapat membantu memonitor investor
- Metode Peramalan Metode Peramalan Metode Peramalan Atas. Pada artikel ini, kami akan menjelaskan empat jenis metode peramalan pendapatan yang digunakan analis keuangan untuk memprediksi pendapatan di masa depan.
- Regresi Linier Berganda Regresi Linier Berganda Regresi linier berganda mengacu pada teknik statistik yang digunakan untuk memprediksi hasil dari suatu variabel terikat berdasarkan nilai variabel bebas.
- Variabel Acak Variabel Acak Variabel acak (variabel stokastik) adalah jenis variabel dalam statistik yang kemungkinan nilainya bergantung pada hasil dari fenomena acak tertentu.
