Faktor Inflasi Varians (VIF)

Apa ?

Variance Inflation Factor (VIF) adalah ukuran jumlah  multikolinearitas  dalam satu set   variabel regresi berganda. Secara matematis, VIF untuk variabel model regresi sama dengan rasio varians model keseluruhan   terhadap varians model yang hanya mencakup variabel independen tunggal tersebut. Rasio ini dihitung untuk setiap variabel independen. VIF yang tinggi menunjukkan bahwa variabel independen terkait sangat berdekatan dengan variabel lain dalam model.

Poin Penting

  • Faktor inflasi varians (VIF) memberikan ukuran multikolinearitas di antara variabel independen dalam model regresi berganda.
  • Mendeteksi multikolinearitas adalah penting karena walaupun multikolinearitas tidak mengurangi kekuatan penjelas model, hal itu mengurangi signifikansi statistik variabel independen. 
  • Variance inflation factor (VIF) yang besar pada variabel independen menunjukkan hubungan yang sangat kolinear dengan variabel lain yang harus dipertimbangkan atau disesuaikan dalam struktur model dan pemilihan variabel independen.

Memahami Variance Inflation Factor (VIF)

Faktor inflasi varians adalah alat untuk membantu mengidentifikasi derajat multikolinearitas. Regresi berganda digunakan ketika seseorang ingin menguji pengaruh beberapa variabel pada hasil tertentu. Variabel dependen adalah hasil yang ditindaklanjuti oleh variabel independen — input ke dalam model. Multikolinieritas terjadi ketika ada hubungan linier, atau korelasi, antara satu atau lebih variabel atau input independen.

Multikolinieritas menimbulkan masalah dalam regresi berganda karena semua input saling mempengaruhi. Oleh karena itu, mereka sebenarnya tidak independen, dan sulit untuk menguji seberapa besar kombinasi variabel independen mempengaruhi variabel dependen, atau hasil, dalam model regresi. Secara statistik, model regresi berganda dimana terdapat multikolinieritas yang tinggi akan mempersulit estimasi hubungan antara masing-masing variabel independen dan variabel dependen. Perubahan kecil pada data yang digunakan atau pada struktur persamaan model dapat menghasilkan perubahan yang besar dan tidak menentu dalam estimasi koefisien pada variabel independen.

Untuk memastikan model ditentukan dengan benar dan berfungsi dengan benar, ada pengujian yang dapat dijalankan untuk multikolinearitas. Faktor inflasi varians merupakan salah satu alat ukur tersebut. Menggunakan faktor inflasi varians membantu mengidentifikasi tingkat keparahan masalah multikolinearitas sehingga model dapat disesuaikan. Faktor inflasi varians mengukur seberapa besar perilaku (varians) variabel independen dipengaruhi, atau digelembungkan, oleh interaksi / korelasinya dengan variabel independen lainnya. Faktor inflasi varians memungkinkan pengukuran cepat tentang seberapa besar kontribusi variabel terhadap kesalahan standar dalam regresi. Ketika ada masalah multikolinearitas yang signifikan, faktor inflasi varians akan menjadi sangat besar untuk variabel-variabel yang terlibat. Setelah variabel ini diidentifikasi, beberapa pendekatan dapat digunakan untuk menghilangkan atau menggabungkan variabel collinear, menyelesaikan masalah multikolinearitas.

Pertimbangan Khusus

Multikolinieritas

Meskipun multikolinearitas tidak mengurangi kekuatan prediksi keseluruhan model, multikolinearitas dapat menghasilkan perkiraan 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 hampir sama, maka efek mendasar yang mereka ukur diperhitungkan dua kali (atau lebih) di seluruh variabel. Menjadi sulit atau tidak mungkin untuk mengatakan variabel mana yang benar-benar mempengaruhi variabel independen. Ini menjadi masalah karena tujuan dari banyak model ekonometri adalah untuk menguji secara tepat hubungan statistik antara variabel bebas dan variabel terikat.

Misalnya, seorang ekonom ingin menguji apakah ada hubungan yang signifikan secara statistik antara tingkat pengangguran (variabel independen) dan tingkat inflasi (variabel dependen). Memasukkan variabel independen tambahan yang terkait dengan tingkat pengangguran, seperti klaim pengangguran awal yang baru , kemungkinan besar akan memperkenalkan multikolinearitas ke dalam model. Model keseluruhan mungkin menunjukkan kekuatan penjelas yang kuat dan cukup secara statistik, tetapi tidak dapat mengidentifikasi apakah pengaruhnya sebagian besar disebabkan oleh tingkat pengangguran atau klaim pengangguran awal yang baru. Inilah yang akan dideteksi oleh VIF, dan ini akan menyarankan kemungkinan untuk mengeluarkan salah satu variabel dari model atau menemukan beberapa cara untuk mengkonsolidasikannya untuk menangkap efek gabungannya tergantung pada hipotesis spesifik apa yang ingin diuji oleh peneliti.