Pengertian Faktor Inflasi Varians (VIF)?
Faktor inflasi varians (VIF) adalah ukuran jumlah multikolinearitas dalam analisis regresi. Multikolinearitas ada ketika ada korelasi antara beberapa variabel independen dalam model regresi berganda.
Hal ini dapat berdampak buruk pada hasil regresi. Dengan demikian, faktor inflasi varians dapat memperkirakan seberapa besar varians suatu koefisien regresi digelembungkan akibat multikolinearitas.
Ringkasan:
- Faktor inflasi varians (VIF) memberikan ukuran multikolinearitas di antara variabel independen dalam model regresi berganda.
- Mendeteksi multikolinearitas penting karena meskipun multikolinearitas tidak mengurangi kekuatan penjelas model, hal itu mengurangi signifikansi statistik variabel independen.
- 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 Faktor Inflasi Varians (VIF)
Faktor inflasi varian adalah alat untuk membantu mengidentifikasi tingkat 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. Multikolinearitas ada ketika ada hubungan linier, atau korelasi, antara satu atau lebih variabel atau input independen.
Masalah Multikolinearitas
Multikolinearitas menimbulkan masalah dalam model 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.
Sementara multikolinearitas tidak mengurangi kekuatan prediksi keseluruhan model, hal itu dapat menghasilkan estimasi koefisien regresi yang tidak signifikan secara statistik. Dalam arti tertentu, ini dapat dianggap sebagai semacam penghitungan ganda dalam model.
Dalam istilah statistik, model regresi berganda dengan multikolinieritas tinggi akan mempersulit estimasi hubungan antara masing-masing variabel independen dan variabel dependen. Dengan kata lain, ketika dua atau lebih variabel independen terkait erat atau mengukur hal yang hampir sama, maka efek yang mendasari yang mereka ukur diperhitungkan dua kali (atau lebih) di seluruh variabel.
Ketika variabel independen terkait erat, menjadi sulit untuk mengatakan variabel mana yang mempengaruhi variabel dependen. Perubahan kecil pada data yang digunakan atau pada struktur persamaan model dapat menghasilkan perubahan yang besar dan tidak menentu pada estimasi koefisien pada variabel bebas.
Ini menjadi masalah karena tujuan dari banyak model ekonometrik adalah untuk menguji dengan tepat hubungan statistik semacam ini antara variabel independen dan variabel dependen.
Tes untuk Memecahkan Multikolinearitas
Untuk memastikan model ditentukan dengan benar dan berfungsi dengan benar, ada tes yang dapat dijalankan untuk multikolinearitas. Faktor inflasi varians adalah salah satu alat ukur tersebut.
Menggunakan faktor inflasi varian membantu mengidentifikasi tingkat keparahan masalah multikolinearitas sehingga model dapat disesuaikan. Faktor inflasi varians mengukur seberapa besar perilaku (varians) suatu variabel independen dipengaruhi, atau digelembungkan, oleh interaksi/korelasinya dengan variabel independen lainnya.
Faktor inflasi varians memungkinkan pengukuran cepat seberapa besar kontribusi variabel terhadap kesalahan standar dalam regresi. Ketika masalah multikolinearitas yang signifikan muncul, faktor inflasi varians akan sangat besar untuk variabel yang terlibat.
Setelah variabel-variabel ini diidentifikasi, beberapa pendekatan dapat digunakan untuk menghilangkan atau menggabungkan variabel-variabel kolinear, menyelesaikan masalah multikolinearitas.
Formula dan Perhitungan VIF
Rumus untuk VIF adalah:
VIF i = 1 1 − R i 2 di mana: R i 2 = Koefisien determinasi yang tidak disesuaikan untuk meregresikan variabel independen ke-i pada variabel bebas yang tersisa begin{aligned}&text{VIF}_i = frac{ 1 }{ 1 – R_i^2 } \&textbf{di mana:} \&R_i^2 = text{Koefisien determinasi yang tidak disesuaikan untuk} \&text{mengundurkan variabel independen ke-i pada} \&text{yang tersisa } \end{aligned} VIFi = 1 − Ri2 1 di mana :Ri2 = Koefisien determinasi yang tidak disesuaikan untuk meregresi variabel independen ke-i pada variabel yang tersisa
Apa yang Dapat VIF Katakan kepada Anda?
Ketika R i 2 sama dengan 0, dan oleh karena itu, ketika VIF atau tolerance sama dengan 1, variabel independen ke-i tidak berkorelasi dengan yang tersisa, artinya tidak ada multikolinearitas. Secara umum,
- VIF sama dengan 1 = variabel tidak berkorelasi
- VIF antara 1 dan 5 = variabel berkorelasi sedang
- VIF lebih besar dari 5 = variabel sangat berkorelasi
Semakin tinggi VIF, semakin tinggi kemungkinan adanya multikolinearitas, dan diperlukan penelitian lebih lanjut.
Ketika VIF lebih tinggi dari 10, terdapat multikolinearitas yang signifikan yang perlu diperbaiki.
Contoh Penggunaan VIF
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 efeknya sebagian besar disebabkan oleh tingkat pengangguran atau klaim pengangguran awal yang baru. Inilah yang akan dideteksi VIF, dan ini akan menyarankan kemungkinan mengeluarkan salah satu variabel dari model atau menemukan beberapa cara untuk mengkonsolidasikannya untuk menangkap efek bersama mereka tergantung pada hipotesis spesifik apa yang ingin diuji oleh peneliti.
Apa Nilai VIF yang Baik?
Sebagai aturan praktis, VIF tiga atau lebih rendah tidak perlu dikhawatirkan. Saat VIF meningkat, hasil regresi Anda akan semakin tidak dapat diandalkan.
Apa Arti VIF 1?
VIF sama dengan satu berarti variabel tidak berkorelasi dan multikolinearitas tidak ada dalam model regresi.
Untuk Apa VIF Digunakan?
VIF mengukur kekuatan korelasi antara variabel independen dalam analisis regresi. Korelasi ini dikenal sebagai multikolinearitas, yang dapat menyebabkan masalah pada model regresi.
Kesimpulan
Sementara jumlah multikolinearitas sedang dapat diterima dalam model regresi, multikolinearitas yang lebih tinggi dapat menjadi perhatian. Dua langkah dapat diambil untuk mengoreksi multikolinearitas tinggi.
Pertama, satu atau lebih variabel yang berkorelasi tinggi dapat dihilangkan, karena informasi yang diberikan oleh variabel ini berlebihan. Metode kedua adalah menggunakan analisis komponen utama atau regresi kuadrat terkecil parsial alih-alih regresi OLS, yang masing-masing dapat mengurangi variabel menjadi himpunan yang lebih kecil tanpa korelasi, atau membuat variabel baru yang tidak berkorelasi.
Ini akan meningkatkan prediktabilitas model.