एक वियरेन्सी इन्फ्लेशन फैक्टर क्या है?
वेरिएंट इन्फ्लेशन fVariance इन्फ्लेशन फैक्टर (VIF) मल्टीजरोलीनिटी की मात्रा को कई रिग्रेशन वेरिएबल्स के सेट में मापता है। गणितीय रूप से, प्रतिगमन मॉडल चर के लिए VIF एक मॉडल के प्रसरण के लिए समग्र मॉडल विचरण के अनुपात के बराबर होता है जिसमें केवल एकल स्वतंत्र चर शामिल होता है। इस अनुपात की गणना प्रत्येक स्वतंत्र चर के लिए की जाती है। एक उच्च VIF इंगित करता है कि संबंधित स्वतंत्र चर मॉडल में अन्य चर के साथ अत्यधिक मिलीभगत है।
चाबी छीन लेना
- एक विचरण मुद्रास्फीति कारक (VIF) एक बहु प्रतिगमन मॉडल में स्वतंत्र चर के बीच बहुसंख्यात्मकता का एक माप प्रदान करता है। बहुआयामी बहुरूपता महत्वपूर्ण है क्योंकि यह मॉडल की व्याख्यात्मक शक्ति को कम नहीं करता है, यह स्वतंत्र चर के सांख्यिकीय महत्व को कम करता है। एक स्वतंत्र चर पर एक बड़ा VIF अन्य चर के लिए एक अत्यधिक मिलीभगत संबंध को इंगित करता है जिसे मॉडल की संरचना में और स्वतंत्र चर के चयन के लिए माना या समायोजित किया जाना चाहिए।
एक व्यापक मुद्रास्फीति कारक को समझना
एक बहु प्रतिगमन का उपयोग तब किया जाता है जब कोई व्यक्ति किसी विशेष परिणाम पर कई चर के प्रभाव का परीक्षण करना चाहता है। आश्रित चर वह परिणाम है जो स्वतंत्र चर द्वारा कार्य किया जा रहा है, जो मॉडल में इनपुट हैं। जब एक या अधिक स्वतंत्र चर या आदानों के बीच एक रैखिक संबंध, या सहसंबंध होता है, तो बहुस्तरीयता मौजूद होती है। मल्टीकोलिनरिटी मल्टीपल रिग्रेशन में समस्या पैदा करती है क्योंकि चूंकि इनपुट्स एक-दूसरे को प्रभावित कर रहे हैं, वे वास्तव में स्वतंत्र नहीं हैं, और यह परीक्षण करना मुश्किल है कि इंडिपेंडेंट वेरिएबल का रिग्रेशन मॉडल के भीतर डिपेंडेंट वेरिएबल या रिजल्ट का कितना असर पड़ता है। । सांख्यिकीय शब्दों में, एक बहु प्रतिगमन मॉडल जहां उच्च बहुस्तरीयता होती है, प्रत्येक स्वतंत्र चर और आश्रित चर के बीच संबंधों का अनुमान लगाना अधिक कठिन होगा। उपयोग किए गए डेटा में या मॉडल समीकरण की संरचना में छोटे परिवर्तन स्वतंत्र चर पर अनुमानित गुणांक में बड़े और अनियमित बदलाव पैदा कर सकते हैं।
यह सुनिश्चित करने के लिए कि मॉडल ठीक से निर्दिष्ट है और सही ढंग से कार्य कर रहा है, ऐसे परीक्षण हैं जो मल्टीकोलिनरिटी के लिए चलाए जा सकते हैं। वियरेन्सी इन्फ्लेशन फैक्टर ऐसा ही एक मापने वाला उपकरण है। विचरण मुद्रास्फीति कारकों का उपयोग करके किसी भी मल्टीकोलिनरिटी मुद्दों की गंभीरता की पहचान करने में मदद करता है ताकि मॉडल को समायोजित किया जा सके। भिन्न मुद्रास्फीति कारक यह मापता है कि एक स्वतंत्र चर का व्यवहार (विचरण) अन्य स्वतंत्र चर के साथ उसके अंतःक्रिया / सहसंबंध द्वारा कैसे प्रभावित, या फुलाया जाता है। प्रतिगामी मुद्रास्फीति कारक प्रतिगमन में मानक त्रुटि के लिए एक चर का कितना योगदान दे रहे हैं, इसकी त्वरित माप की अनुमति देते हैं। जब महत्वपूर्ण बहुसंख्यात्मक मुद्दे मौजूद होते हैं, तो वैरिएबल मुद्रास्फीति कारक शामिल चर के लिए बहुत बड़ा होगा। इन चरों की पहचान होने के बाद, कई दृष्टिकोणों का उपयोग कोलीनियर चरों को खत्म करने या संयोजित करने के लिए किया जा सकता है, जो कि बहुउद्देशीयता मुद्दे को हल करता है।
जबकि बहुसंस्कृति एक मॉडल की समग्र भविष्य कहनेवाला शक्ति को कम नहीं करता है, यह प्रतिगमन गुणांक के अनुमानों का उत्पादन कर सकता है जो सांख्यिकीय रूप से महत्वपूर्ण नहीं हैं। एक अर्थ में, यह मॉडल में एक प्रकार की डबल-गिनती के रूप में सोचा जा सकता है। जब दो या दो से अधिक स्वतंत्र चर समान रूप से संबंधित होते हैं या लगभग एक ही चीज को मापते हैं, तो वे जिस अंतर्निहित प्रभाव को मापते हैं, उसका दो बार (या अधिक) चर में हिसाब किया जा रहा है, और यह कहना मुश्किल या असंभव हो जाता है कि कौन सा चर वास्तव में प्रभावित कर रहा है स्वतंत्र चर। यह एक समस्या है क्योंकि कई अर्थमितीय मॉडल का लक्ष्य स्वतंत्र चर और आश्रित चर के बीच इस तरह के सांख्यिकीय संबंधों का परीक्षण करना है।
उदाहरण के लिए, यदि कोई अर्थशास्त्री यह परखना चाहता है कि बेरोजगारी दर (एक स्वतंत्र चर के रूप में) और मुद्रास्फीति दर (आश्रित चर के रूप में) के बीच सांख्यिकीय रूप से महत्वपूर्ण संबंध है या नहीं। अतिरिक्त स्वतंत्र चर शामिल हैं जो बेरोजगारी दर से संबंधित हैं, इस तरह के एक नए प्रारंभिक बेरोजगार दावे, मॉडल में बहुरंगीता को पेश करने की संभावना होगी। समग्र मॉडल मजबूत, सांख्यिकीय रूप से पर्याप्त व्याख्यात्मक शक्ति दिखा सकता है, लेकिन यह पहचानने में असमर्थ है कि क्या प्रभाव ज्यादातर बेरोजगारी दर या नए प्रारंभिक बेरोजगार दावों के कारण है। यह वही है जो वीआईएफ का पता लगाता है, और यह संभवतः मॉडल में से किसी एक चर को छोड़ने या उनके संयुक्त प्रभाव को पकड़ने के लिए उन्हें समेकित करने का कोई तरीका खोजने का सुझाव देगा, जो शोधकर्ता के परीक्षण में रुचि रखते हैं।
