भिन्न मुद्रास्फीति कारक (VIF)

एक वियरेन्सी इन्फ्लेशन फैक्टर (VIF) क्या है?

विविध मुद्रास्फीति कारक (वीआईएफ)  कई प्रतिगमन  चर के एक सेट में  बहुकोशिकीयता की मात्रा का एक उपाय है  । गणितीय रूप से, प्रतिगमन मॉडल चर के लिए VIF समग्र मॉडल विचरण के अनुपात के बराबर  होता  है जिसमें केवल एक 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 बहुरंगीता का एक माप प्रदान करता है।
• मल्टीकोलिनरिटी का पता लगाना महत्वपूर्ण है क्योंकि मल्टीकोलिनरिटी मॉडल की व्याख्यात्मक शक्ति को कम नहीं करता है, लेकिन यह स्वतंत्र चर के सांख्यिकीय महत्व को कम करता है। 
• एक स्वतंत्र चर पर एक बड़ा विचरण मुद्रास्फीति कारक (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 गंभीर मुद्रास्फीति कारक (VIF) को समझना

एक विचरण मुद्रास्फीति कारक मल्टीकोलिनरिटी की डिग्री की पहचान करने में मदद करने के लिए एक उपकरण है। एक एकाधिक 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 – मॉडल में इनपुट द्वारा कार्य किया जा रहा है। 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 इनपुट सभी एक दूसरे को प्रभावित कर रहे हैं। इसलिए, वे वास्तव में स्वतंत्र नहीं हैं, और यह परीक्षण करना मुश्किल है कि स्वतंत्र चर का संयोजन प्रतिगमन मॉडल के भीतर निर्भर चर, या परिणाम को कितना प्रभावित करता 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 हो जाएगा। 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 करने से किसी भी मल्टीकोलिनरिटी मुद्दों की गंभीरता की पहचान करने में मदद मिलती 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 देता है । 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 चर को खत्म करने या संयोजित करने के लिए किया जा सकता है, जो बहुसंख्यात्मक मुद्दे को हल करता है।

विशेष ध्यान

multicollinearity

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, वह चर में दो बार (या अधिक) के लिए जिम्मेदार होता है। यह कहना मुश्किल या असंभव है कि कौन सा चर वास्तव में स्वतंत्र चर को प्रभावित कर रहा है। यह एक समस्या है क्योंकि कई अर्थमितीय मॉडलों का लक्ष्य स्वतंत्र चर और आश्रित चर के बीच इस तरह के सांख्यिकीय संबंधों का परीक्षण करना है।

उदाहरण के लिए, मान लीजिए कि एक अर्थशास्त्री यह परीक्षण करना चाहता है कि बेरोजगारी दर (स्वतंत्र चर) और मुद्रास्फीति दर (आश्रित चर) 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 बेरोजगारी के दावे, मॉडल में बहुस्तरीयता 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 किसी विशिष्ट परिकल्पना के आधार पर उनके संयुक्त प्रभाव को पकड़ने के लिए उन्हें समेकित करने का कोई तरीका खोजने का सुझाव देगा, जो शोधकर्ता परीक्षण में रुचि रखते हैं।