వ్యత్యాస ద్రవ్యోల్బణ కారకం అంటే ఏమిటి?
వ్యత్యాస ద్రవ్యోల్బణం fVariance ద్రవ్యోల్బణ కారకం (VIF) అనేది బహుళ రిగ్రెషన్ వేరియబుల్స్ సమితిలో మల్టీకాలినియారిటీ మొత్తాన్ని కొలవడం. గణితశాస్త్రపరంగా, రిగ్రెషన్ మోడల్ వేరియబుల్ కోసం VIF మొత్తం మోడల్ వేరియెన్స్ యొక్క నిష్పత్తికి సమానంగా ఉంటుంది, ఇది ఒకే స్వతంత్ర వేరియబుల్‌ను మాత్రమే కలిగి ఉంటుంది. ఈ నిష్పత్తి ప్రతి స్వతంత్ర వేరియబుల్ కోసం లెక్కించబడుతుంది. అనుబంధిత స్వతంత్ర వేరియబుల్ మోడల్‌లోని ఇతర వేరియబుల్స్‌తో అధికంగా ఉంటుంది అని అధిక VIF సూచిస్తుంది.
కీ టేకావేస్
- ఒక వేరియెన్స్ ద్రవ్యోల్బణ కారకం (విఐఎఫ్) బహుళ రిగ్రెషన్ మోడల్‌లో స్వతంత్ర చరరాశుల మధ్య మల్టీకాలినియారిటీ యొక్క కొలతను అందిస్తుంది. మల్టీకాలినియారిటీని గుర్తించడం చాలా ముఖ్యం ఎందుకంటే ఇది మోడల్ యొక్క వివరణాత్మక శక్తిని తగ్గించకపోయినా, ఇది స్వతంత్ర చరరాశుల గణాంక ప్రాముఖ్యతను తగ్గిస్తుంది. స్వతంత్ర చరరాశిపై పెద్ద VIF ఇతర వేరియబుల్స్‌తో అత్యంత కొల్లినియర్ సంబంధాన్ని సూచిస్తుంది, ఇవి మోడల్ యొక్క నిర్మాణం మరియు స్వతంత్ర చరరాశుల ఎంపికలో పరిగణించబడాలి లేదా సర్దుబాటు చేయాలి.
వ్యత్యాస ద్రవ్యోల్బణ కారకాన్ని అర్థం చేసుకోవడం
ఒక వ్యక్తి ఒక నిర్దిష్ట ఫలితంపై బహుళ వేరియబుల్స్ యొక్క ప్రభావాన్ని పరీక్షించాలనుకున్నప్పుడు బహుళ రిగ్రెషన్ ఉపయోగించబడుతుంది. డిపెండెంట్ వేరియబుల్ అనేది స్వతంత్ర చరరాశులచే పనిచేస్తున్న ఫలితం, అవి మోడల్‌లోకి ఇన్‌పుట్‌లు. ఒకటి లేదా అంతకంటే ఎక్కువ స్వతంత్ర చరరాశులు లేదా ఇన్‌పుట్‌ల మధ్య సరళ సంబంధం లేదా సహసంబంధం ఉన్నప్పుడు మల్టీకాలినియారిటీ ఉంటుంది. మల్టీకాలినియారిటీ బహుళ రిగ్రెషన్‌లో సమస్యను సృష్టిస్తుంది ఎందుకంటే ఇన్‌పుట్‌లు అన్నీ ఒకదానికొకటి ప్రభావితం చేస్తున్నందున, అవి వాస్తవానికి స్వతంత్రంగా లేవు మరియు రిగ్రెషన్ మోడల్‌లో స్వతంత్ర చరరాశుల కలయిక డిపెండెంట్ వేరియబుల్ లేదా ఫలితాన్ని ఎంతవరకు ప్రభావితం చేస్తుందో పరీక్షించడం కష్టం.. గణాంక పరంగా, అధిక మల్టీకాలినియారిటీ ఉన్న బహుళ రిగ్రెషన్ మోడల్ ప్రతి స్వతంత్ర వేరియబుల్స్ మరియు డిపెండెంట్ వేరియబుల్ మధ్య సంబంధాన్ని అంచనా వేయడం మరింత కష్టతరం చేస్తుంది. ఉపయోగించిన డేటాలో లేదా మోడల్ సమీకరణం యొక్క నిర్మాణంలో చిన్న మార్పులు స్వతంత్ర చరరాశులపై అంచనా వేసిన గుణకాలలో పెద్ద మరియు అనియత మార్పులను కలిగిస్తాయి.
మోడల్ సరిగ్గా పేర్కొనబడిందని మరియు సరిగ్గా పనిచేస్తుందని నిర్ధారించడానికి, మల్టీకాలినియారిటీ కోసం అమలు చేయగల పరీక్షలు ఉన్నాయి. అటువంటి ద్రవ్యోల్బణ కారకం అటువంటి కొలత సాధనం. వ్యత్యాస ద్రవ్యోల్బణ కారకాలను ఉపయోగించడం ఏదైనా మల్టీకాలినియారిటీ సమస్యల తీవ్రతను గుర్తించడానికి సహాయపడుతుంది, తద్వారా మోడల్ సర్దుబాటు అవుతుంది. వ్యత్యాస ద్రవ్యోల్బణ కారకం స్వతంత్ర చరరాశి యొక్క ప్రవర్తన (వ్యత్యాసం) ఇతర స్వతంత్ర చరరాశులతో దాని పరస్పర చర్య / పరస్పర సంబంధం ద్వారా ఎంత ప్రభావితం చేయబడిందో లేదా పెరిగినదో కొలుస్తుంది. రిగ్రెషన్‌లో ప్రామాణిక లోపానికి వేరియబుల్ ఎంతవరకు దోహదపడుతుందో తేడాల ద్రవ్యోల్బణ కారకాలు అనుమతిస్తాయి. ముఖ్యమైన మల్టీకాలినియారిటీ సమస్యలు ఉన్నప్పుడు, వేరియబుల్స్ కోసం వేరియెన్స్ ద్రవ్యోల్బణ కారకం చాలా పెద్దదిగా ఉంటుంది. ఈ వేరియబుల్స్ గుర్తించబడిన తరువాత, కోలినియర్ వేరియబుల్స్ ను తొలగించడానికి లేదా కలపడానికి అనేక విధానాలను ఉపయోగించవచ్చు, మల్టీకాలినియారిటీ సమస్యను పరిష్కరిస్తుంది.
మల్టీకాలినియారిటీ ఒక మోడల్ యొక్క మొత్తం అంచనా శక్తిని తగ్గించదు, అయితే ఇది గణాంకపరంగా ప్రాముఖ్యత లేని రిగ్రెషన్ కోఎఫీషియంట్స్ యొక్క అంచనాలను ఉత్పత్తి చేస్తుంది. ఒక రకంగా చెప్పాలంటే, ఇది మోడల్‌లో ఒక రకమైన డబుల్ లెక్కింపుగా భావించవచ్చు. రెండు లేదా అంతకంటే ఎక్కువ స్వతంత్ర చరరాశులు దగ్గరి సంబంధం కలిగి ఉన్నప్పుడు లేదా దాదాపు ఒకే విషయాన్ని కొలిచినప్పుడు, అప్పుడు వారు కొలిచే అంతర్లీన ప్రభావం వేరియబుల్స్ అంతటా రెండుసార్లు (లేదా అంతకంటే ఎక్కువ) లెక్కించబడుతుంది మరియు ఏ వేరియబుల్ నిజంగా ప్రభావితం చేస్తుందో చెప్పడం కష్టం లేదా అసాధ్యం అవుతుంది స్వతంత్ర చరరాశి. ఇది ఒక సమస్య, ఎందుకంటే స్వతంత్ర ఎకనామిక్ వేరియబుల్స్ మరియు డిపెండెంట్ వేరియబుల్ మధ్య ఈ విధమైన గణాంక సంబంధాన్ని సరిగ్గా పరీక్షించడం చాలా ఎకోనొమెట్రిక్ మోడళ్ల లక్ష్యం.
ఉదాహరణకు, ఒక ఆర్థికవేత్త నిరుద్యోగిత రేటు (స్వతంత్ర చరరాశిగా) మరియు ద్రవ్యోల్బణ రేటు (డిపెండెంట్ వేరియబుల్‌గా) మధ్య సంఖ్యాపరంగా గణనీయమైన సంబంధం ఉందా అని పరీక్షించాలనుకుంటే. నిరుద్యోగిత రేటుకు సంబంధించిన అదనపు స్వతంత్ర చరరాశులను చేర్చడం, అటువంటి కొత్త ప్రారంభ నిరుద్యోగ వాదనలు, మోడల్‌లో మల్టీకాలినియారిటీని ప్రవేశపెట్టే అవకాశం ఉంది. మొత్తం మోడల్ బలమైన, గణాంకపరంగా తగినంత వివరణాత్మక శక్తిని చూపిస్తుంది, అయితే దీని ప్రభావం ఎక్కువగా నిరుద్యోగిత రేటు వల్ల లేదా కొత్త ప్రారంభ నిరుద్యోగ వాదనల వల్ల ఉందా అని గుర్తించలేకపోతున్నారు. VIF గుర్తించేది ఇదే, మరియు ఇది మోడల్ నుండి వేరియబుల్స్‌లో ఒకదాన్ని వదిలివేయడం లేదా వాటి ఉమ్మడి ప్రభావాన్ని సంగ్రహించడానికి వాటిని ఏకీకృతం చేయడానికి కొంత మార్గాన్ని కనుగొనడం సూచిస్తుంది, పరిశోధకుడు పరీక్షించడానికి ఏ నిర్దిష్ట పరికల్పనపై ఆసక్తి కలిగి ఉంటాడో దానిపై ఆధారపడి ఉంటుంది.
