Мультиколлинеарность и устойчивость по VIF

Когда применять расчёт

Оценка VIF для двух факторов и изменение мультиколлинеарности после заданного сдвига части значений. Высокий VIF появляется, если факторы несут почти одинаковую линейную информацию. Чувствительность к одной изменённой записи помогает заметить неустойчивость такой оценки. У этой модели исходное поле «Первый фактор» используется вместе с «Порог проблемной мультиколлинеарности» в задаче VIF=1/(1−ρ₁₂²). Здесь речь именно об этих показателях.

Для проверки работы можно начать с «Первый фактор»: 2 4 6 8 10 12 14 16 18. Эти значения предназначены для демонстрации метода, а не обозначают рекомендуемую норму или типичные показатели всех выборок.

Сильная корреляция и высокий прогностический показатель сами по себе не доказывают причинности. Прежде чем интерпретировать вывод, необходимо понимать единицы измерения и способ получения каждой записи. У этой модели исходное поле «Первый фактор» используется вместе с «Порог проблемной мультиколлинеарности» в задаче VIF=1/(1−ρ₁₂²). Здесь речь именно об этих показателях.

Разбор всех входных параметров

В форме предусмотрено 4 входных параметров. «Первый фактор» определяет исходные данные; «Второй фактор» имеет исходное значение 3 7 8 12 11 17 18 21 26. Оба параметра непосредственно участвуют в расчёте, а не служат оформлением.

Третий параметр, «Сдвиг последнего измерения второго фактора», в примере равен 2. Изменяя его, следует оставлять остальные данные неизменными, иначе нельзя будет выяснить, почему получился другой итог.

Остальные поля: «Порог проблемной мультиколлинеарности» = 5. Каждое число участвует в формуле, в ограничении модели или в отдельной выходной величине; не допускается подмена фактических данных придуманными значениями.

Математическая модель и показатели

Основа вычисления: VIF=1/(1−ρ₁₂²). Высокий VIF появляется, если факторы несут почти одинаковую линейную информацию. Чувствительность к одной изменённой записи помогает заметить неустойчивость такой оценки.

На исходных данных ключевой результат «Исходная корреляция» равен 0.98305599; связанный показатель «Исходный VIF» равен 29.761092. Их значения отвечают на разные вопросы, поэтому один из показателей не заменяет другой.

Для второго контрольного примера получается «Исходная корреляция» = 0.9660314. В третьем примере другой входной параметр изменяет связанные величины. Такие проверки полезны при переносе модели в собственные расчёты.

Пограничные случаи и корректная трактовка

Показатель VIF описывает линейную зависимость факторов, а не качество предсказаний сам по себе. Результат следует сопоставлять с исходными допущениями, иначе внешне точное число может оказаться статистически неподходящим.

Например, выбранное значение «Порог проблемной мультиколлинеарности» = 5 влияет на проверку, прогноз или вычисляемую величину. При его изменении полезно просмотреть полный набор результатов вместо одного показателя.

Сильная корреляция и высокий прогностический показатель сами по себе не доказывают причинности. Для серьёзных решений желательно проверить устойчивость к небольшим изменениям входных величин и воспроизвести вычисление независимым способом. У этой модели исходное поле «Первый фактор» используется вместе с «Порог проблемной мультиколлинеарности» в задаче VIF=1/(1−ρ₁₂²). Здесь речь именно об этих показателях.

Формула расчёта

Проверенные примеры

Как пользоваться онлайн-калькулятором

1. Укажите «Первый фактор». Данные должны соответствовать описанию измерения.
2. Введите «Второй фактор» и «Сдвиг последнего измерения второго фактора», учитывая связь между полями.
3. Проверьте связанные показатели на трёх разобранных примерах и сравните результат с ограничениями модели.