Słownik metodologiczny · Regresja

VIF (współczynnik VIF)

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / VIF (współczynnik VIF)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza VIF (współczynnik VIF)?

VIF mierzy, ile razy wariancja współczynnika regresji rośnie przez liniową współzależność predyktora z pozostałymi.

Zastosowanie, warunki i dobre praktyki

VIF dla predyktora wynika z regresji tego predyktora na wszystkie pozostałe i pokazuje wzrost wariancji jego współczynnika. Wysoka wartość oznacza mniejszą precyzję rozdzielenia unikatowych wkładów, a nie automatycznie zły model predykcyjny. Decyzja zależy od celu, teorii, jakości pomiaru i tego, czy interesuje nas wspólny czy unikatowy efekt.

Najważniejsze zastosowanie: Używaj do diagnostyki stabilności współczynników, razem z korelacjami i celem modelu.

Jak to się oblicza i co oznaczają symbole?

VIFⱼ = 1 / (1 − Rⱼ²)

Rⱼ² pochodzi z regresji j-tego predyktora na pozostałe predyktory. VIF pokazuje, ile razy wariancja oszacowania jego współczynnika jest większa z powodu liniowej współzależności. VIF = 1 oznacza brak takiego wzrostu; rosnąca wartość jest sygnałem diagnostycznym, którego znaczenie zależy od celu modelu i niepewności parametrów.

Jak poprawnie stosować i interpretować hasło „VIF (współczynnik VIF)”?

Przy ocenie pojęcia „VIF (współczynnik VIF)” analizuje się zależności między predyktorami oraz ich wpływ na znaczenie i precyzję współczynników. Przy ocenie hasła „VIF (współczynnik VIF)” problem dotyczy warunkowej informacji w konkretnym modelu, dlatego nie rozstrzyga go sama macierz korelacji par. W analizie dotyczącej hasła „VIF (współczynnik VIF)” trzeba sprawdzić kodowanie zmiennych, wyrazy interakcji, kontrasty oraz to, czy predyktory odpowiadają odrębnym pytaniom teoretycznym.

Ocena pojęcia „VIF (współczynnik VIF)” obejmuje błędy standardowe, stabilność znaku i wielkości parametrów, VIF lub tolerance oraz porównanie sensownych specyfikacji. Dla interpretacji hasła „VIF (współczynnik VIF)” centrowanie może ułatwić interpretację interakcji, ale nie usuwa współliniowości wynikającej z prawie redundantnych pomiarów. W odniesieniu do hasła „VIF (współczynnik VIF)” usuwanie predyktora tylko po to, by obniżyć VIF może zmienić pytanie badawcze.

Co trzeba opisać w raporcie?

Raport dotyczący „VIF (współczynnik VIF)” powinien podać, których predyktorów dotyczy problem, użyte kryterium i skutek dla estymat. Przy ocenie hasła „VIF (współczynnik VIF)”, jeśli model zmieniono, należy opisać decyzję merytoryczną oraz porównać kluczowe współczynniki przed i po zmianie. W analizie dotyczącej hasła „VIF (współczynnik VIF)” w przypadku supresji warto pokazać korelacje zero-order i parametry warunkowe.

Zakres raportowania dla hasła „VIF (współczynnik VIF)”: Podaj VIF/tolerancję i decyzje dotyczące predyktorów.

Przykład praktyczny i gotowa interpretacja

Sytuacja: VIF=5 oznacza pięciokrotnie większą wariancję β niż bez tej współliniowości.

Jak ją zinterpretować: VIF pokazuje, jak bardzo niepewność współczynnika rośnie, ponieważ dany predyktor można odtworzyć z pozostałych. Duża wartość utrudnia interpretację efektów cząstkowych, ale nie zawsze szkodzi przewidywaniu całego modelu.

Najczęstsza pułapka i granica interpretacji

Jeden uniwersalny próg nie uwzględnia celu predykcji, konstrukcji skali i precyzji.

Wartość związana z „VIF (współczynnik VIF)” nie ma jednego uniwersalnego progu. Dla interpretacji hasła „VIF (współczynnik VIF)” silne związki między predyktorami utrudniają rozdzielenie ich wkładów, lecz nie muszą pogarszać predykcji łącznej; znaczenie zależy od celu modelu.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Reszty regresjiData miningDummy codingEkonometriaHeterogeniczność wariancjiHomogeniczność wariancji

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R