Słownik metodologiczny · Regresja

Współczynnik VIF – wzór, tolerancja, interpretacja i progi 5 i 10

VIF mówi, ile razy współliniowość zwiększa wariancję współczynnika regresji. Pokazujemy wzór VIF, jego związek z tolerancją i błędem standardowym, ostrożne podejście do progów 5 i 10, GVIF dla zmiennych kategorialnych oraz przykład z kodem R, ścieżką w SPSS i opisem APA.

W skrócie: VIF (współczynnik inflacji wariancji) to 1/(1 − R²j), gdzie R²j pochodzi z regresji danego predyktora na pozostałe predyktory. Mówi, ile razy współliniowość zwiększa wariancję współczynnika; √VIF – ile razy rośnie jego błąd standardowy. Progi 5 i 10 to konwencje, a nie reguły: oceniaj VIF razem z liczebnością próby i szerokością przedziałów ufności, a dla zmiennych kategorialnych używaj GVIF.

Co to jest współczynnik VIF?

VIF (ang. variance inflation factor, współczynnik inflacji wariancji) mówi, ile razy wariancja oszacowania współczynnika regresji danego predyktora jest większa, niż byłaby, gdyby ten predyktor nie był skorelowany z pozostałymi predyktorami modelu. To najczęściej raportowana miara współliniowości w regresji wielorakiej i stały element diagnostyki regresji liniowej: VIF = 1 oznacza brak związku z innymi predyktorami, a wartości wyższe – rosnącą część informacji wspólnej z nimi.

VIF liczy się osobno dla każdego predyktora i zawsze dla konkretnego zestawu predyktorów – dodanie lub usunięcie zmiennej zmienia VIF pozostałych. Sam współczynnik nie mówi, czy wynik jest „zły”. Mówi tylko, o ile szersze są przedziały ufności z powodu nakładania się predyktorów. Czym jest samo zjawisko, jakie ma skutki i co z nim robić, opisujemy w haśle o współliniowości; tutaj skupiamy się na wskaźniku: jak go policzyć, odczytać i zaraportować.

Wzór: VIF, tolerancja i pierwiastek z VIF

VIFj = 1 / (1 − R²j) tolerancjaj = 1 − R²j = 1 / VIFj
  • R²j – współczynnik determinacji z regresji pomocniczej, w której predyktor j jest przewidywany przez wszystkie pozostałe predyktory modelu;
  • tolerancja – część wariancji predyktora j, której nie wyjaśniają pozostałe predyktory (SPSS podaje ją obok VIF);
  • √VIF – ile razy większy jest błąd standardowy współczynnika bj niż przy predyktorach nieskorelowanych. VIF = 4 oznacza dwa razy szerszy przedział ufności.

O’Brien (2007) pokazuje, skąd bierze się ta interpretacja. Oszacowana wariancja współczynnika to iloczyn czterech elementów: wariancji reszt, odwrotności liczebności próby, odwrotności wariancji predyktora i właśnie VIF. Współliniowość jest więc tylko jednym z czynników, od których zależy precyzja b – tę samą szerokość przedziału ufności może dać umiarkowany VIF w małej próbie albo wysoki VIF w dużej.

Przy dwóch predyktorach R²j jest po prostu kwadratem ich korelacji Pearsona, więc VIF = 1 / (1 − r²). Panel A rysunku 1 pokazuje, że VIF rośnie powoli do r ≈ .80 (VIF = 2.78), a potem gwałtownie: VIF = 5 odpowiada korelacji .89, a VIF = 10 – korelacji .95.

Panel A: krzywa VIF = 1/(1 − r²) dla dwóch predyktorów; r = .90 daje VIF = 5.26, a r = .95 daje VIF = 10.26. Panel B: VIF predyktorów satysfakcji z życia w przykładzie – od 1.02 dla miejsca zamieszkania do 5.19 dla lęku-cechy
Rysunek 1. A: VIF jako funkcja korelacji dwóch predyktorów; etykiety podają też, ile razy rośnie błąd standardowy (√VIF). B: VIF sześciu predyktorów z przykładu; przerywane linie to konwencjonalne progi 5 i 10, a dla czynnika o trzech kategoriach pokazano GVIF1/df. Obliczenia: R (dane symulowane).

Progi 5 i 10 – konwencje, nie reguły

W podręcznikach i recenzjach często pojawia się reguła „VIF powyżej 10 (albo 5) oznacza poważną współliniowość”. Kim (2019) podsumowuje ją tak: o współliniowości mówi się zwykle, gdy VIF przekracza 5–10. O’Brien (2007) przestrzega jednak przed mechanicznym stosowaniem takich progów: wartości VIF 10, 20, 40, a nawet wyższe same w sobie nie przekreślają wyników regresji i nie wymagają usuwania predyktorów, łączenia ich w indeks ani regresji grzbietowej. Każdą wartość trzeba oceniać razem z liczebnością próby, R² modelu i zmiennością predyktora, bo to one decydują, czy przedział ufności dla b jest wystarczająco wąski.

Jak czytać wartości VIF
VIFR²jBłąd standardowy rośnieCo zrobić
10× 1.00Nic – predyktor niezależny od pozostałych
2.50× 1.41Zwykle nic; typowe dla powiązanych cech
5.80× 2.24Sprawdź korelacje i szerokość przedziałów ufności
10.90× 3.16Zastanów się, czy predyktory nie mierzą tego samego konstruktu

Drugie ograniczenie: VIF wskazuje, że predyktor jest współliniowy, ale nie mówi, z którym. Kim (2019) zwraca uwagę, że do tego służą udziały w dekompozycji wariancji (ang. variance decomposition proportions) przy wskaźnikach uwarunkowania powyżej 10–30; w praktyce zwykle wystarczy macierz korelacji predyktorów.

Przykład: VIF w modelu satysfakcji z życia

W badaniu 250 dorosłych (dane symulowane) satysfakcję z życia (skala 5–35) przewidywano neurotycznością, lękiem-cechą, objawami depresji, ekstrawersją, wsparciem społecznym i miejscem zamieszkania (wieś, małe miasto, duże miasto). Model wyjaśniał 57% wariancji, R² = .57, F(7, 242) = 46.01, p < .001. Lęk-cecha korelował z neurotycznością (r = .86) i objawami depresji (r = .76). Wartości VIF z funkcji car::vif() i z ręcznie policzonych regresji pomocniczych są identyczne:

VIF, tolerancja i pierwiastek z VIF dla predyktorów satysfakcji z życia
PredyktorR²jTolerancjaVIF√VIF
Lęk-cecha.807.1935.192.28
Neurotyczność.749.2513.992.00
Objawy depresji.607.3932.551.60
Wsparcie społeczne.228.7721.301.14
Ekstrawersja.206.7941.261.12
Miejsce zamieszkania (GVIF, df = 2)——1.041.01*

Pozostałe predyktory wyjaśniają 81% wariancji lęku-cechy, więc jego błąd standardowy jest 2.28 raza większy niż przy braku współliniowości. Widać to w wyniku: choć lęk korelował z satysfakcją z życia na poziomie r = −.62, jego współczynnik w modelu był bliski zera i nieistotny, b = −0.05, SE = 0.06, p = .401. Neurotyczność (VIF = 3.99) „mieści się” w progu 5, a lęk (VIF = 5.19) go przekracza – ale różnica między tymi wartościami jest niewielka i nie zmienia jakościowo interpretacji. Próg 5 nie dzieli predyktorów na dobre i złe.

Gwiazdka w tabeli oznacza GVIF1/(2·df). Dla czynnika kodowanego kilkoma zmiennymi zero-jedynkowymi (dummy coding) zwykły VIF zależałby od wyboru kategorii odniesienia. Fox i Monette (1992) uogólnili VIF na zestawy kolumn – kategorie zmiennej jakościowej albo składniki wielomianu – i to uogólnienie (GVIF) wypisuje car::vif(). Zgodnie z dokumentacją pakietu car kolumnę GVIF1/(2·df) porównuje się z √VIF: dla miejsca zamieszkania wartość 1.01 oznacza praktyczny brak współliniowości.

VIF da się też odtworzyć z typowej tabeli wyników opublikowanego badania. Thompson i in. (2017) zauważają, że diagnostykę współliniowości rzadko się raportuje, i pokazują, jak policzyć VIF ze współczynnika standaryzowanego β i korelacji semicząstkowej sr: VIF = (β / sr)². Dla lęku β = −0.0807, a sr = −.0354, więc β / sr = 2.279 (to właśnie √VIF), a VIF = 2.279² = 5.19 – tyle samo co z regresji pomocniczej.

Jak opisać VIF w pracy (APA)

VIF podaje się zwykle w jednym zdaniu w części o założeniach albo jako dodatkową kolumnę w tabeli regresji. Zawsze napisz, jaki zakres przyjęły wartości i co z tego wynika dla interpretacji. Wzór dla przykładu:

Współliniowość predyktorów oceniono za pomocą współczynnika VIF (dla miejsca zamieszkania – uogólnionego GVIF). Wartości VIF mieściły się w przedziale od 1.04 (miejsce zamieszkania) do 5.19 (lęk-cecha). Lęk-cecha był silnie skorelowany z neurotycznością (r = .86) i objawami depresji (r = .76), co zwiększyło błąd standardowy jego współczynnika około 2.3 raza; dlatego brak istotnego związku lęku z satysfakcją z życia przy kontroli pozostałych predyktorów (b = −0.05, SE = 0.06, p = .401) interpretowano ostrożnie.

Jak połączyć opis VIF z diagnostyką reszt i obserwacji wpływowych w jednym rozdziale wyników, pokazujemy w poradniku regresja wieloraka krok po kroku.

Przykład reprodukowalny

Przykład w R i SPSS

Kod tworzy dane z przykładu, szacuje model, liczy VIF funkcją car::vif() i odtwarza go ręcznie z regresji pomocniczych oraz ze współczynnika β i korelacji semicząstkowej. Liczby w tekście i panel B rysunku 1 pochodzą z tego kodu.

VIF, tolerancja i GVIF w modelu regresji wielorakiej

Dane wejściowe: 250 dorosłych (dane symulowane, set.seed(352)): satysfakcja z życia (5–35), neurotyczność (1–5), lęk-cecha (20–80), objawy depresji (0–27), ekstrawersja (1–5), wsparcie społeczne (1–7) i miejsce zamieszkania (trzy kategorie).

Co odczytać: macierz korelacji predyktorów, Multiple R-squared i wiersz lek w tabeli współczynników, kolumny GVIF i GVIF^(1/(2*Df)) z vif() (dla predyktorów z jednym stopniem swobody GVIF = VIF), tabelę R2_j, tolerancja, VIF i SE_razy (√VIF) oraz VIF odtworzony z β i sr.

R
suppressPackageStartupMessages({
  library(car)    # vif()
  library(MASS)   # mvrnorm() – tylko do symulacji danych
})

# Dane symulowane: N = 250 dorosłych; satysfakcja z życia (SWLS, 5–35) i sześć predyktorów
set.seed(352)
n <- 250
R <- matrix(c( 1.00,  0.86,  0.66, -0.30, -0.20,
               0.86,  1.00,  0.72, -0.25, -0.25,
               0.66,  0.72,  1.00, -0.25, -0.35,
              -0.30, -0.25, -0.25,  1.00,  0.30,
              -0.20, -0.25, -0.35,  0.30,  1.00), 5, byrow = TRUE)
Z <- mvrnorm(n, mu = rep(0, 5), Sigma = R)
neurotycznosc <- round(pmin(pmax(3.0 + 0.7 * Z[, 1], 1), 5), 2)   # 1–5
lek           <- round(pmin(pmax(44 + 10 * Z[, 2], 20), 80))      # lęk-cecha, 20–80
depresja      <- round(pmin(pmax(8 + 5 * Z[, 3], 0), 27))         # objawy depresji, 0–27
ekstrawersja  <- round(pmin(pmax(3.3 + 0.7 * Z[, 4], 1), 5), 2)   # 1–5
wsparcie      <- round(pmin(pmax(5.4 + 1.0 * Z[, 5], 1), 7), 2)   # wsparcie społeczne, 1–7
miejsce <- factor(sample(c("wieś", "małe miasto", "duże miasto"), n, replace = TRUE, prob = c(.30, .35, .35)),
                  levels = c("wieś", "małe miasto", "duże miasto"))
swls <- round(pmin(pmax(22 - 1.2 * (neurotycznosc - 3) - 0.08 * (lek - 44) - 0.35 * (depresja - 8) +
                        1.0 * (ekstrawersja - 3.3) + 1.6 * (wsparcie - 5.4) + rnorm(n, sd = 4.2), 5), 35))
dane <- data.frame(swls, neurotycznosc, lek, depresja, ekstrawersja, wsparcie, miejsce)
round(cor(dane[, 1:6]), 2)

model <- lm(swls ~ neurotycznosc + lek + depresja + ekstrawersja + wsparcie + miejsce, data = dane)
summary(model)
vif(model)        # dla czynnika miejsce: GVIF i GVIF^(1/(2*Df))

# VIF „ręcznie”: regresja pomocnicza każdego predyktora ilościowego na pozostałe predyktory
pred <- c("neurotycznosc", "lek", "depresja", "ekstrawersja", "wsparcie")
tab <- t(sapply(pred, function(x) {
  r2 <- summary(lm(reformulate(setdiff(c(pred, "miejsce"), x), response = x), data = dane))$r.squared
  c(R2_j = r2, tolerancja = 1 - r2, VIF = 1 / (1 - r2), SE_razy = sqrt(1 / (1 - r2)))
}))
round(tab, 3)

# VIF z typowej tabeli wyników: (beta / korelacja semicząstkowa)^2
beta_lek <- coef(model)["lek"] * sd(dane$lek) / sd(dane$swls)
sr2_lek  <- summary(model)$r.squared - summary(update(model, . ~ . - lek))$r.squared
sr_lek   <- sign(beta_lek) * sqrt(sr2_lek)          # korelacja semicząstkowa (znak jak beta)
round(c(beta = unname(beta_lek), sr = unname(sr_lek), beta_do_sr = unname(beta_lek / sr_lek),
        VIF = unname((beta_lek / sr_lek)^2)), 4)
Wynik w R
               swls neurotycznosc   lek depresja ekstrawersja wsparcie
swls           1.00         -0.61 -0.62    -0.62         0.44     0.51
neurotycznosc -0.61          1.00  0.86     0.67        -0.34    -0.22
lek           -0.62          0.86  1.00     0.76        -0.36    -0.27
depresja      -0.62          0.67  0.76     1.00        -0.31    -0.38
ekstrawersja   0.44         -0.34 -0.36    -0.31         1.00     0.35
wsparcie       0.51         -0.22 -0.27    -0.38         0.35     1.00

Call:
lm(formula = swls ~ neurotycznosc + lek + depresja + ekstrawersja + 
    wsparcie + miejsce, data = dane)

Residuals:
     Min       1Q   Median       3Q      Max 
-12.4304  -2.8990  -0.0553   3.2893  10.0294 

Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)        19.04260    2.68548   7.091 1.46e-11 ***
neurotycznosc      -2.41107    0.73598  -3.276  0.00121 ** 
lek                -0.05126    0.06097  -0.841  0.40131    
depresja           -0.27550    0.08307  -3.316  0.00105 ** 
ekstrawersja        1.30258    0.41268   3.156  0.00180 ** 
wsparcie            1.89623    0.31489   6.022 6.36e-09 ***
miejscemałe miasto  0.45460    0.68357   0.665  0.50666    
miejsceduże miasto -0.36444    0.69250  -0.526  0.59918    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.238 on 242 degrees of freedom
Multiple R-squared:  0.571,	Adjusted R-squared:  0.5586 
F-statistic: 46.01 on 7 and 242 DF,  p-value: < 2.2e-16

                  GVIF Df GVIF^(1/(2*Df))
neurotycznosc 3.987725  1        1.996929
lek           5.193401  1        2.278903
depresja      2.545135  1        1.595348
ekstrawersja  1.259729  1        1.122377
wsparcie      1.295300  1        1.138113
miejsce       1.044680  2        1.010988
               R2_j tolerancja   VIF SE_razy
neurotycznosc 0.749      0.251 3.988   1.997
lek           0.807      0.193 5.193   2.279
depresja      0.607      0.393 2.545   1.595
ekstrawersja  0.206      0.794 1.260   1.122
wsparcie      0.228      0.772 1.295   1.138
      beta         sr beta_do_sr        VIF 
   -0.0807    -0.0354     2.2789     5.1934 

SPSS

Ścieżka: Analiza → Regresja → Liniowa (ang. Analyze → Regression → Linear) → przycisk Statystyki → zaznacz Diagnostyka współliniowości (ang. Collinearity diagnostics). Zmienną jakościową wprowadź jako zestaw zmiennych zero-jedynkowych.

Co odczytać: w tabeli „Współczynniki” kolumny Tolerancja i VIF dla każdego predyktora; osobna tabela „Diagnostyka współliniowości” podaje wartości własne, wskaźniki uwarunkowania i udziały wariancji. SPSS nie liczy GVIF – dla zmiennych zero-jedynkowych jednego czynnika VIF zależy od kategorii odniesienia.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
  3. MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Traktowanie progów 5 i 10 jak testu statystycznego. VIF = 4.9 i VIF = 5.1 opisują praktycznie tę samą sytuację; oceniaj szerokość przedziałów ufności (O’Brien, 2007).
  • Usuwanie ważnego teoretycznie predyktora tylko z powodu wysokiego VIF. Zmienia to pytanie badawcze i może obciążyć pozostałe współczynniki – zob. współliniowość.
  • Liczenie VIF dla pojedynczych zmiennych zero-jedynkowych jednego czynnika. Dla zmiennej kategorialnej o kilku poziomach używaj GVIF (Fox i Monette, 1992).
  • Panika przy wysokim VIF w modelu z interakcją lub kwadratem predyktora. X i X² albo X i X·Z są skorelowane z definicji; wycentrowanie zmiennych obniża VIF składników niższego rzędu, ale nie zmienia testu składnika najwyższego rzędu – zob. regresja krzywoliniowa i moderacja.
  • Raportowanie VIF bez modelu. VIF zależy od zestawu predyktorów; podawaj go dla modelu, który interpretujesz.
  • Traktowanie niskiego VIF jak dowodu poprawności modelu. VIF nie mówi nic o nieliniowości, heteroskedastyczności ani obserwacjach wpływowych – te sprawdzasz na resztach, za pomocą odległości Cooka, a w danych zbieranych w czasie – testem Durbina-Watsona.

Najczęstsze pytania

Co to jest VIF w regresji?

VIF (variance inflation factor) mówi, ile razy wariancja współczynnika regresji danego predyktora jest większa, niż byłaby, gdyby predyktor nie był skorelowany z pozostałymi. VIF = 1 oznacza brak współliniowości, a VIF = 4 – dwukrotnie większy błąd standardowy współczynnika.

Jak obliczyć VIF?

Przeprowadź regresję pomocniczą: przewiduj dany predyktor wszystkimi pozostałymi predyktorami modelu i odczytaj R²j. VIF = 1/(1 − R²j). W przykładzie z tej strony R²j = .807, więc VIF = 1/(1 − .807) = 5.19. W R: car::vif(model).

Jaki VIF jest za wysoki?

Często przyjmuje się progi 5 albo 10, ale to konwencje. O’Brien (2007) pokazuje, że nawet bardzo wysokie VIF same w sobie nie przekreślają wyników – trzeba je oceniać razem z liczebnością próby, R² modelu i szerokością przedziałów ufności. VIF powyżej 5 to sygnał, by sprawdzić korelacje predyktorów i sens ich jednoczesnego użycia.

Czym różni się VIF od tolerancji?

To ta sama informacja w dwóch postaciach: tolerancja = 1 − R²j = 1/VIF. Tolerancja .20 odpowiada VIF = 5, a tolerancja .10 – VIF = 10. SPSS podaje obie wartości w tabeli współczynników.

Co to jest GVIF w pakiecie car?

GVIF to uogólniony VIF dla predyktorów opisanych kilkoma kolumnami, np. zmiennej kategorialnej zakodowanej zmiennymi zero-jedynkowymi albo wielomianu (Fox i Monette, 1992). Funkcja car::vif() wypisuje też GVIF1/(2·df), który porównuje się z √VIF.

Czy wysoki VIF przy interakcji jest problemem?

Zwykle nie. Iloczyn X·Z albo kwadrat X² są z definicji skorelowane ze swoimi składnikami, więc mają wysokie VIF. Wycentrowanie predyktorów obniża VIF składników niższego rzędu, ale nie zmienia testu interakcji ani składnika kwadratowego.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Fox, J., & Monette, G. (1992). Generalized collinearity diagnostics. Journal of the American Statistical Association, 87(417), 178–183. https://doi.org/10.1080/01621459.1992.10475190
  2. Kim, J. H. (2019). Multicollinearity and misleading statistical results. Korean Journal of Anesthesiology, 72(6), 558–569. https://doi.org/10.4097/kja.19087 ● Otwarty dostęp
  3. O’Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690. https://doi.org/10.1007/s11135-006-9018-6
  4. Thompson, C. G., Kim, R. S., Aloe, A. M., & Becker, B. J. (2017). Extracting the variance inflation factor and other multicollinearity diagnostics from typical regression results. Basic and Applied Social Psychology, 39(2), 81–90. https://doi.org/10.1080/01973533.2016.1277529

Cytowania BibTeX

@article{fox1992generalized, author={Fox, John and Monette, Georges}, title={{Generalized collinearity diagnostics}}, journal={Journal of the American Statistical Association}, year={1992}, volume={87}, number={417}, pages={178--183}, doi={10.1080/01621459.1992.10475190}}
@article{kim2019multicollinearity, author={Kim, Jong Hae}, title={{Multicollinearity and misleading statistical results}}, journal={Korean Journal of Anesthesiology}, year={2019}, volume={72}, number={6}, pages={558--569}, doi={10.4097/kja.19087}}
@article{obrien2007caution, author={O’Brien, Robert M.}, title={{A caution regarding rules of thumb for variance inflation factors}}, journal={Quality \& Quantity}, year={2007}, volume={41}, number={5}, pages={673--690}, doi={10.1007/s11135-006-9018-6}}
@article{thompson2017extracting, author={Thompson, Christopher Glen and Kim, Rae Seon and Aloe, Ariel M. and Becker, Betsy Jane}, title={{Extracting the variance inflation factor and other multicollinearity diagnostics from typical regression results}}, journal={Basic and Applied Social Psychology}, year={2017}, volume={39}, number={2}, pages={81--90}, doi={10.1080/01973533.2016.1277529}}
R