Belsley, Kuh ve Welsch olduğu sorusuna bu tür gitmek için metni. Bunlar, "Tarihi Perspektif" başlıklı bir bölümde daha eski teşhislerin kapsamlı bir şekilde tartışılmasını içermektedir. VIF konusunda yazıyorlar
... verilerinin ortalandığını ve birim uzunluğa sahip olacak şekilde ölçeklendiğini varsayarsak, korelasyon matrisi basitçe . ...XRX′X
Biz düşünen . , nin köşegen elemanlarına genellikle varyans enflasyon faktörleri denir, ve tanı değerleri ilişkisinden sonra gelir. burada , kalan açıklayıcı değişkenler üzerinde gerileyen çoklu korelasyon katsayısıdır . Açıkça yüksek bir VIF, birliğe yakın bir olduğunu gösterir ve bu nedenle işaret eder. Bu nedenle, bu önlem, genel olarak müşterekliğin bir göstergesi olarak kullanılmaktadır. gibi zayıf yönleriR−1=(X′X)−1R−1riiVIFi
VIFi=11−R2i
R2iXiR2iR, var olan birçok yakın bağımlılığı birbirinden ayırt edememesi ve yüksek olarak kabul edilebilecek ve düşük olarak değerlendirilebilecek VIF değerleri arasında ayrım yapmak için anlamlı bir sınır bulunmaması nedeniyle yatmaktadır.
(veya ) analiz etmek yerine BKW, Tekil Değer Ayrışmasının dikkatli ve kontrollü bir incelemesini önerir . Bunlar en küçük tekil değerlerin en büyük oranı olduğunu göstererek bu motive durum numarası arasında ve durum numarası (sıkı zamanlarda) içerir nasıl regresyon tahminlerinin hesaplanması hataları işlem çoğaltılma sınırlarını göstermektedir. parametre tahminlerinin varyanslarının tekil değerlerle ilişkili bileşenlere yaklaşık olarak ayrıştırılmasını . Bu ayrışmanın gücü (çoğu durumda) doğayı ortaya çıkarma yeteneğinde yatarRR−1XXβ^i sadece varlığını göstermek yerine kollearlık.
Yüzlerce değişkeni olan regresyon modelleri yapan herkes bu özelliği takdir edecektir! Yazılımın "verileriniz doğru, ilerleyemiyorum" ve hatta "verileriniz doğru, aşağıdaki değişkenleri atıyorum" demek için bir şey var. " değişken grubunun hesaplamalarda kararsızlığa neden olduğunu söyleyebilmesi çok daha yararlı bir şey : bu değişkenlerden hangisini onsuz yapabileceğinizi veya dikkate alabileceğinizi görün sayılarını azaltmak için temel bileşenler analizi yapmak. "Xi1,…,Xik
Nihayetinde, BKW kollearliği teşhis etmeyi öneriyor
... aşağıdaki çift durum:
- Yüksek bir durum indeksine sahip olduğuna karar verilen ve bununla ilişkili tekil bir değer
- İki veya daha fazla tahmini regresyon katsayısı varyansı için yüksek varyans-ayrışma oranları .
(1) 'de büyük kabul edilen koşul indekslerinin sayısı (örneğin, büyük ) veri matrisinin sütunları arasındaki yakın bağımlılıkların sayısını tanımlar ve bu yüksek koşullu indekslerin büyüklükleri, göreceli "sıkılıklarının bir ölçüsünü sağlar. " Ayrıca, her bir yüksek koşul indeksi ile ilişkili büyük varyans-ayrışma oranlarının (2'den büyük ) saptanması, buna karşılık gelen yakın bağımlılıkta yer alan değişkenleri ve bu oranların yüksekliğini durum indeksi, karşılık gelen regresyon tahmininin eş-doğrusallık mevcudiyeti ile ayrılma derecesinin bir ölçüsünü sağlar.30X0.5