Cara menghitung vif di excel

Multikolinearitas dalam analisis regresi terjadi ketika dua atau lebih variabel penjelas berkorelasi tinggi satu sama lain, sehingga tidak memberikan informasi yang unik atau independen dalam model regresi. Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model regresi.

Untungnya, multikolinearitas dapat dideteksi menggunakan metrik yang disebut faktor inflasi varians (VIF) , yang mengukur korelasi dan kekuatan korelasi antar variabel penjelas dalam model regresi.

Tutorial ini menjelaskan cara menghitung VIF di Excel.

Contoh: menghitung VIF di Excel

Untuk contoh ini, kita akan melakukan regresi linier berganda menggunakan dataset berikut yang menggambarkan atribut 10 pemain bola basket. Kami akan menyesuaikan model regresi dengan menggunakan rating sebagai variabel respon dan poin, assist, dan rebound sebagai variabel penjelas. Selanjutnya kita akan mengidentifikasi nilai VIF untuk setiap variabel penjelas.

Langkah 1: Lakukan regresi linier berganda.

Di pita atas, buka tab Data dan klik Analisis Data. Jika Anda tidak melihat opsi ini, Anda harus menginstal perangkat lunak Analysis ToolPak gratis terlebih dahulu .

Setelah Anda mengklik Analisis Data, jendela baru akan muncul. Pilih Regresi dan klik OK.

Lengkapi tabel yang diperlukan untuk variabel respon dan variabel penjelas, lalu klik OK.

Ini menghasilkan hasil sebagai berikut:

Langkah 2: Hitung VIF untuk setiap variabel penjelas.

Selanjutnya, kita dapat menghitung VIF untuk masing-masing dari ketiga variabel penjelas dengan melakukan regresi individual menggunakan satu variabel penjelas sebagai variabel respon dan dua lainnya sebagai variabel penjelas.

Misalnya, kita dapat menghitung VIF untuk variabel poin dengan melakukan regresi linier berganda menggunakan poin sebagai variabel respon dan assist dan rebound sebagai variabel penjelas.

Ini menghasilkan hasil sebagai berikut:

VIF untuk poin dihitung sebagai 1 / (1 – R Square) = 1 / (1 – .433099) = 1.76 .

Kita kemudian dapat mengulangi proses ini untuk dua variabel lainnya, assist dan rebound .

Ternyata VIF ketiga variabel penjelas adalah sebagai berikut:

poin: 1,76
membantu: 1,96
rebound: 1.18

Bagaimana menafsirkan nilai VIF

Nilai VIF dimulai dari 1 dan tidak memiliki batas atas. Aturan umum untuk menafsirkan VIF adalah:

• Nilai 1 menunjukkan bahwa tidak ada korelasi antara variabel penjelas tertentu dan variabel penjelas lainnya dalam model.
• Nilai antara 1 dan 5 menunjukkan korelasi sedang antara variabel penjelas tertentu dan variabel penjelas lainnya dalam model, namun seringkali tidak cukup parah sehingga memerlukan perhatian khusus.
• Nilai yang lebih besar dari 5 menunjukkan kemungkinan adanya korelasi yang parah antara variabel penjelas tertentu dan variabel penjelas lainnya dalam model. Dalam hal ini, estimasi koefisien dan nilai p pada hasil regresi kemungkinan besar tidak dapat diandalkan.

Karena masing-masing nilai VIF dari variabel penjelas dalam model regresi kita mendekati 1, multikolinearitas tidak menjadi masalah dalam contoh kita.