En inglés: Variance Inflation Factor
DEFINICIÓN del «Factor de inflación de la varianza»
El factor de inflación de varianza es una medida de la cantidad de multicolinealidad en un conjunto de variables de regresión múltiples. Una regresión múltiple se usa cuando una persona quiere probar el efecto de múltiples variables sobre un resultado en particular. La variable dependiente es el resultado sobre el que actúan las variables independientes, que son las entradas al modelo. La multicolinealidad existe cuando existe una relación lineal, o correlación, entre una o más de las variables o entradas independientes. La multicolinealidad crea un problema en la regresión múltiple porque, dado que todas las variables de entrada se influyen entre sí, no son realmente independientes y es difícil probar hasta qué punto la combinación de las variables independientes afecta a la variable dependiente, o resultado, dentro del modelo de regresión.
Para asegurarse de que el modelo está especificado correctamente y funciona correctamente, se pueden realizar pruebas de multicolinealidad. El factor de inflación de la varianza es una de estas herramientas de medición. El uso de factores de inflación de varianza ayuda a identificar la severidad de cualquier problema de multicolinealidad para que el modelo pueda ser ajustado. El factor de inflación de varianza mide en qué medida el comportamiento (varianza) de una variable independiente está influenciado, o inflado, por su interacción/correlación con las otras variables independientes.
DESGLOSE ‘Factor de inflación de la varianza’
El factor de inflación de varianza se utiliza comúnmente con una regresión ordinaria de mínimos cuadrados. Mide el grado de multicolinealidad dentro del modelo. La multicolinealidad reduce la legitimidad y el poder predictivo de un modelo. Los factores de inflación de la varianza permiten una medida rápida de cuánto está contribuyendo una variable al error estándar en la regresión. Cuando existen problemas significativos de multicolinealidad, el factor de inflación de la varianza será muy grande para las variables involucradas. Después de identificar estas variables, se pueden utilizar varios enfoques para eliminar o combinar variables colineales, resolviendo el problema de la multicolinealidad.