Varianzinflationsfaktor
In diesem Beitrag
Was versteht man unter Varianzinflationsfaktor?
Der Varianzinflationsfaktor (VIF) ist ein Maß zur Erkennung von Multikollinearität in einem Regressionsmodell. Multikollinearität bezeichnet das Problem, dass zwei oder mehr unabhängige Variablen (Prädiktoren) stark miteinander korrelieren – und damit dem Modell ähnliche oder nahezu identische Information liefern.
Der VIF gibt an, um welchen Faktor die Varianz eines Regressionskoeffizienten durch Multikollinearität aufgebläht wird, verglichen mit einem Modell ohne Kollinearität. Er wird für jeden Prädiktor separat berechnet:
Formel: Varianzinflationsfaktor
Dabei ist das Bestimmtheitsmaß aus einer Hilfsregression, in der der Prädiktor durch alle übrigen Prädiktoren im Modell vorhergesagt wird. Je besser die anderen Prädiktoren einen bestimmten Prädiktor erklären können, desto höher ist – und desto größer wird der VIF.
Daumenregeln zur Interpretation
| VIF-Wert | Interpretation |
|---|---|
| 1 | Keine Kollinearität – Prädiktor ist unabhängig von den anderen |
| 1 – 5 | Moderate Kollinearität – in der Regel akzeptabel |
| 5 – 10 | Hohe Kollinearität – kritisch prüfen |
| > 10 | Sehr hohe Kollinearität – Handlungsbedarf |
Warum ist der Varianzinflationsfaktor für statistische Analysen wichtig?
In einer multiplen Regression sollen die Koeffizienten den eigenständigen Beitrag jedes Prädiktors auf die abhängige Variable abbilden. Wenn Prädiktoren stark miteinander korrelieren, wird diese Trennung unzuverlässig: Die Standardfehler der Koeffizienten steigen, Konfidenzintervalle werden breiter, und Signifikanztests verlieren an Aussagekraft. Das Modell als Ganzes kann trotzdem gut angepasst sein – einzelne Koeffizienten sind jedoch kaum noch interpretierbar.
Der VIF macht dieses Problem sichtbar und messbar. Er ist daher ein wichtiger Bestandteil der Modelldiagnostik und sollte bei jeder multiplen Regression geprüft werden, bevor Ergebnisse inhaltlich interpretiert werden.
Was tun bei hohem VIF?
- Prädiktor entfernen: Wenn zwei Variablen nahezu dasselbe messen, kann eine davon aus dem Modell genommen werden.
- Variablen zusammenfassen: Per Mittelwertindex oder Faktorenanalyse lassen sich kollineare Variablen zu einem gemeinsamen Faktor verdichten.
- Ridge-Regression: Eine regularisierte Regressionsmethode, die stabiler gegenüber Multikollinearität ist.
- Zentrieren: Bei Interaktionstermen kann das Zentrieren der Prädiktoren die VIF-Werte deutlich reduzieren.
Praxisbeispiel zu Varianzinflationsfaktor
Eine Forscherin untersucht, welche Faktoren den Blutdruck von Patientinnen und Patienten vorhersagen. Sie nimmt folgende Prädiktoren in ihr Regressionsmodell auf: Körpergewicht (in kg), Body-Mass-Index (BMI) und tägliche Kalorienzufuhr.
Nach der Schätzung berechnet sie den VIF für jeden Prädiktor:
| Prädiktor | VIF | Bewertung |
|---|---|---|
| Körpergewicht (kg) | 11,3 | Sehr hohe Kollinearität |
| BMI | 10,8 | Sehr hohe Kollinearität |
| Kalorienzufuhr | 2,1 | Akzeptabel |
Körpergewicht und BMI weisen extrem hohe VIF-Werte auf – was wenig überrascht, denn der BMI wird direkt aus dem Gewicht berechnet. Beide Variablen messen im Wesentlichen dasselbe Konstrukt. Die Forscherin entscheidet sich, den BMI aus dem Modell zu entfernen und nur das Körpergewicht beizubehalten. Nach dieser Anpassung sinken die VIF-Werte aller verbleibenden Prädiktoren in einen unkritischen Bereich, und die Koeffizientenschätzungen werden deutlich stabiler.
