VIF共线性诊断

所属分类：相关性分析

这个方法是做什么的

回答一个问题：这批变量里，有没有哪一个近似等于其余变量的线性组合。做法是以每个变量为因变量、其余变量为自变量各做一次辅助回归，得到这个变量被其余变量解释掉的比例 R²ᵢ，于是 VIF = 1 / (1 − R²ᵢ)，容忍度 = 1/VIF = 1 − R²ᵢ。“方差膨胀”这个名字来自它的实用含义：与“完全不共线”相比，√VIF 就是这个变量的回归系数标准误被放大的倍数——VIF = 4 意味着标准误翻倍、置信区间宽一倍。

除了 VIF 与容忍度，报告还给出每个辅助回归的 R²ᵢ 及其 F 检验、VIF 的 Bootstrap 95% 置信区间、变量之间的零阶 Pearson 相关矩阵与热力图，以及 Belsley-Kuh-Welsch 条件指数与方差分解比例。最后这一项比 VIF 更进一步：VIF 只能告诉你某个变量整体上有多共线，条件指数能指出是哪几个变量凑成了一条近似线性关系。

需要准备什么数据

• 分析变量(定量)：至少 2 个，定量变量（数值）

数据要求

• 数据表至少 30 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 建回归之前先摸底一批候选自变量彼此重叠到什么程度
• 回归系数的符号与常识相反，或者整体 F 很显著、单个系数却都不显著时，回头查共线
• 一批高度同源的量表维度（工作压力、情绪耗竭、职业倦怠）要不要一起进模型
• 论文需要单独报告共线性诊断，且要给出条件数与方差分解比例

参与诊断的变量必须全部是定量的，定类变量要先做哑变量编码再进来；至少 2 个变量；样本量必须大于变量个数，否则辅助回归没有残差自由度，VIF 会发散。缺失按列表删除，任一变量缺失即整行剔除。还要注意 VIF 是诊断指标而不是假设检验，它不要求变量正态、也不要求变量之间是线性关系，所以卡① 只核查“能不能算、算得稳不稳”，不做正态性与方差齐性检验。「线性回归 (最小二乘法)」的第一张卡本来就带一张 VIF 与容忍度的表，本模块是把这件事做深，而且不需要指定因变量。

什么时候不要用它

• 你已经在跑回归、只想看一眼有没有共线：「线性回归 (最小二乘法)」的第一张卡已经给了 VIF、容忍度与判定，不必单开本模块；要条件指数、方差分解比例或 VIF 置信区间时再过来。
• 已经确认严重共线、又不想删变量：用「岭回归(Ridge)」或「Lasso回归」，正则化能把系数估计稳住；若干个相互替代的变量也可以先用「主成分分析(PCA)」压成综合维度再进模型。
• 你想知道的是两个变量之间关系有多强：用「Pearson相关性分析」。反过来也成立——两两相关全都不高，仍然可能存在“一个变量 ≈ 其余若干变量的线性组合”的多元共线，这正是 VIF 相对于相关矩阵的价值。
• 目的是从一大堆候选变量里挑出该进模型的那些：用「特征筛选」或「逐步回归」。VIF 只诊断不筛选，而且样本量勉强大于变量数时它自己就不稳——辅助回归的残差自由度 df₂ = n − k 太小，会让 R²ᵢ 被高估、VIF 虚高。
• 你怀疑的依赖关系不是线性的：VIF 和它背后的辅助回归度量的都是线性相依，变量之间若是阈值型或 U 形依赖，VIF 可以全部接近 1。单调的非线性依赖用「Spearman相关分析」更容易看出来，非单调的只能靠散点图。

容易误读的地方

• VIF 高不等于模型不能用，取决于你要做预测还是解释单个系数。 共线性不影响模型整体的 R² 与整体 F 检验，对预测的影响也有限；它伤的是单个系数：标准误被放大 √VIF 倍，于是系数不稳定、p 值容易不显著、换一批相似的数据符号都可能变。所以目的是预测时，较高的 VIF 常常可以不处理；而在小样本、要逐个解释系数、要报告某个变量净效应的研究里，VIF = 5 就可能已经致命。“整体 F 很显著、单个系数却都不显著”正是共线性最典型的症状。
• VIF > 10 只是常用经验阈值，不是定论。 报告采用的 <5 良好 / 5~10 中度 / >10 严重这套判读没有分布理论支撑，不同学科的惯例也不一样。要不要处理得同时看三件事：研究目的是预测还是解释、样本量有多大（同样的 VIF，n = 1000 时系数照样估得准，n = 60 时就危险）、以及你关心的那个系数的置信区间宽到了什么程度。把阈值当门禁用，会既漏掉真问题、又删掉不该删的变量。
• 不要用辅助回归的 p 值判断共线严重不严重。 那个 F 检验的原假设是“该变量与其余变量线性无关”，也就是 R²ᵢ = 0、VIF = 1——门槛低到几乎必然被拒绝。示例里三个变量的 VIF 分别是 1.892、1.693、1.610，全部判读为“良好”，而三个辅助回归的 p 全都小于 0.001。共线性严重与否只看 VIF 的大小，不看 p。
• VIF 与条件数可能给出不一样的印象，别只挑好看的那个报。 VIF 只说某个变量整体有多共线，说不出是哪几个变量凑在一起；第四张卡的条件指数与方差分解比例才回答后一个问题，判据是同一行（同一个主成分）里条件指数大于 30、且有两个及以上变量的方差分解比例大于 0.5。两者不总是同步：示例最大 VIF 只有 1.892（良好），条件数却是 20.24（弱到中度共线）。原因在于条件指数把常数项也放进设计矩阵、并且按列缩放而不中心化，因此对变量的量纲与均值水平更敏感。两者结论不一致时，要说清楚你依据的是哪一个。
• 哑变量组、交互项与其主效应之间天然共线，不能按 VIF 逐个剔除。 同一个定类变量拆出来的一组哑变量彼此互斥，本来就相关；交互项 X·Z 与 X、Z 也必然相关。这类高 VIF 是结构性的，正确做法是让它们整组进出模型（交互项通常先把主效应中心化，能消掉相当一部分这种非本质的共线），而不是看谁 VIF 高就删谁。同样地，删变量也不是唯一出路——把相互替代的变量合并成综合指标、做主成分回归、改用正则化方法，都能解决问题而且不丢信息。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：VIF 共线性诊断主结果表
3. 输出结果三：可视化
4. 输出结果四：效应量与深入诊断
5. 输出结果五：结论与学术表述