Hva er multikollinearitet?

Multikollinearitet oppstår når to eller flere forklaringsvariabler er sterkt korrelerte. Dette skaper ikke brudd på OLS-forutsetningene, men gir praktiske problemer med upresise estimater.

Konsekvenser av multikollinearitet:

OLS-estimatene er fremdeles forventningsrette og konsistente
Standardfeilene blir store → bredere konfidensintervall
t-verdiene blir lave → vanskelig å påvise signifikans for enkeltvariabler
$R^2$ kan være høy, men individuelle koeffisienter er ikke signifikante

Diagnostikk: VIF

Variance Inflation Factor (VIF) er det viktigste diagnostiske verktøyet:

$VIF_j = \frac{1}{1 - R^2_j}$

der $R^2_j$ er forklaringsgraden fra en hjelperegresjon av $x_j$ på alle andre forklaringsvariabler.

Tommelfingerregel: $VIF > 10$ (eller $VIF > 5$) indikerer alvorlig multikollinearitet.

Tegn på multikollinearitet

Høy $R^2$ men få signifikante variabler
Høye parvise korrelasjoner mellom forklaringsvariabler
Estimatene endrer seg mye når en variabel legges til eller fjernes
VIF-verdier over 5–10

Tiltak

Fjerne en av de korrelerte variablene
Slå sammen variabler (indeks, gjennomsnitt)
Øke utvalgsstørrelsen
Bruke prinsipalkomponentanalyse (PCA)

Eksempel: Tolkning av VIF

I en regresjonsmodell med $x_1$ (utdanning) og $x_2$ (erfaring) får vi $VIF_1 = 3{,}2$ og $VIF_2 = 3{,}2$. Er multikollinearitet et problem?

Løsning:

$VIF = 3{,}2 < 5$, så multikollineariteten er moderat og ikke alvorlig. Vi kan beholde begge variablene. Dersom $VIF$ hadde vært over 10, burde vi vurdert tiltak.

Studieguide: Multikollinearitet

Studieguide: Multikollinearitet