Выполнение теста VIF в R

Question

Я начал использовать R studio несколько дней назад, и я немного борюсь, чтобы вычислить VIF. Вот так:

У меня есть данные панели и работает с фиксированным эффектом и регрессиями случайного эффекта. У меня есть одна зависимая переменная (New_biz_density) и 2 независимые переменные (Cost_to_start, Capital_requirements). Я бы хотел проверить, обладают ли мои две независимые переменные мультиколлинеарностью, вычисляя свой коэффициент вариации, как для моделей с фиксированным, так и случайным эффектом.

Я уже установил некоторые пакеты для выполнения BIF (Faraway, Car), но не смог это сделать. Кто-нибудь знает, как это сделать?

спасибо!

Вот мой сценарий:

# install.packages("plm") 
library(plm) 

mydata<- read.csv("/Users/juliantabone/Downloads/DATAweakoutliers.csv") 


Y <- cbind(new_biz_density) 
X <- cbind(capital_requirements, cost_to_start) 

# Set data as panel data 
pdata <- plm.data(mydata, index=c("country_code","year")) 

# Descriptive statistics 
summary(Y) 
summary(X) 

# Pooled OLS estimator 
pooling <- plm(Y ~ X, data=pdata, model= "pooling") 
summary(pooling) 

# Between estimator 
between <- plm(Y ~ X, data=pdata, model= "between") 
summary(between) 

# First differences estimator 
firstdiff <- plm(Y ~ X, data=pdata, model= "fd") 
summary(firstdiff) 

# Fixed effects or within estimator 
fixed <- plm(Y ~ X, data=pdata, model= "within") 
summary(fixed) 

# Random effects estimator 
random <- plm(Y ~ X, data=pdata, model= "random") 
summary(random) 

# LM test for random effects versus OLS 
plmtest(pooling) 

# LM test for fixed effects versus OLS 
pFtest(fixed, pooling) 

# Hausman test for fixed versus random effects model 
phtest(random, fixed) 

Answer 1

Там, кажется, два популярных способа расчета ПНП (дисперсионный Инфляционные факторы, для выявления коллинеарности между переменными в регрессии) в R:

виртуальный интерфейс() функция в пакете автомобилей, где вход является моделью. Это требует, чтобы вы сначала подгоняли модель прежде, чем вы сможете проверить наличие VIF среди переменных в модели.

Функция corvif(), где входные данные являются фактическими переменными объяснения кандидата (т. Е. Список переменных, прежде чем модель будет установлена). Эта функция является частью пакета AED (Zuur и др., 2009), который был прекращен. Кажется, что это работает только по перечню переменных, а не по установленной регрессионной модели.