분산팽창계수 (Variance Inflation Factor)

한 줄 정의: 회귀분석에서 특정 독립변수가 다른 독립변수들과 얼마나 겹치는(상관된) 정보를 담고 있는지를 숫자로 나타내어, 다중공선성의 심각한 정도를 알려주는 지표입니다.

쉽게 풀면

회귀분석에서는 여러 독립변수를 동시에 넣어 각 변수가 결과에 미치는 영향을 따로따로 구분해내려고 합니다. 그런데 만약 "키"와 "몸무게"처럼 두 변수가 서로 너무 비슷한 정보를 담고 있다면, 모형은 둘 중 무엇 때문에 결과가 달라졌는지 헷갈리게 되고, 계수의 표준오차가 커져 추정이 불안정해집니다.

분산팽창계수는 바로 이 "헷갈리는 정도"를 숫자로 알려줍니다. 값이 1에 가까우면 문제가 거의 없고, 보통 10을 넘어가면 다중공선성이 심각하다고 판단합니다.

왜 중요한가

회귀분석은 각 독립변수가 종속변수에 미치는 고유한 영향을 추정하는 것을 목표로 하는데, 다중공선성이 존재하면 이 추정이 불안정해지고 계수의 해석이 왜곡될 수 있습니다. VIF는 이러한 문제를 진단하는 표준적인 사전 점검 절차로, 경제학·사회과학·의학 등 회귀분석을 사용하는 거의 모든 실증 연구에서 모형의 신뢰성을 뒷받침하는 근거로 보고됩니다.

계산과 범위

변수 j의 VIF는 그 변수를 나머지 설명변수들로 회귀했을 때의 결정계수 R_j²로 계산합니다.

VIF_j = 1 ÷ (1 − R_j²), 공차(tolerance) = 1 ÷ VIF = 1 − R_j²

R_j²	VIF	공차	계수의 표준오차 배율(√VIF)
0	1.0	1.00	1.00배
0.50	2.0	0.50	1.41배
0.80	5.0	0.20	2.24배
0.90	10.0	0.10	3.16배
0.95	20.0	0.05	4.47배

범위: 1 이상이며 상한은 없습니다. 1이면 다른 변수와 전혀 겹치지 않는다는 뜻입니다.
설명변수가 둘뿐이면 두 변수의 VIF는 같고 1 ÷ (1 − r²)입니다. 가상의 모의자료에서 두 변수의 상관이 r = .868이면 VIF ≈ 4.05입니다.

해석 기준

‘VIF가 5(또는 10)를 넘으면 문제’라는 기준은 관례입니다. 교과서(예: Kutner 외, 2005)는 가장 큰 VIF가 10을 넘으면 심각한 다중공선성을 의심하라고 합니다. VIF 10은 R_j² = .90, 표준오차가 3.16배 커진다는 뜻입니다.

O’Brien(2007)은 이런 문턱값이 기계적으로 쓰이는 것을 경계했습니다. 표본이 크거나 효과가 크면 VIF가 커도 결론이 흔들리지 않을 수 있고, 반대로 VIF가 작아도 표본이 작으면 불안정할 수 있습니다.
상호작용항·제곱항은 원래 변수와 구조적으로 상관이 높아 VIF가 크게 나오기 쉽습니다. 변수를 평균중심화하면 크게 줄어듭니다.
VIF는 관심 변수의 계수가 얼마나 불안정한지를 봅니다. 통제변수들끼리 상관이 높아도 관심 변수의 VIF가 낮다면 문제가 크지 않습니다.
범주형 변수를 더미로 쓸 때는 더미 하나하나의 VIF 대신, 변수 전체를 묶어 보는 일반화 VIF(GVIF)를 쓰기도 합니다(Fox & Monette, 1992).

보고 방법

각 변수의 VIF를 표에 싣거나, 최댓값(또는 범위)과 사용한 기준을 문장으로 적습니다.

독립변수 간 다중공선성을 확인한 결과 분산팽창지수(VIF)는 1.02~1.14로 기준(10) 미만이었고 공차는 0.88~0.98로 0.1 이상이었다. (형식을 보여 주려는 가상의 문장)

어떤 기준(5 또는 10)을 썼는지 밝힙니다.
VIF가 큰 변수를 어떻게 처리했는지(제거, 합성, 중심화, 능형회귀 등)를 적으면 독자가 결과를 신뢰하기 쉽습니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.

“변수에 대한 분산팽창인자(variance inflation factor)는 1.02–1.14로 10 미만이며, 공차한계값은 0.88–0.98로 모두 0.1 이상이므로 독립변수 간의 다중공선성이 없음을 확인하였다.”
여대생의 e헬스 문해력, 생식건강 증진 행위가 삶의 질에 미치는 영향, Journal of Korean Maternal and Child Health, 2026 · KoreaMed Synapse · 원문 보기 ↗
“본 연구에서의 공차한계 값은 모두 0.1 이상이며, 분산팽창지수 모두 10 이하의 값을 나타내어 측정변수 간의 다중공선성은 존재하지 않는 것으로 나타났다(Table 2).”
여성 류마티스 관절염 환자의 건강관련 삶의 질 구조모형, Korean Journal of Women Health Nursing, 2023 · KoreaMed Synapse · 원문 보기 ↗
“다중다항 로지스틱 회귀분석 수행 전 변수 간 다중공선성을 확인하기 위해 variance inflation factor (VIF)를 산출했으며, 모든 변수의 VIF가 2 미만이므로 변수 간 다중공선성이 없는 것으로 판단했다.”
한국 장애인의 영양 위험 관련 요인: 장애인삶 패널조사 자료를 이용하여, Korean Journal of Community Nutrition, 2025 · KoreaMed Synapse · 원문 보기 ↗

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"모든 독립변수의 분산팽창계수(VIF)는 2 미만으로 나타나, 다중공선성 문제는 심각하지 않은 것으로 확인되었다."

이 문장은 회귀모형에 투입한 독립변수들이 서로 심하게 겹치는 정보를 담고 있지 않아서, 각 변수의 회귀계수를 비교적 안정적으로 해석할 수 있다는 뜻입니다. 반대로 VIF가 10을 크게 넘는 변수가 있다면, 그 변수를 빼거나 관련 변수들을 합치는 등의 조치를 고려하게 됩니다.

"소득, 교육연수, 거주지역을 포함한 사회경제적 변수들 간 VIF를 산출한 결과 최대값이 3.5로 나타나 다중공선성으로 인한 추정 편의는 크지 않은 것으로 판단되었다."

사회과학 연구에서는 여러 사회경제적 지표를 동시에 통제변수로 투입하는 경우가 많아, VIF 점검을 통해 이들 변수 간 정보 중복을 사전에 확인하는 절차가 흔히 보고됩니다.

"임상 예측모형에 포함된 검사 수치들 중 두 항목의 VIF가 8 이상으로 나타나, 두 변수 중 임상적 해석이 용이한 항목만을 최종 모형에 포함하였다."

의학 연구에서는 서로 밀접하게 연관된 검사 수치들을 동시에 사용할 때 VIF를 근거로 변수를 선별하거나 결합하는 방식으로 모형을 단순화하는 경우가 많습니다.

조금 더 깊게 보면

VIF는 특정 독립변수를 나머지 독립변수들로 회귀했을 때 얻어지는 결정계수(R²)를 이용해 계산되며, 이 R²가 클수록(즉 그 변수가 다른 변수들로 잘 설명될수록) VIF 값도 커집니다.

VIF는 다중공선성의 정도를 보여줄 뿐, 그 자체가 모형의 전반적인 적합도나 인과적 타당성을 보장하지는 않으므로 상관행렬, 공차한계(tolerance, VIF의 역수) 등 다른 진단 지표와 함께 검토하는 것이 일반적입니다. 다중공선성이 확인된 경우에는 변수를 제거하거나 주성분분석·능형회귀 같은 방법으로 대응하기도 합니다.

주의할 점

VIF가 낮다고 해서 모형에 다른 문제가 없다는 뜻은 아니며, 다중공선성은 VIF 외에도 상관행렬이나 상태지수 등 다른 방법으로도 함께 점검하는 것이 좋습니다. 또한 VIF는 어느 정도부터 "심각하다"고 볼지에 대한 절대적 기준이 없어, 연구 분야나 표본 크기에 따라 판단 기준이 달라질 수 있습니다.

헷갈리기 쉬운 용어

VIF와 이웃한 진단 도구는 서로 다른 것을 봅니다.

용어	무엇을 보나	차이
다중공선성	설명변수끼리 겹치는 현상 자체	VIF는 이 현상을 숫자로 재는 도구 중 하나
공차(tolerance)	1 − R<sub>j</sub>², 즉 1 ÷ VIF	같은 정보를 거꾸로 표현. 작을수록 문제(보통 0.1 미만 주의)
상관계수	변수 두 개씩의 직선 관계	세 변수 이상이 함께 만드는 겹침은 잡지 못할 수 있음
상태지수(condition index)	설계행렬 전체의 불안정성	어느 변수 조합이 문제인지 분해해서 볼 수 있음

VIF가 낮다는 것은 ‘변수끼리 겹치지 않는다’는 뜻일 뿐, 모형이 옳다거나 인과 해석이 가능하다는 뜻은 아닙니다.

참고 문헌

Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. Wiley.
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill/Irwin.
O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690.
Fox, J., & Monette, G. (1992). Generalized collinearity diagnostics. Journal of the American Statistical Association, 87(417), 178–183.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.