Multicolinealidad (S.8)

ADMINISTRACIÓN Y NEGOCIOS INTERNACIONALES
ECONOMETRÍA EMPRESARIAL
SEMANA 8:
MULTICOLINEALIDAD
1
MULTICOLINEALIDAD
Hipótesis del Modelo: Las variables X, toman valores distintos

en la muestra.
Problema: Multicolinealidad.
Multicolinealidad: Las variables X. toman valores muy

semejantes en la muestra.
2
Existe Multicolinealidad cuando en un modelo de regresión
lineal múltiple las variables explicativas están correlacionadas
entre sí.
Esta correlación se debe a que las variables económicas reales

raramente son independientes.
El caso extremo, la Multicolinealidad Perfecta, ocurre cuando

un regresor es una combinación lineal exacta de otro u otros.
3
Concepto de Multicolinealidad (o Colinealidad)
El término multicolinealidad (o colinealidad) en Econometría se

refiere a una situación en la que dos o más variables
explicativas están fuertemente interrelacionadas y, por tanto,
resulta difícil medir sus efectos individuales sobre la variable
endógena. Cabe distinguir dos casos:
 Multicolinealidad exacta o perfecta

 Multicolinealidad de grado o aproximad
4
 Multicolinealidad exacta o perfecta
En este caso existen infinitas soluciones para el sistema.
 Multicolinealidad de grado o aproximada
Existe una solución formalmente óptima al problema de

mínima suma de cuadrados. Sin embargo, esta suma está
mal condicionada, ya que la función objetivo es muy plana
en el entorno del óptimo y, por tanto, existen infinitas
soluciones casi tan buenas como la óptima.
5
6
Fuentes de Multicolinealidad
1. Método de recolección de información: Obtención de muestras en

un intervalo limitado de valores.
2. Restricciones en el modelo o en la población objeto de muestreo.
3. Especificación del modelo.
4. Modelos sobredeterminados: Cuando el modelo tiene más

variables explicativas que el número de observaciones.
5. Las variables del modelo comparten una tendencia en común: Es

que estos aumenten o disminuyan a lo largo del tiempo.
7
Efectos de la Colinealidad: Consecuencias
 Las varianzas de las estimaciones aumentan de forma drástica

con el grado de correlación.
 Esto hará que los estadísticos t sean muy bajos cuando hay
multicolinealidad.
 Las covarianzas de las estimaciones aumentan de manera
drástica también.
 H0: K = 0 a nivel individual se aceptará con frecuencia.
 Pero se rechaza la hipótesis de no significatividad conjunta.
 Hay una pérdida de precisión en la estimación.
 Los coeficientes estimados serán muy sensibles a pequeños
cambios en los datos.
8
Efectos de la Colinealidad
El efecto fundamental de la colinealidad exacta es que no existe

una solución única del sistema de ecuaciones normales.
Cuando la colinealidad es de grado:

 Las estimaciones individuales de los parámetros están mal
identificadas.
 Se produce una inflación de la varianza de las estimaciones.
 Las estimaciones resultan muy sensibles a la muestra.
9
Mala identificación de las estimaciones
Por ejemplo, sea el modelo:

Yt = 0 + 1Xt1 + 2Xt2 + ut (1)
en donde:
Xt2 = 1Xt1 + et (2)
Sustituyendo (2) en (1) se obtiene:

Yt = 0 + 1Xt1 + 2 (1Xt1 + et ) + t
Yt = 0 + (1+ 2 1) Xt1 + 2et + t
10
y, si la varianza de et es pequeña, el parámetro de Xt2 estará mal
identificado, ya que esta variable aporta poca información que no
esté ya contenida en Xt1. En el límite, si la varianza de et fuera nula,
tendríamos un problema de colinealidad exacta.
Inflación de la varianza de las estimaciones

Las varianzas de los parámetros tienden a ser mayores que en
una situación bien condicionada. Por tanto, los contrastes de
hipótesis serán menos precisos y, concretamente, puede ocurrir
que se consideren no significativos parámetros que los serían si
la colinealidad fueran menor.
11
Estimaciones sensibles a la muestra
Puesto que la función objetivo (suma de cuadrados de

residuos) es muy plana en el entorno del óptimo, pequeños
cambios en los valores de Y o de X puede dar lugar a cambios
importantes en las estimaciones.
12
Casos en que suele haber problemas de Colinealidad
Resulta frecuente que surja un problema de colinealidad en los

siguientes casos:
En modelos de series temporales, cuando se incluyen como

variables explicativas retardos sucesivos de la variable
endógena o de alguna de las variables explicativas. Esto
provoca colinealidad porque los valores de una variable
económica en distintos instantes de tiempo suelen estar
correlacionados entre sí.
13
En modelos de series temporales, cuando se emplean
variables explicativas con tendencia.
Cuando se consideran muchas variables explicativas.

Lógicamente, a medida que aumenta el número de variables
explicativas, es más fácil que aparezca una relación entre ellas,
que dé lugar a un problema de colinealidad.
En modelos con variables cualitativas, surge un problema de

colinealidad exacta.
14
Criterios de diagnóstico de Colinealidad
Para decidir si la colinealidad de grado constituye un problema

debemos tener en cuenta los objetivos de nuestro análisis
concreto. Por ejemplo, la colinealidad no nos preocupa
demasiado si nuestro objetivo es predecir, pero es un
problema muy grave si el análisis se centra en interpretar las
estimaciones de los parámetros.
Para diagnosticar este problema hay dos métodos:

15
Métodos basados en la correlación entre variables explicativas.
Si calculamos los coeficientes de correlación muestral entre
cada par de variables, podemos decir que existe un problema
de colinealidad si algún coeficiente de correlación es mayor
(en valor absoluto) que una tolerancia. Los problemas de este
método son:
a) Sólo puede detectar correlación entre pares de variables

explicativas.
b) La tolerancia es arbitraria.
16
Métodos basados en el tamaño de |XTX|
k
Como sabemos:
|XTX| =  i
i=t
Siendo i el i-ésimo autovalor de la matriz. Por tanto, podemos

reducir el diagnóstico a comprobar si la matriz tiene algún
autovalor próximo a cero. Para evitar el problema de
unidades de medida, este análisis suele hacerse utilizando el
número de condición de |XTX| que se puede definir de varias
maneras:
17
18
Soluciones al problema de Colinealidad
El problema de colinealidad consiste, esencialmente, en que la

muestra no contiene suficiente información para estimar todos
los parámetros que se desean. Por ello, resolver el problema
requiere añadir nueva información (muestral o extramuestral) o
cambiar la especificación. Algunas posibles soluciones en esta
línea son:
19
Añadir nuevas observaciones. Aumentar el tamaño muestral
puede reducir un problema de colinealidad de grado.
Restringir parámetros. Evidentemente, si la Teoría Económica

o la experiencia empírica sugieren algunas restricciones sobre
los parámetros del modelo más afectados por la colinealidad,
imponerlas permitirá reducir el problema. El riesgo que se
corre es, obviamente, imponer restricciones que no son
ciertas.
20
Suprimir variables. Si se suprimen variables que están
correlacionadas con otras, la pérdida de capacidad explicativa
será pequeña y la colinealidad se reducirá. Existe, sin
embargo, el riesgo de eliminar variables que debieran
mantenerse en el modelo ya que, como hemos visto, cuando
hay colinealidad las varianzas de los parámetros están infladas
y los parámetros pueden ser formalmente no significativos.
21
Transformar las variables del modelo. Si la colinealidad se debe a que
se están relacionando series temporales con tendencia, puede ser
conveniente transformar las variables para eliminar esta tendencia.
 Utilizar información extramuestral

 Sustituir un valor de un coeficiente de una de las variables
colineales por una estimación proveniente de otro estudio.
 Imponer restricciones sobre los coeficientes.
 Riesgos
 Si la estimación extramuestral es sesgada, el sesgo se
transmite al resto de estimaciones.
 Obtener resultados que simplemente reflejen las restricciones.
22
Ejemplo:
23
Buen fin de semana!
24

Multicolinealidad (S.8)

Cargado por

Copyright:

Formatos disponibles

Multicolinealidad (S.8)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Multicolinealidad (S.8)

Cargado por

Copyright:

Formatos disponibles

ADMINISTRACIÓN Y NEGOCIOS INTERNACIONALES

Hipótesis del Modelo: Las variables X, toman valores distintos

Multicolinealidad: Las variables X. toman valores muy

Esta correlación se debe a que las variables económicas reales

El caso extremo, la Multicolinealidad Perfecta, ocurre cuando

El término multicolinealidad (o colinealidad) en Econometría se

 Multicolinealidad exacta o perfecta

En este caso existen infinitas soluciones para el sistema.

 Multicolinealidad de grado o aproximada

Existe una solución formalmente óptima al problema de

1. Método de recolección de información: Obtención de muestras en

2. Restricciones en el modelo o en la población objeto de muestreo.

3. Especificación del modelo.

4. Modelos sobredeterminados: Cuando el modelo tiene más

5. Las variables del modelo comparten una tendencia en común: Es

 Las varianzas de las estimaciones aumentan de forma drástica

El efecto fundamental de la colinealidad exacta es que no existe

Cuando la colinealidad es de grado:

Por ejemplo, sea el modelo:

Sustituyendo (2) en (1) se obtiene:

Inflación de la varianza de las estimaciones

Puesto que la función objetivo (suma de cuadrados de

Resulta frecuente que surja un problema de colinealidad en los

En modelos de series temporales, cuando se incluyen como

Cuando se consideran muchas variables explicativas.

En modelos con variables cualitativas, surge un problema de

Para decidir si la colinealidad de grado constituye un problema

Para diagnosticar este problema hay dos métodos:

a) Sólo puede detectar correlación entre pares de variables

Siendo i el i-ésimo autovalor de la matriz. Por tanto, podemos

El problema de colinealidad consiste, esencialmente, en que la

Restringir parámetros. Evidentemente, si la Teoría Económica

 Utilizar información extramuestral

También podría gustarte