Académique Documents
Professionnel Documents
Culture Documents
Carlos
Villantoy
VIOLACION DE SUPUESTOS
1 El modelo es lineal en los parametros
2 Los valores de los regresores, las X son fijos en muestreo repetido
3. Para X dadas, el valor medio de las perturbacines es cero
4. Para X dadas, la varianza de es constante u homocedastica
5.Para X dadas, no hay autocorrelacion en las perturbaciones
6.Sin las X son estocasticas, el termino de perturbacion y las X
estocasticas son independientes o la menos no estan
correlacionados
7.El numero de observaciones debe ser mayor que el numero de
regresores
8.Debe haber suficiente variabilidad en los valores que toman los
regresores
9.El modelo de regresion esta correctamente especificada
10.No hay relacion leneal exacta es decir no hay multicolinealidad
en los regresores
11.El termino etocastico (de perturbacion) esta normalmente
distribuido
MULTICOLINEALIDAD
Es un hecho real que muchas variables explicativas son altamente colineales.
HACIENDO DIFICIL AISLAR SUS EFECTOS INDIVIDUALES SOBRE LA
VARIABLE DEPENDIENTE
las medidas para corregir el diseo pueden resultar desastrosos e
inapropiados, es mejor aceptar que la informacion no ofrece mucha claridad
1. Cual es su naturaleza?
2. Es realmente un problema?
3. cules son sus consecuencias practicas?
4. cmo se detecta?
5. qu medidas remediales pueden tomarse para corregir el
problema de la multicolinealidad?
Naturaleza de la multicolinealidad
Y=1+2X2 +3X3+4X4 + i
Existe una relacion lineal entre las
variables: X2X3X4 .
No existe multicolinealidad si el
modelo no es lineal
Y=1+2X32+3X43+4X4+i
Este tipo de modelos no violan el supuesto de no
multicolinealidad.
Sin embargo el coeficiente de correlacion
convencional mostrara que X32 X43 X4
Lo cual hara dificil estimar los parametros con mayor precision, es
decir con errores standard pequeso.l
Fuentes de la multicolinealidad
La presencia de multicolinealidad se da a los siguientes factores:
1.El metodo de recoleccion de informacion en un rango
limitado de valores por los regresores de la poblacion.
2. Restricciones sobre el modelo o la pblacion objeto de
muestreo, por ejemplo el ingreso y tamao de las
viviendas
3. Especificacion del modelo, la adicion de terminos polinomiales
cuando el rango de la variable es pequeo
4. Un modelo sobredeterminado, sucede cuando el modelo tiene
mas variables explicativas que el numero de observadciones,
por ejemplo caso de pocos pacientes para gran numero de
variables.
Grafico de Ballentine de multicolinealidad
Consecuencias teoricas de la multicolinealidad
La mezclas de datos de corte transversal con series de tiempo sugerida por TOBIN ,
esta medida es similar a la anterior es decir se podrian utilizar resultados de
elasticidades calculados con datos de corte transversal para luego incluir en los
modelos de series.
Aunque esta tecnica aparece atractiva la mezcla de datos de series de tiempo con los de
corte transversal puede crear problemas de interpretacion. Esta tecnica es valiosa
en la medida que las estimaciones de corte transversal no varien sustancialmente
MEDIDAS REMEDIALES Eliminar variables y el
sesgo de especificacion
La solucion mas simple consiste en omitir o eliminar del modelo una de
las variables colineales.
Sin embargo al omitir una variable se puede estar incurriendo en un
sesgo de especificacin.
Por lo que eliminar una variable del modelo para resolver el problema
esta decisin puede producir un sesgo de especificacion.
Y= 1 + 2X + 3X2
Y= Aw1 2 v
EJEMPLO :MODELO CON MULTICOLINEALIDAD
CON LOS DATOS DEL ARCHIVO MULTI1 CORRER EL
MODELO
Y=0+1X1+2X2+ i
Donde
Y (importaciones),
X1 (PBI),
X2(indice de precios)
PASO 1: CREAR BASE DE DATOS SI ES DATO
NUEVO pero si recupera de archivo usar FILE
PASO 2: Configurar el tipo de datos
PASO 3: INGRESAR variables con DATA: Y
(importaciones), X1 (PBI), X2(indice de precios)
PASO 4: VERIFICAR LOS DATOS Y GUARDAR ARCHIVO
PASO 5: Correr regresion con LS Y C X1 X2
Verificar multicolinealidad con LS X1 C X2
Convertir modelo a doble logaritmico, usar GENR para
transformar variables y correr LS C LX1 LX2