MULTICOLINEALIDAD

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

El supuesto 10 plantea que no existe multicolinealidad entre los regresores

incluidos en el modelo,

Los supuestos 7 y 8 son complementarios al anterior

El supuesto 7 especifica que el numero de observaciones debe superar al

numero de regresores.
 MULTICOLINEALIDAD
Consideramos importante buscar respuesta a las siguientes
interrogantes referentes a la multicolinealidad:

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

Originalmente significa la existencia de una relacion perfecta o

exacta entre algunas o todas las variables explicativas de un
modelo de regresion.
Estrictamente la multicolinealidad se refiere a la existencia de
mas de una relacion lineal entre X2X3X4 .

Y=1+2X2 +3X3+4X4 + i
Existe una relacion lineal entre las
variables: X2X3X4 .
No existe multicolinealidad si el
modelo no es lineal

Dado el siguiente modelo no 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

Si se satisfacen los supuestos del modelo clasico, los

estimadores MCO de los coeficientes de regresion son MELI.
(puesto que la casi multicolinealidad por si misma no viola los
otros supuestos enumerados)
Ch. Achen sostiene que: los estudiantes ocasionalmente se
preucupan de que sus variables independientes esten
correlacionadas el llamado problema de multicolinealidad.
Sin embargo la multicolinealidad no viola los supuestos de la regresion. Se
presentaran estimacions consistentes e insesgadas y sus erores estandar
se estimaran en la forma correcta.
El unico efecto de la multicolinealidad tiene que ver con la dificultad de obtener
los coeficientes estimado con errores standard pequeos.
Sin embargo el mismo problema se tiene al contar con un numero reducido de
observaciones o la tener variables independientes con varianzas
pequeas.
Consecuencias practicas de la multicolinealidad

En los casos de alta multicolinealidad es posible que se presenten las

siguientes consecuencias:
1. Aun cuando los estimadores MCO son meli estos presentan varianzas y
covarianzas grandes que hacen dificil la estimacion precisa.
2. Debido a 1, los intervalos de confianza tienden a ser mas amplios
conduciendo a una aceptacion mas facil de la Ho
3. Tambien las t de uno o mas coeficientes tiende a ser estadisticamente no
significativo.
4. Aun cuando las t de uno o mas sea estadisticamente no significativo, el R2
puede ser mas alto
5. Los estimadores MCO y sus errores estandar pueden ser sensible a
pequeos cambios en la informacion.
COMO DETECTAR? --La Multicolinealidad
El problema de multicolinealidad es un problema de grado y no de clase.
Puesto que es esencialmente un problema de tipo muestral que surge de la
informacion no experimental, no se tinen un metodo unico para detectarla
o medir su fuerza. Existen algunas reglas practicas y estas son:
1. Un R2 elevado es un sintoma clasico, t bajos, F alta , y R2 alta.
2. Altas correlaciones entre parejas de regresores
3. Examen de las correlaciones parciales y regresiones auxiliares.
RESUMEN:
Se sospecha de R altas,
t y F contradictorias
COVA x1 x2 con correlacin alta
MEDIDAS REMEDIALES para la multicolinealidad

qu puede hacerse si la multicolinealidad es grave?

Como en el caso de deteccion no hay guias
infalibles, la multicolinealidad es
esencialmente un problema muestral.

Sin embargo se pueden ensayar las siguientes

reglas dependiendo su xito de la gravedad
del problema de colinelaidad.
 MEDIDAS REMEDIALES para la multicolinealidad

Que puede hacerse si la multicolinealidad es grave?, NO

HAY GUIAS INFALIBLES
Informacion a priori
Combinacion de los coeficientes de corte transversal y de
series de tiempo
Eliminar variables y el sesgo de especificacion
Transformacin de variables
Datos nuevos o adicionales
Reduccion de colinealidad con modelos polinomiales.
Usar tecnicas multivariadas ( analisis de factores, cluster)
MEDIDAS REMEDIALES Informacion a priori

Suponga se considera el modelo

Y=1+2X2+3X3+4X4 + i

Suponga que a PRIORI se cree que 4= 0.22

Entonces el modelo se convierte en
Y=1+2X2+3X3+0.2 2X4 +
MEDIDAS REMEDIALES Combinacion datos de corte
transversal y de series de tiempo

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.

Por tanto el remedio puede ser peor que la enfermedad.

Miestras que la multicolinealidad puede obstaculizar la estimacion
precisa de los parametros del modelo la omision puede llevar a graves
equivocacines con respecto a los valores de los parmetros
MEDIDAS REMEDIALES Transformacin de
variables
Suponga que tiene informacion de sieries de tiempo sobre el gasto de consumo, el
ingreso y la riqueza. Una informacion de la alta colinealidad entre el ingreso y la
riqueza es que en el tiempo las dos variables tienden a moverse en la misma
direccion.
Si el modelo cumple para el periodo t
Y=1+2X2+3X3+ i (1)
Tambien cumple para el periodo t-1
Y t-1=1+2X2 t-1+3X3 t-1 + i (2)
Si restamos de la ecuacion (1) la ecuacion (2) se obtiene un resultado
conocida como la FORMA EN PRIMERAS DIFERENCIAS, ya que
no ese esta corriendo la regresion con las variables originales sino
sobre las diferencias de los valores sucesivos de dichas variables.
MEDIDAS REMEDIALES Datos nuevos o
adicionales
Muchas veces con solo aumentar el tamao de la muestra con
datos adicionales se podria resolver el problema, claro que
esto implicaz costos adicionales

Hay que tener cuidado en agregar datos recolectados en

procesos diferentes , cuidar que la estructura de la
recoleccion de datos original se mantengas.
MEDIDAS REMEDIALES Reduccion
de
colinealidad con modelos polinomiales.
Una forma alterna de solucion es convertir los modelos
lineales en no lineales, como son modelos cuadraticos,
exponenciales tipo Cobb Douglas

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