03 Violacion - Supuestos Multicolinealidad

UNIVERSIDAD NACIONAL
SANTIAGO ANTUNEZ DE MAYOLO
Facultad de Economa y Contabilidad
ECONOMETRIA
II
Escuela Acadmico Profesional de Economa
VIOLACIN A LOS
SUPUESTOS DEL MCRL:
MULTICOLINEALIDAD
MULTICOLINEALIDAD
INTRODUCCION
El modelo de Gauss, modelo clsico o estndar de regresin lineal

(MCRL), es el cimiento de la mayor parte de la teora economtrica y
plantea siete supuestos.
1. Modelo de regresin lineal, o lineal en los parmetros.
2. Los valores de las regresoras, X, son fijos en muestreo repetido
3. Para X dadas, el valor medio de la perturbacin es cero.
4. Para X dadas, las varianzas de es constante u homocedstica.
5. Para X dadas, no hay autocorrelacin en las perturbaciones.
6. Si las X son estocsticas, el trmino de perturbacin y las X
(estocsticas) son independientes, o lo menos, no estn
correlacionadas.
7. El nmero de observaciones debe ser mayor que el nmero de
regresoras.
ECONOMETRIA II
Econ. JOSE RODRIGUEZ HERRERA
MULTICOLINEALIDAD
INTRODUCCION
8. Debe haber suficiente variabilidad en los valores que toman las

regresoras.
9. El modelo de regresin est correctamente especificado
10. No hay relacin lineal exacta (es decir, no hay multicolinealidad)
en las regresoras.
11. El trmino estocstico (de perturbacin) est normalmente
distribuido.
El supuesto 2 lo estudiaremos en los modelos de ecuaciones
simultneas.
ECONOMETRIA II
MULTICOLINEALIDAD
INTRODUCCION
Respecto al supuesto 3, si no se satisface este supuesto, no podemos

estimar el intercepto original 1 o podemos obtener una estimacin
sesgada de 1. Sin embargo, en muchas situaciones prcticas el
intercepto, 1, es de poca importancia; los parmetros con mayor
significado son los coeficientes de pendiente, que permanecen
inalterados aunque se viole el supuesto 3. Adems, en muchas
aplicaciones el trmino del intercepto no tiene interpretacin alguna.
Supuesto 10. Este supuesto no es esencial si el objetivo es solamente
la estimacin. Con el supuesto de normalidad, sin embargo, es
posible establecer que los estimadores de MCO de los coeficientes
de regresin siguen la distribucin normal y que pueden utilizarse
las pruebas t y F para verificar diversas hiptesis estadsticas, sin
importar el tamao de la muestra.
ECONOMETRIA II
MULTICOLINEALIDAD
INTRODUCCION
Pero, qu sucede si las ui no estn normalmente distribuidas?

El hecho de que los estimadores de MCO sigan una distribucin
normal asinttica (segn el supuesto de varianza homoscedstica y
valores fijos de X) aunque las perturbaciones no tengan distribucin
normal es de poca ayuda para los analistas econmicos, que pocas
veces disponen de datos de muestras grandes.
Por tanto, el supuesto de normalidad adquiere importancia para los
fines de pruebas de hiptesis y prediccin. Entonces, teniendo en
mente los problemas de estimacin y de pruebas de hiptesis, y
debido a que las muestras pequeas son la regla ms que la excepcin
en la mayora de los anlisis econmicos, debemos mantener el
supuesto de normalidad.
ECONOMETRIA II
MULTICOLINEALIDAD
INTRODUCCION
Por supuesto, esto significa que, cuando se trata de una muestra finita,
se debe realizar la prueba explcita del supuesto de normalidad
(Anderson-Darling y Jarque-Bera). Se sugiere aplicar stas u otras
pruebas de normalidad a los residuos de la regresin Se debe tener en
cuenta que en muestras finitas sin el supuesto de normalidad, los
estadsticos usuales t y F pueden no seguir las distribuciones t y F.
Los supuestos 6, 7 y 8 estn estrechamente interrelacionados y se
analizan en el tema sobre multicolinealidad.
El supuesto 4 se estudia en el captulo sobre heteroscedasticidad.
El supuesto 5, en el captulo sobre autocorrelacin.
El supuesto 9, en el captulo sobre especificacin de modelos y prueba
de diagnstico.
El supuesto 1 se analizar como tema especial.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
El supuesto 8 del modelo clsico de regresin lineal (MCRL) plantea

que no existe multicolinealidad entre las regresoras incluidas en el
modelo de regresin. En este captulo consideramos en forma crtica
el supuesto de no multicolinealidad en busca de respuestas a las
siguientes preguntas:
1. Cul es la naturaleza de la multicolinealidad?
2. Es la multicolinealidad realmente un problema?
3. Cules son sus consecuencias prcticas?
4. Cmo se detecta?
5. Qu medidas pueden tomarse para aliviar el problema de
multicolinealidad?
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En este captulo tambin analizaremos el supuesto 6 del MCRL, a

saber, que el nmero de observaciones en la muestra debe ser mayor
que el de regresoras, as como el supuesto 7, que requiere una
variabilidad suficiente en los valores de las regresoras, en vista de que
ambos estn estrechamente relacionados con el supuesto de la
multicolinealidad. Al supuesto 6 se le ha denominado, tambin como
el problema de la micronumerosidad, lo cual simplemente significa
un tamao pequeo de muestra.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
NATURALEZA DE LA MULTICOLINEALIDAD
El trmino multicolinealidad originalmente, designaba una relacin
lineal perfecta o exacta entre algunas o todas las variables
explicativas de un modelo de regresin. Para la regresin con k
variables que incluye las variables explicativas X1, X2, . . . , Xk (donde
X1= 1 para todas las observaciones de forma que den cabida al
trmino del intercepto), se dice que existe una relacin lineal exacta si
se satisface la siguiente condicin:
1 1 + 2 2 + + = 0
Donde:
1 , 2 son constantes tal que no todas son simultneamente igual
a cero.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Hoy en da, sin embargo, el trmino multicolinealidad incluye el caso

de multicolinealidad perfecta, como lo indica:
1 1 + 2 2 + + = 0
y tambin el caso en el cual hay X variables intercorrelacionadas pero
no en forma perfecta, de la siguiente manera:
1 1 + 2 2 + + + = 0
donde es un trmino de error estocstico.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para apreciar la diferencia entre multicolinealidad perfecta y

multicolinealidad menos que perfecta suponga, que 20. Entonces:
1 1 + 2 2 + + = 0
se escribe como
que muestra la forma como 2 est exactamente relacionada de

manera lineal con otras variables, o cmo se deriva de una
combinacin lineal de otras variables X.
En esta situacin, el coeficiente de correlacin entre la variable 2 y
la combinacin lineal del lado derecho de la ltima ecuacin est
obligado a ser igual a uno.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En forma similar, si 20, la ecuacin:

1 1 + 2 2 + + + = 0
se escribe como
lo cual muestra que 2 no es una combinacin lineal exacta de otras X

porque est determinada tambin por el trmino de error estocstico
.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Por ejemplo:
Es evidente que X3i =5X2i. Por consiguiente, hay colinealidad perfecta

entre X2 y X3, pues el coeficiente de correlacin r23 es la unidad.
La variable 3 se cre de X3 agregndole simplemente los siguientes
nmeros, tomados de una tabla de nmeros aleatorios: 2, 0, 7, 9, 2.
Ahora ya no hay multicolinealidad perfecta entre X2 y 3 . Sin
embargo, las dos variables estn muy correlacionadas, pues los
clculos indicarn que el coeficiente de correlacin entre ellas es
0.9959
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
El diagrama de Ballentine representa grficamente el problema de la

multicolinealidad.. En esta figura los crculos Y, X2 y X3, representan
las variaciones en Y (la variable dependiente) y en X2 y X3, (las
variables explicativas). El grado de colinealidad se mide por la
magnitud de la interseccin (rea sombreada) de los crculos X2 y X3, .
En la figura (a) no hay interseccin entre X2 y X3, y, por tanto, no hay
colinealidad. En las figuras (b) (c) (d) y (e), el grado de colinealidad
va de bajo a alto: entre mayor sea la interseccin entre X2 y X3,
(es decir, entre mayor sea el rea sombreada), mayor ser el grado de
colinealidad. En el extremo, si X2 y X3, estuvieran superpuestos
completamente (o si X2 estuviera por completo dentro de X3, o
viceversa), la colinealidad sera perfecta.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Observe que la multicolinealidad, como la definimos, se refiere slo a

relaciones lineales entre las variables X. Este concepto no aplica a las
relaciones no lineales entre ellas. Por ejemplo, considere el siguiente
modelo de regresin:
= 0 + 1 + 2 2 + 3 3 +
Donde:
: Costo total de produccin
: Produccin
Las variables 2 (produccin al cuadrado) y 3 (produccin al cubo)
por supuesto estn funcionalmente relacionadas con , pero la
relacin es no lineal. De manera estricta, por consiguiente, modelos
como no lineales no violan el supuesto de no multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Sin embargo, en aplicaciones concretas, el coeficiente de correlacin

medido de forma convencional demostrar que , 2 3 estn
altamente correlacionadas, lo cual dificultar estimar los parmetros
de este modelo regresional con mayor precisin (es decir, con errores
estndar pequeos).
Por qu supone el modelo clsico de regresin lineal que no hay
multicolinealidad entre las X?
El razonamiento es el siguiente: Si la multicolinealidad es perfecta,
los coeficientes de regresin de las variables X son indeterminados y
sus errores estndar, infinitos. Si la multicolinealidad es menos que
perfecta, los coeficientes de regresin, aunque sean determinados,
poseen grandes errores estndar (en relacin con los coeficientes
mismos), lo cual significa que los coeficientes no pueden ser
estimados con gran precisin o exactitud.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Existen diversas fuentes de multicolinealidad y puede deberse a los

siguientes factores:
1. El mtodo de recoleccin de informacin. Por ejemplo, la
obtencin de muestras en un intervalo limitado de valores tomados
por las regresoras en la poblacin.
2. Restricciones en el modelo o en la poblacin objeto de muestreo.
Por ejemplo, en la regresin del consumo de electricidad sobre el
ingreso (2 ) y el tamao de las viviendas (3 ) hay una restriccin
fsica en la poblacin, pues las familias con ingresos ms altos
suelen habitar viviendas ms grandes que las familias con ingresos
ms bajos.
3. Especificacin del modelo. Por ejemplo, la adicin de trminos
polinomiales a un modelo de regresin, en especial cuando el
rango de la variable X es pequeo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
4. Un modelo sobredeterminado. Esto sucede cuando el modelo tiene

ms variables explicativas que el nmero de observaciones. Esto
puede suceder en investigacin mdica, donde en ocasiones hay
un nmero reducido de pacientes sobre quienes se rene
informacin respecto de un gran nmero de variables.
5. Otra razn para la multicolinealidad, sobre todo en los datos de
series de tiempo, puede ser que las regresoras del modelo
compartan una tendencia comn; es decir, que todas aumenten o
disminuyan a lo largo del tiempo. Por tanto, en la regresin del
gasto de consumo sobre el ingreso, la riqueza y la poblacin, las
regresoras ingreso, riqueza y poblacin tal vez todas crezcan con
el tiempo a una tasa aproximadamente igual, con lo cual se
presentara la colinealidad entre dichas variables.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
ESTIMACIN EN PRESENCIA DE MULTICOLINEALIDAD

PERFECTA
Un modelo de regresin con tres variables, expresado con la forma de
desviacin, en la cual todas la variables se expresan como
desviaciones de sus medias muestrales, se escribe de la siguiente
manera:
= 2 2 + 3 3 +
Los estimadores 2 y 3 se calculan de la siguiente manera:
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Suponga ahora que 3 = 2 en donde es una constante diferente

de cero (por ejemplo, 2, 4, 1.8, etc.). Si sustituimos esto en la
ecuacin que define 2 obtenemos
Que es una expresin indeterminada.

Se puede demostrar que 3 tambin es indeterminada.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
0
Porqu obtenemos obtenemos 2 = ?

0
Recuerde el significado de 2 : da la tasa de cambio en el valor

promedio de Y a medida que 2 cambia en una unidad, manteniendo
3 constante. Pero si 3 y 2 son perfectamente colineales, no hay
forma de que 3 se mantenga constante: a medida que 2 cambia,
tambin lo hace 3 por el factor .
Esto significa, entonces, que no hay forma de desenredar las
influencias separadas de 2 y 3 de la muestra dada: para fines
prcticos, 2 y 3 son indistinguibles. En la econometra aplicada,
este problema ocasiona mucho dao, pues la idea consiste en separar
los efectos parciales de cada X sobre la variable dependiente.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Otra forma de ver el mismo cuadro es la siguiente:

Sustituya 3 = 2 en:
= 2 2 + 3 3 +
se obtiene lo siguiente:
= 2 2 + 3 2 +
= 2 2 + 3 +
= 2 +
Donde
= 2 + 3
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Al aplicar la conocida frmula de MCO a

= 2 +
Obtenemos:
2
= 2 + 3 = 2
2
Por consiguiente, aunque se puede estimar en forma nica, no hay

forma de estimar 2 y 3 en forma igualmente nica.
Matemticamente:
= 2 + 3
nos proporciona una sola ecuacin con dos incgnitas (observe que
est dada) y existen infinidad de soluciones para = 2 + 3 con
valores dados de y .
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para expresar esto en trminos concretos, sea = 0.8 y = 2.

Entonces:
0.8 = 2 + 23
2 = 0.8 23
Ahora seleccione un valor de 3 arbitrariamente y tendr una solucin
para 2 . Seleccione otro valor para 3 y tendr otra solucin para 2 .
No importa cunto lo intente, no existe un valor nico para 2 .
En conclusin, en el caso de multicolinealidad perfecta, no puede
obtenerse una solucin nica para los coeficientes de regresin
individual. Sin embargo, se puede obtener una solucin nica para
combinaciones lineales de estos coeficientes.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
La combinacin lineal 2 + 3 se estima en forma nica con ,

dado el valor de .
Asimismo, observe que en el caso de multicolinealidad perfecta, las
varianzas y los errores estndar de 2 y 3 individualmente son
infinitos.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD

ALTA PERO IMPERFECTA
La situacin de multicolinealidad perfecta es un extremo patolgico.
Por lo general no existe una relacin lineal exacta entre las variables
X, en especial en informacin econmica relacionada con series de
tiempo.
Por tanto, de regreso al modelo de tres variables en forma de
desviacin:
= 2 2 + 3 3 +
en lugar de multicolinealidad exacta podemos tener
3 = 2 +
Donde 0 y donde es un trmino de error estocstico tal que
2 = 0
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD

En este caso, sera posible la estimacin de los coeficientes de
regresin 2 y 3 . Por ejemplo, al sustituir 3 = 2 + en
Obtenemos:
Donde se aprovecha que 2 = 0 Se deriva una expresin similar

para 3
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD

Ahora, a diferencia del clculo de 2 anterior, esta beta si puede
estimarse. Desde luego, si es lo bastante pequeo, es decir, muy
cercano a cero, la ecuacin
3 = 2 +
indicar colinealidad casi perfecta, y regresaremos al caso
indeterminado.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
CONSECUENCIAS TEORICAS DE LA MULTICOLINEALIDAD
En el MCRL, si se satisfacen los supuestos, los estimadores de MCO

de los coeficientes de regresin son MELI. Sin embargo, puede
demostrarse que, aunque la multicolinealidad sea muy alta, los
estimadores de MCO conservarn la propiedad MELI.
Entonces, cules son los inconvenientes de la multicolinealidad?
Christopher Achen comenta al respecto:
Los novatos en el estudio de la metodologa en ocasiones se
preocupan porque sus variables independientes estn
correlacionadas: el llamado problema de multicolinealidad. Sin
embargo, la multicolinealidad no viola los supuestos bsicos de la
regresin...
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Se presentarn estimaciones consistentes e insesgadas y sus errores

estndar se estimarn en la forma correcta. El nico efecto de la
multicolinealidad tiene que ver con la dificultad de obtener los
coeficientes estimados con errores estndar pequeos. Sin embargo,
se presenta el mismo problema al contar con un nmero reducido de
observaciones o al tener variables independientes con varianzas
pequeas. (De hecho, en el nivel terico, los conceptos de
multicolinealidad, nmero reducido de observaciones y varianzas
pequeas en las variables independientes forman parte esencial del
mismo problema.) Por tanto, la pregunta qu debe hacerse
entonces con la multicolinealidad? es similar a qu debe hacerse
si no se tienen muchas observaciones? Al respecto no hay una
respuesta estadstica.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para referirse a la importancia del tamao de la muestra, Goldberger

acu el trmino micronumerosidad, como contraparte del extico
nombre polislabo de multicolinealidad.
De acuerdo con Goldberger, la micronumerosidad exacta (la
contraparte de multicolinealidad exacta) surge cuando n, el tamao de
la muestra, es cero, en cuyo caso es imposible cualquier clase de
estimacin. La casi micronumerosidad, igual que la casi
multicolinealidad, surge cuando el nmero de observaciones
escasamente excede al nmero de parmetros que se va a estimar.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
1. Es cierto que aun en el caso de casi multicolinealidad los

estimadores de MCO son insesgados. Pero el insesgamiento es una
propiedad multimuestral o de muestreo repetido. Esto significa que, si
mantenemos fijos los valores de X, si obtenemos muestras repetidas y
calculamos los estimadores de MCO para cada una de esas muestras,
el promedio de los valores muestrales se aproximar a los verdaderos
valores poblacionales de los estimadores a medida que aumenta el
nmero de las muestras. Pero esto nada dice sobre las propiedades de
los estimadores en una muestra dada.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
2. Es cierto que la colinealidad no destruye la propiedad de varianza

mnima: en la clase de los estimadores lineales insesgados, los
estimadores de MCO tienen varianza mnima; es decir, son eficientes.
Pero esto no significa que la varianza de un estimador de MCO
necesariamente sea pequea (en relacin con el valor del estimador)
en cualquier muestra dada.
3. La multicolinealidad es en esencia un fenmeno (de regresin)
muestral en el sentido en que, aunque las variables X no estn
linealmente relacionadas en la poblacin, pueden estarlo en la muestra
particular disponible: cuando se postula la funcin de regresin
terica o poblacional (FRP), se considera que todas las variables X
incluidas del modelo ejercen una influencia separada o independiente
sobre la variable dependiente Y.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Pero puede suceder que en cualquier muestra dada con que se pruebe
la FRP, alguna o todas las variables X sean tan colineales que no sea
posible aislar su influencia individual sobre Y. Es decir, la muestra
falla aunque la teora establezcaque todas las X son importantes. En
resumen, la muestra puede no ser lo bastante rica para acomodar
todas las variables X en el anlisis.
Por todas estas razones, el hecho de que los estimadores de MCO sean
MELI a pesar de la presencia de multicolinealidad es poco consuelo
en la prctica.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
CONSECUENCIAS PRCTICAS DE LA MULTICOLINEALIDAD.
En los casos de casi o alta multicolinealidad es probable que se

presenten las siguientes consecuencias:
1. Aunque los estimadores de MCO son MELI (Mejor Estimador
Lineal Insesgado) (Insesgado: su valor promedio o esperado,
(2 ), es igual al valor verdadero, 2 ), presentan varianzas y
covarianzas grandes que dificultan la estimacin precisa.
2. Debido a la consecuencia (1), los intervalos de confianza tienden a
ser mucho ms amplios, lo cual propicia una aceptacin ms fcil
de la hiptesis nula cero (es decir, que el verdadero coeficiente
poblacional es cero).
3. Tambin debido a la consecuencia (1), la razn t de uno o ms
coeficientes tiende a ser estadsticamente no significativa.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
CONSECUENCIAS PRCTICAS DE LA MULTICOLINEALIDAD.
4. Aunque la razn t de uno o ms coeficientes sea estadsticamente

no significativa, 2 , la medida global de bondad de ajuste, puede
ser muy alta.
5. Los estimadores de MCO y sus errores estndar son sensibles a
pequeos cambios en los datos.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Estimadores de MCO con varianzas y covarianzas grandes
Si r23 es el coeficiente de correlacin entre X2 y X3 y si las varianzas y

covarianzas estn dadas por:
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
De 2 y 3 se desprende que, a medida que r23 tiende a 1,

es decir, a medida que aumenta la colinealidad, tambin lo hacen las
varianzas de los dos estimadores y, en el lmite, cuando r23= 1, son
infinitas.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En el caso de 2 , 3 , es igualmente claro que, a medida que r23

aumenta hacia 1, la covarianza de los dos estimadores tambin
aumenta en valor absoluto.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
La velocidad con que se incrementan las varianzas y covarianzas se ve

con el factor inflacionario de la varianza (FIV), que se define como:
El FIV muestra la forma en que la varianza de un estimador se infla

2 se acerca a
por la presencia de la multicolinealidad. A medida que 23
1, el FIV se acerca a infinito. Es decir, a medida que el grado de
colinealidad aumenta, la varianza de un estimador tambin y, en el
lmite, se vuelve infinita. Como se aprecia, si no hay colinealidad
entre X2 y X3, el FIV ser 1.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
As, las varianzas de los estimadores se definen::
Cabe observar que el inverso del FIV se conoce como tolerancia

(TOL). Es decir,
Cuando 2 = 1 (es decir, colinealidad perfecta), = 0, y cuando

2 = 0 (es decir, no existe ninguna colinealidad), = 1.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Intervalos de confianza ms amplios
Debido a los errores estndar grandes, los intervalos de confianza para los
parmetros poblacionales relevantes tienden a ser mayores.
En casos de alta multicolinealidad, los datos muestrales pueden ser
compatibles con un diverso conjunto de hiptesis. De ah que aumente la
probabilidad de aceptar una hiptesis.
Razones t no significativas
Recuerde que para probar la hiptesis nula de que, por ejemplo, 2 = 0,
utilizamos la razn t, es decir, 2 / = 0 2 y comparamos el valor t
estimado con el valor t crtico de la tabla t. Pero, como vimos, en casos de
alta colinealidad los errores estndar estimados aumentan drsticamente, lo
que disminuye los valores t. Por consiguiente, en tales casos se acepta cada
vez con mayor facilidad la hiptesis nula de que el verdadero valor
poblacional relevante es cero.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
alta pero pocas razones t significativas
Consideremos el modelo de regresin lineal con k variables:

= 1 + 2 2 + + +
En casos de alta colinealidad es posible encontrar, como acabamos de

mencionar, que uno o ms coeficientes parciales de pendiente son, de
manera individual, no significativos estadsticamente con base en la prueba
t. Aun as, en tales situaciones puede ser tan alto, digamos, superior
a 0.9, que, con base en la prueba F, es posible rechazar convincentemente la
hiptesis de que
2 = 3 = = = 0
En realidad, sta es una de las seales de multicolinealidad: valores t no
significativos pero un global alto (y un valor F significativo).
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Sensibilidad de los estimadores de MCO y sus errores estndar ante
cambios pequeos en los datos
Siempre que la multicolinealidad no sea perfecta, es posible la estimacin de
los coeficientes de regresin; sin embargo, las estimaciones y sus errores
estndar se tornan muy sensibles aun al ms ligero cambio de los datos.
Por ejemplo, considere los siguientes datos hipotticos:
DATOS HIPOTETICOS DE Y, X2 y X3 Con base en estos datos obtenemos la
siguiente regresin mltiple:
Y
X2
X3
= 1.1639 + 0.44632 + 0.00303
1
2
4
2
0
2
0.7737
0.1848
(0.0851)
3
4
12
= 1.5431
2.4151 (0.0358)
4
5
ECONOMETRIA II
6
8
0
16
2 = 0.8101
23 = 0.5523
2 , 3 = 0.00868
= 2
MULTICOLINEALIDAD
MULTICOLINEALIDAD
DATOS HIPOTETICOS DE Y, X2 y X3
Y
X2
X3
1
2
4
2
0
2
3
4
0
4
6
12
5
8
16
Ahora considere la tabla adjunta en que se

intercambiaron el tercer y el cuarto valores de
X3. Con esta informacin obtenemos:
= 1.2108 + 0.40142 + 0.02703
0.7480
0.2721
(0.1252)
= 1.6187
1.4752 (0.2158)
2 = 0.8143
23 = 0.8285
2 , 3 = 0.0282
= 2
Como resultado de un ligero cambio en los datos vemos que 2 , antes

estadsticamente significativo en un nivel de significancia de 10%, deja
ahora de serlo aun en ese nivel. Observe tambin que antes, la
2 , 3 = 0.00868 mientras que ahora es 0.0282, un aumento
superior a tres veces su valor inicial.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
DATOS HIPOTETICOS DE Y, X2 y X3
Y
X2
X3
1
2
4
2
0
2
3
4
0
4
6
12
5
8
16
= 1.2108 + 0.40142 + 0.02703

0.7480
0.2721
(0.1252)
= 1.6187
1.4752 (0.2158)
2 = 0.8143
23 = 0.8285
2 , 3 = 0.0282
= 2
Todos estos cambios pueden atribuirse a un aumento de la multicolinealidad:

* Inicialmente, 23 = 0.5523; ahora, 23 = 0.8285.
En forma similar, los errores estndar de 2 3 aumentan entre las dos
regresiones, sntoma caracterstico de la colinealidad.
En presencia de alta colinealidad, no se pueden estimar los coeficientes
de regresin individuales en forma precisa, pero las combinaciones
lineales de estos coeficientes se estiman con mayor exactitud. Esto se
confirma con las regresiones anteriores.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
= 1.1639 + 0.44632 + 0.00303
0.7737
0.1848
(0.0851)
= 1.5431
2.4151 (0.0358)
2 = 0.8101
23 = 0.5523
2 , 3 = 0.00868
= 2
= 1.2108 + 0.40142 + 0.02703

0.7480
0.2721
(0.1252)
= 1.6187
1.4752 (0.2158)
2 = 0.8143
23 = 0.8285
2 , 3 = 0.0282
= 2
En la primera regresin, la suma de los dos coeficientes parciales de las

pendientes es 0.4493, en tanto que en la segunda regresin dicha suma es
0.4284, prcticamente la misma.
No slo eso: sus errores estndar son prcticamente los mismos, 0.1550
frente a 0.1823. Los errores estandar se obtienen de:
Observe, sin embargo, que el coeficiente de X3 cambi en forma notoria,

de 0.003 a 0.027.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejemplo:
Datos hipoteticos sobre consumo,
ingreso y riqueza
y
X2
X3
70
80
810
65
100
1009
90
120
1273
95
140
1425
110
160
1633
115
180
1876
120
200
2052
140
220
2201
155
240
2435
150
260
2686
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejemplo:
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
0.98158
0.96350
0.95308
6.80804
10
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
Variable X 1
Variable X 2
ECONOMETRIA II
2
7
9
Coeficientes
24.77473
0.94154
-0.04243
Suma de
Promedio de
cuadrados los cuadrados
F
8565.55407
4282.77704
92.40196
324.44593
46.34942
8890
Error tpico Estadstico t Probabilidad
6.75250
3.66897
0.00798
0.82290
1.14417
0.29016
0.08066
-0.52606
0.61509
MULTICOLINEALIDAD
MULTICOLINEALIDAD
La regresin muestra que el ingreso y la riqueza explican en conjunto
alrededor de 96% de la variacin en los gastos de consumo. A pesar de esto,
ningn coeficiente de las pendientes es estadsticamente significativo de
manera individual. Adems, no slo la variable riqueza es estadsticamente
no significativa, sino que tambin tiene el signo incorrecto. A priori, se
esperara una relacin positiva entre el consumo y la riqueza.
A pesar de que los estimadores no son significativos individualmente en
trminos estadsticos, si se prueba la hiptesis de que 2=3=0
simultneamente, esta hiptesis puede rechazarse.
En la hoja de respuesta de la regresin, podemos ver que el estadstico F es
altamente significativo con el valor de F=92.4019
El valor F se puede calcular teniendo en cuenta la suma de los errores al
cuadrado de la regresin y de los residuos; luego dividimos estos valores
entre su correspondiente grados de libertad. El resultado de dicha divisin se
vuelve a dividir.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
El ejemplo muestra en forma muy evidente lo que hace la multicolinealidad.
El hecho de que la prueba F sea significativa pero los valores t de X2 y X3
no sean significativos individualmente implica que las dos variables estn
tan correlacionadas que es imposible aislar el impacto individual del ingreso
o de la riqueza sobre el consumo.
Regresionar: X3 sobre X2
Regresionar: Y sobre X2
Regresionar: Y sobre X3
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
La tabla 10.13 proporciona cifras sobre importaciones (M), PIB e ndice de
precios al consumidor (IPC) de Estados Unidos de 1975 a 2005. Se le pide
considerar el siguiente modelo:
Ln Mt=1+ 2 lnPIBt + 3 ln IPCt + mt
a) Estime los parmetros de este modelo con la informacin de la tabla.
b) Sospecha multicolinealidad en los datos?
c) Efecte las siguientes regresiones:
1) Ln Mt= A1 + A2 ln PBIt
2) ln Mt = B1 + B1 ln IPCt
3) ln PBIt = C1 + C2 ln IPCt
Con base en estas regresiones, qu puede decir sobre la naturaleza de la
multicolinealidad en los datos?
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
Ln Mt=1+ 2 lnPIBt + 3 ln IPCt + mt
a) Estime los parmetros de este modelo con la informacin de la tabla.
El alto valor de R2 y el
valor no significativo de t
del coeficiente de Ln IPC
indican que
probablemente existe
multicolinealaidad en los
datos.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
c) Efecte las siguientes regresiones: 1) Ln Mt= A1 + A2 ln PBIt
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
c) Efecte las siguientes regresiones: 2) ln Mt = B1 + B1 ln IPCt
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
c) Efecte las siguientes regresiones: 3) ln PBIt = C1 + C2 ln IPCt
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio 10.27
Con base en estas regresiones, qu puede decir sobre la naturaleza de la
multicolinealidad en los datos?
La regresin LnPBI sobre LnIPC muestran alta correlacin entre estas dos
variables, lo que sugiere que los datos sufren del problema de colinealidad.
La mejor solucin sera expresar
las importaciones y el PBI en
trminos reales, dividiendo cada
uno por el IPC (recordar el
mtodo de la razn que se
discuti en el captulo anterior.
Los resultados son los
siguientes:
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejemplo 10.7: Funcin de consumo para EE.UU
A continuacin consideraremos un grupo de datos sobre gasto de consumo
real (C), ingreso personal disponible real (Yd), riqueza real (W) y tasa de
inters real (I) para Estados Unidos, de 1947 a 2000. Hallar la regresin de
los datos, empleando lo siguiente:
= 1 + 2 + 3 + 4 +
En este modelo, los coeficientes 2 y 3 dan las elasticidades del ingreso y
la riqueza, respectivamente; 4 da la semielasticidad.
Los resultados de la regresin se presentan en la siguiente tabla:
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Los resultados demuestran que
todos los coeficientes estimados
son significativos desde el punto
de vista estadstico, pues sus
valores p son muy pequeos.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Los coeficientes estimados se
interpretan como sigue: la
elasticidad del ingreso es 0.80,
lo que indica que, cuando las
dems variables se mantienen
constantes, si el Yd aumenta 1%,
la media del gasto de C aumenta
0.8%. El coeficiente de riqueza
es 0.20, lo que significa que si
la riqueza aumenta 1%, la media
del consumo se incrementa slo
0.2%, de nuevo cuando las
variables se mantienen
constantes.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
El coeficiente de la variable
tasa de inters indica que, a
medida que la tasa de inters
aumenta un punto porcentual,
el gasto de consumo disminuye
0.26%, ceteris paribus.
Todas las regresoras tienen
signos que concuerdan con las
expectativas previas, es decir,
el ingreso y la riqueza tienen
efecto positivo en el consumo,
pero la tasa de inters produce
un efecto negativo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Hay que preocuparse por el
problema de la multicolinealidad
en este caso? Al parecer no,
porque todos los coeficientes
tienen los signos correctos, cada
coeficiente es muy significativo
estadsticamente en lo individual
y el valor F tambin es
estadsticamente muy
significativo, lo que indica que, en
conjunto, todas las variables
tienen efecto significativo en el
gasto de consumo. El valor R2
tambin es muy alto.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Por supuesto, casi siempre
existe
cierto
grado
de
colinealidad entre las variables
econmicas. Con tal de que no
sea exacto se pueden estimar
los parmetros del modelo. Por
el momento, lo nico que se
puede decir es que, en el
presente
ejemplo,
la
colinealidad, si la hay, no
parece muy marcada.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
DETECCIN DE LA MULTICOLINEALIDAD:
Cmo conocer la presencia de colinealidad en cualquier situacin dada, en
especial en modelos con ms de dos variables explicativas?
Advertencias:
1. La multicolinealidad es una cuestin de grado y no de clase. La distincin
importante no es entre presencia o ausencia de multicolinealidad, sino entre
sus diferentes grados.
2. Como la multicolinealidad se refiere a la condicin de las variables
explicativas que son no estocsticas por supuestos, es una caracterstica de la
muestra y no de la poblacin.
Por consiguiente, no es necesario llevar a cabo pruebas sobre
multicolinealidad, pero, si se desea, es posible medir su grado en cualquier
muestra determinada.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Como la multicolinealidad es en esencia un fenmeno de tipo muestral que
surge de informacin sobre todo no experimental recopilada en la mayora
de las ciencias sociales, no hay un mtodo nico para detectarla o medir su
fuerza. Lo que se tiene en realidad son ciertas reglas prcticas, algunas
informales y otras formales, pero todas reglas prcticas. Consideremos
algunas de ellas.
1. Una R2 elevada pero pocas razones t significativas. Como ya
mencionamos, es un sntoma clsico de multicolinealidad. Si R2 es
alta (por encima de 0.8), la prueba F, en la mayora de los casos,
rechazar la hiptesis de que los coeficientes parciales de pendiente son
simultneamente iguales a cero, pero las pruebas t individuales
mostrarn que ningn coeficiente parcial de pendiente, o muy pocos,
son estadsticamente diferentes de cero (ver ejemplo de consumoingreso-riqueza).
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
2. Altas correlaciones entre parejas de regresoras. Otra regla prctica
recomendable consiste en observar el coeficiente de correlacin de
orden cero o entre dos regresoras. Si ste es alto (superior a 0.8), la
multicolinealidad es un problema grave.
La desventaja con este criterio es que, aunque las altas correlaciones de
orden cero pueden sugerir la presencia de colinealidad, no es necesario
que dichas correlaciones sean altas para tener colinealidad en un
determinado caso especfico. En trminos un poco tcnicos: las
correlaciones de orden cero elevadas son una condicin suficiente pero
no necesaria para la existencia de multicolinealidad, debido a que puede
existir a pesar de que las correlaciones de orden cero o correlaciones
simples sean comparativamente bajas (es decir, inferiores a 0.50).
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En los modelos donde hay ms de dos variables explicativas, la
correlacin simple o de orden cero no proporciona una gua infalible
sobre la presencia de multicolinealidad. Claro que si slo existen dos
variables explicativas, bastarn las correlaciones de orden cero.
3. Examen de las correlaciones parciales. Debido al problema recin
descrito, que se basa en correlaciones de orden cero, otros sugieren que
debe observarse, en lugar de ellas, los coeficientes de correlacin
parcial. De esta forma, en la regresin de Y sobre X2, X3 y X4, si se
2
2
2
2
encuentra que 1.234
es muy elevada pero 12.34
, 13.24
y 14.24
son
comparativamente bajas, esto puede sugerir que las variables X2, X3 y X4
estn muy intercorrelacionadas y que por lo menos una de estas
variables es superflua.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
4. Regresiones auxiliares. Como la multicolinealidad surge porque una o
ms de las regresoras son combinaciones lineales exactas o aproximadas
de las dems regresoras, una forma de determinar cul variable X est
relacionada con las dems variables X es efectuar la regresin de cada Xi
sobre las variables X restantes y calcular la R2 correspondiente; cada una
de estas regresiones se denomina regresin auxiliar de Y sobre las X.
As, conforme a la relacin entre F y R2, la variable:
Sigue la distribucin F con k-2 y n-k+1 gl. En la ecuacin n es el tamao

de la muestra, k es el nmero de variables explicativas, incluyendo el
intercepto y 21.23 es el coeficiente de determinacin en la
regresin de la variable sobre las variables X restantes.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Si la F calculada excede a la Fi crtica en el nivel de significancia
seleccionado, se dice que la Xi particular es colineal con las dems X; si
no excede a la Fi crtica, se dice que sta no es colineal con las dems X,
en cuyo caso se puede mantener la variable en el modelo. Si Fi es
estadsticamente significativa, an hay que decidir si la Xi en
consideracin debe eliminarse del modelo.
Sin embargo, este mtodo no carece de desventajas, pues si la
multicolinealidad comprende slo unas cuantas variables, de forma que
las regresiones auxiliares no sufran de multicolinealidad extensa, los
coeficientes estimados pueden revelar la naturaleza de la dependencia
lineal entre las regresoras. Por desgracia, si existen diversas
asociaciones lineales complejas, este ejercicio de ajuste de curva puede
no tener gran valor, pues ser difcil identificar las interrelaciones
separadas.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En lugar de probar formalmente todos los valores R2 auxiliares, se puede
adoptar la regla prctica de Klein, que sugiere que la multicolinealidad
puede ser un problema complicado solamente si la R2 obtenida de una
regresin auxiliar es mayor que la R2 global, es decir, si se obtiene de la
regresin de Y sobre todas las regresoras. Por cierto, al igual que todas
las dems reglas prcticas, sta debe utilizarse con buen criterio.
5. Valores propios e ndice de condicin. Mediante EViews y Stata
podemos calcular los valores propios y el ndice de condicin para
diagnosticar la multicolinealidad. A partir de estos valores propios puede
derivarse lo que se conoce como nmero de condicin k, definido
como:

=

ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
y el ndice de condicin (IC), definido como:
Entonces tenemos esta regla prctica: Si k est entre l00 y 1000, existe una
multicolinealidad que va de moderada a fuerte, mientras que si excede de
1000, existe multicolinealidad grave.
De otro modo, si el IC est entre 10 y 30, hay multicolinealidad entre
moderada y fuerte, y si excede de 30, una multicolinealidad grave.
Algunos autores consideran que e1 ndice de condicin es el mejor
diagnstico de multicolinealidad disponible. Sin embargo, esta opinin no es
muy aceptada. As, el IC es slo una regla prctica, quiz un poco ms
compleja.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
6. Tolerancia y factor de inflacin de la varianza. Ya vimos el FIV y la
TOL. Conforme 2 -el coeficiente de determinacin en la regresin de
la regresora Xj sobre las regresoras restantes del modelo- se aproxima a
la unidad, es decir, conforme se incrementa la colinealidad de Xj con las
dems regresoras, FIV tambin aumenta, y en el lmite puede ser
infinito.
Algunos autores utilizan, por consiguiente, el FIV como indicador de la
multicolinealidad: entre mayor es el valor del FIVj, mayor problema
o colinealidad tiene la variable Xj. Pero, cunto debe ascender el FIV
antes de que una regresora se convierta en un problema? Como regla
prctica, si el FIV de una variable es superior a 10 (esto sucede si 2
excede de 0.90), se dice que esa variable es muy colineal.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Desde luego, puede utilizarse TOLj como medida de la
multicolinealidad, en vista de su estrecha conexin con FIVj. Mientras
ms cerca est TOLj de cero, mayor ser el grado de colinealidad de esa
variable respecto de las dems regresoras. Por otra parte, mientras ms
cerca est TOLj de 1, mayor ser la evidencia de que Xj no es colineal
con las dems regresoras.
7. Diagrama de dispersin. Es una buena prctica usar un diagrama de
dispersin para ver cmo se relacionan las diversas variables de un
modelo de regresin. La siguiente figura presenta el diagrama de
dispersin del ejemplo de consumo analizado anteriormente.
Se trata de un diagrama de cuatro por cuatro cuadros porque hay cuatro
variables en el modelo, una variable dependiente (C) y tres variables
explicativas: ingreso personal disponible real (Yd), riqueza real (W) y
tasa de inters real (I).
ECONOMETRIA II
MULTICOLINEALIDAD
7000
7000
6000
6000
5000
5000
4000
4000
C01
C01
MULTICOLINEALIDAD
3000
3000
2000
2000
1000
1000
0
-12
-8
-4
0
I
ECONOMETRIA II
10000
20000
30000
40000
MULTICOLINEALIDAD
MULTICOLINEALIDAD
7000
40000
36000
6000
32000
28000
4000
24000
C01
5000
3000
20000
16000
2000
12000
1000
8000
0
0
1000 2000 3000 4000 5000 6000 7000

YD
ECONOMETRIA II
4000
-12
-8
-4
MULTICOLINEALIDAD
MULTICOLINEALIDAD
7000
40000
36000
6000
32000
5000
28000
4000
YD
24000
3000
20000
16000
2000
12000
1000
0
-12
8000
4000
-8
-4
0
I
ECONOMETRIA II
1000 2000 3000 4000 5000 6000 7000

YD
MULTICOLINEALIDAD
7000
6000
5000
MULTICOLINEALIDAD
C01
4000
3000
2000
1000
0
8
-4
-8
-12
40000
36000
32000
28000
W
24000
20000
16000
12000
8000
4000
7000
6000
5000
YD
4000
3000
2000
1000
0
0
ECONOMETRIA II
1000 2000 3000 4000 5000 6000 7000 -12

C01
-8
-4
0
I
10000
20000
W
30000
40000 0
1000 2000 3000 4000 5000 6000 7000

YD
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Concluyendo, los diversos mtodos de deteccin de la multicolinealidad,
son, en esencia expediciones de pesca, pues no puede decirse cules
funcionan en una aplicacin particular. Sin embargo, no se puede hacer
mucho al respecto, pues la multicolinealidad es un problema especfico de
una muestra dada sobre la cual el investigador puede no tener mucho
control, sobre todo si los datos son no experimentales por naturaleza, como
es lo comn para los investigadores de las ciencias sociales.
Respecto a la micronumerosidad, recordemos que es un problema slo si el
tamao pequeo de la muestra de la muestra y la falta de variabilidad en las
variables explicativas pueden ocasionar problemas por lo menos tan graves
como los debidos a la multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
En general, hay dos posibilidades:
1. No hacer nada. Oliver Blanchard expresa de la siguiente manera la
corriente de pensamiento que aboga por no hacer nada:
Cuando los estudiantes efectan por primera vez la regresin de MCO,
el primer problema que suelen afrontar es el de la multicolinealidad.
Muchos concluyen que hay algo malo con los MCO; otros recurren a
nuevas y con frecuencia creativas tcnicas a fi n de darle la vuelta al
problema. Pero eso est mal. La multicolinealidad es la voluntad de
Dios, no un problema con los MCO ni con la tcnica estadstica en
general.
Lo que Blanchard afirma es que la multicolinealidad es en esencia un
problema de deficiencia de datos (micronumerosidad), y en algunas
ocasiones no hay opcin respecto de los datos disponibles para el anlisis
emprico.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Asimismo, no es que todos los coeficientes en un modelo de regresin
sean estadsticamente insignificantes. Al contrario, aunque no se puedan
estimar uno o ms coeficientes de regresin con gran precisin, es
posible calcular una combinacin lineal de ellos (es decir, una funcin
estimable) con relativa eficiencia.
2. Reglas prcticas. El xito de estas reglas depende de la gravedad de la
multicolinealidad.
A. Informacin a priori. Suponga que consideramos el modelo
= 1 + 22 + 33 +
Y: Consumo, X2: ingreso y X3: riqueza.
Como ya mencionamos, las variables ingreso y riqueza tienden a ser
muy colineales.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
= 1 + 22 + 33 +
Y: Consumo, X2: ingreso y X3: riqueza.
Suponga que, a priori, creemos que 3=0.102; es decir, la tasa de
cambio del consumo respecto de la riqueza es una dcima parte de la
correspondiente respecto del ingreso. Podemos entonces efectuar la
siguiente regresin:
= 1 + 22 + 0.123 +
= 1 + 2 +
Donde = 2 + 0.13 . Una vez obtenido 2 podemos estimar 3 a
partir de la relacin postulada entre 2 y 3.
Cmo obtener informacin a priori? Puede provenir de un trabajo
emprico anterior, en donde el problema de colinealidad result ser
menos grave o de la teora relevante que soporta el campo de estudio.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Por ejemplo, en la funcin de produccin tipo Cobb-Douglas,

desarrollada en el item anterior, = 122 33 ; si esperamos que
prevalezcan los rendimientos constantes a escala, entonces 2 + 3 = 1,
en cuyo caso podemos efectuar la regresin de la razn producto-trabajo
sobre la razn capital-trabajo.
R2=0.9777
ECONOMETRIA II
t=(-4.0612)
(28.1056)
Valor p= (0.0007)
(0.0000)
SCRR=0.0166
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Si existe colinealidad entre el trabajo y el capital, como suele ser el caso

en la mayor parte de la informacin muestral, dicha transformacin
puede reducir o eliminar el problema de colinealidad.
Pero es preciso hacer una advertencia aqu respecto de la imposicin
de esas restricciones a priori, . . . pues en general se desean probar las
predicciones a priori de la teora econmica en lugar de imponerlas
simplemente sobre los datos para los cuales pueden no ser vlidas.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
2. Reglas prcticas.
B. Combinacin de informacin de corte transversal y de series de
tiempo. Una variante de la tcnica de informacin externa o a priori es la
combinacin de datos de corte transversal y de series de tiempo,
conocida como mezcla de datos.
Suponga que deseamos estudiar la demanda de automviles en Estados
Unidos y que tenemos informacin de series de tiempo sobre el nmero
de automviles vendidos, su precio promedio y el ingreso del
consumidor. Adems, suponga que
= 1 + 2 + 3 +
donde Y: nmero de automviles vendidos, P: precio promedio, I:
ingreso y t tiempo. El objetivo es estimar la elasticidad precio 2 y la
elasticidad ingreso 3.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
tiempo.
En la informacin de series de tiempo, las variables precio e ingreso
tienden a ser muy colineales. Por consiguiente, si deseamos efectuar la
anterior regresin, debemos enfrentar el problema usual de
multicolinealidad.
Una salida a esto, sostiene que si hay informacin de corte transversal
(por ejemplo, informacin generada a travs de paneles de
consumidores o estudios sindicados realizados por varias agencias
privadas y estatales), puede obtenerse una estimacin relativamente
confiable de la elasticidad ingreso 3, pues, con tal informacin, que
est en un punto en el tiempo, los precios no varan mucho. Sea 3 la
elasticidad ingreso estimada a partir de los datos de corte transversal.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
tiempo.
Con esta estimacin, la anterior regresin de series de tiempo se escribe
como
= 1 + 2 +
dondeY=lnY3. Es decir, Y* representa ese valor de Y despus de
eliminarle el efecto del ingreso. Ahora se puede obtener una estimacin
de la elasticidad precio 2 de la regresin anterior.
Aunque es una tcnica atractiva, la mezcla de datos de series de tiempo
y de corte transversal de esta forma puede crear problemas de
interpretacin porque se supone implcitamente que la elasticidad
ingreso estimada a partir de datos de corte transversal es igual a la que
se habra obtenido a partir de un anlisis puro de series de tiempo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
tiempo.
= 1 + 2 +
Sin embargo, se ha empleado esta tcnica en muchas aplicaciones y es
en particular valiosa en situaciones en donde las estimaciones de corte
transversal no varan sustancialmente de una seccin transversal a otra.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
C. Eliminacin de una(s) variable(s) y el sesgo de especificacin.
Al enfrentar el problema de multicolinealidad grave, una de las
soluciones ms simples consiste en omitir del modelo una de las
variables colineales. As, en el ejemplo consumo-ingreso-riqueza, al
omitir la variable riqueza, obtenemos una regresin la cual muestra que
mientras en el modelo original la variable ingreso no era
estadsticamente significativa, ahora se vuelve altamente significativa.
= 24.45 + 0.50912
(6.4138) (0.0357)
t=(3.551) (13.29) R2=0.9567
Sin embargo, al eliminar una variable del modelo se puede incurrir en
un sesgo de especificacin o error de especificacin, que surge de la
especificacin incorrecta del modelo utilizado en el anlisis.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
C. Eliminacin de una(s) variable(s) y el sesgo de especificacin.
As, si la teora econmica afirma que tanto el ingreso como la riqueza
deben incluirse en el modelo que explica el gasto de consumo, al
eliminar la variable riqueza se incurrira en un sesgo de especificacin.
Por tanto, el remedio suele ser peor que la enfermedad en algunas
situaciones porque, mientras que la multicolinealidad puede obstaculizar
la estimacin precisa de los parmetros del modelo, la omisin de una
variable generara graves equivocaciones respecto de los verdaderos
valores de los parmetros. Recuerde que los estimadores de MCO son
MELI a pesar de la presencia de multicolinealidad perfecta.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
D. Transformacin de variables. Suponga que tenemos informacin de
series de tiempo sobre el gasto de consumo, el ingreso y la riqueza. Una
razn de la alta multicolinealidad entre el ingreso y la riqueza en tal
informacin es que, con el tiempo, las dos variables tienden a moverse
en la misma direccin. Una forma de reducir esta dependencia es
proceder de la siguiente manera.
Si la relacin:
= 1 + 22 + 33 +
se cumple en el periodo t, tambin debe cumplirse en el periodo t - 1,
pues el origen del tiempo es, de todas formas, arbitrario. Por
consiguiente, tenemos que:
1 = 1 + 22,1 + 33,1 + 1
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
D. Transformacin de variables.
Si restamos las funciones anteriores, tenemos:
1 = 2 2 2,1 + 3 3 3,1 +
donde = 1.
La ltima ecuacin se conoce como la forma en primeras diferencias
porque no se hace la regresin sobre las variables originales, sino sobre
las diferencias de los valores sucesivos de dichas variables.
El modelo de regresin que utiliza primeras diferencias a menudo
reduce la gravedad de la multicolinealidad porque, aunque los niveles de
2 y 3 estn muy correlacionados, no hay razn a priori para pensar
que sus diferencias tambin lo estn.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
1 = 2 2 2,1 + 3 3 3,1 +
Una ventaja incidental de la transformacin de primeras diferencias
consiste en que puede hacer que una serie de tiempo no estacionaria se
convierta en estacionaria. En general, mencionaremos que, una serie de
tiempo, por ejemplo , es estacionaria si su media y varianza no
cambian de manera sistemtica a travs del tiempo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Otra transformacin comn es la transformacin de razn.
Considere el siguiente modelo:
= 1 + 22 + 33 +
donde Y: Gasto de consumo ($ reales), 2: PIB y 3: poblacin total.
Como el PIB y la poblacin aumentan con el tiempo, es muy probable
que estn correlacionados. Una solucin a este problema consiste en
expresar el modelo mediante una base per cpita; es decir, dividir la
funcin entre 3 para obtener:
Dicha transformacin tal vez reduzca la colinealidad en las variables

originales.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Sin embargo, la transformacin que utiliza primeras diferencias o las
transformaciones de razn crean otros problemas. Por ejemplo, el
trmino de error puede no satisfacer el supuesto del MCRL que las
perturbaciones no estn serialmente correlacionadas; si esto ocurre, el
remedio puede ser peor que la enfermedad. Adems, se pierde una
observacin debido al procedimiento de diferenciacin y, por
consiguiente, los grados de libertad se reducen en 1. En una muestra
pequea esto puede ser un factor que al menos se debe considerar. Por
aadidura, el procedimiento de primeras diferencias puede no ser el
adecuado en los datos de corte transversal, donde no hay un
ordenamiento lgico de las observaciones.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
Del mismo modo, en el modelo de la razn, el trmino de error
ser heteroscedstico, si el trmino de error original es

homoscedstico, como veremos ms adelante. Una vez ms, el remedio
quiz resulte peor que la enfermedad de la colinealidad.
En resumen, se debe tener cuidado con las primeras diferencias o el
mtodo de la razn para transformar los datos a fin de resolver el
problema de la multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
E. Nuevos datos adicionales.
Como la multicolinealidad es una caracterstica de la muestra, es posible
que en otra muestra con las mismas variables la colinealidad no sea tan
grave como en la primera. A veces, con slo aumentar el tamao de la
muestra (si esto es posible) se atena el problema de colinealidad.
Sin embargo, La obtencin de datos adicionales o mejores no siempre
es tan sencilla, pues, por desgracia, muy pocas veces pueden los
economistas obtener informacin adicional sin incurrir en altos costos, y
mucho menos pueden seleccionar los valores de las variables
explicativas que desean. Adems, al agregar variables en situaciones no
controladas, se debe tener cuidado de no agregar observaciones
generadas en un proceso diferente del asociado al conjunto original de
datos; es decir, se debe estar seguro de que la estructura econmica
asociada a las nuevas observaciones sea igual a la estructura original.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
F. Reduccin de la colinealidad en las regresiones polinomiales. Una
caracterstica especial de los modelos de regresin polinomial, es que
las variables explicativas aparecen elevadas a diversas potencias. Por
tanto, en la funcin cbica de costos totales que implica la regresin del
costo total sobre la produccin, como en:
= 0 + 1 + 22 + 33 +
los diversos trminos de la produccin van a estar correlacionados, lo
que dificulta la estimacin precisa de los diversos coeficientes de
pendiente. No obstante, en la prctica se ha visto que si las variables
explicativas estn expresadas en forma de desviacin (es decir,
desviaciones del valor medio), la multicolinealidad se reduce
sustancialmente. Pero, si el problema persiste, tal vez convenga
considerar tcnicas como la de los polinomios ortogonales.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
MEDIDAS CORRECTIVAS
G. Otros mtodos de remediar la multicolinealidad. Las tcnicas
estadsticas multivariadas como el anlisis de factores y el de
componentes principales, o como la regresin en cadena, son comunes
para resolver el problema de la multicolinealidad.
Desafortunadamente, estas tcnicas estn fuera del alcance de este
curso, pues no pueden analizarse en forma competente sin recurrir al
lgebra matricial.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
LA MULTICOLINEALIDAD NO ES NECESARIAMENTE MALA SI
EL UNICO OBJETIVO ES SOLO LA PREDICCION
si el nico propsito del anlisis de regresin es el pronstico o la
prediccin, la multicolinealidad no es un problema grave, pues, entre ms
alta sea la R2, mejor ser la prediccin. Pero esto sucede siempre que los
valores de las variables explicativas, para los cuales se desean las
predicciones, obedezcan las mismas dependencias lineales casi exactas de la
matriz X [de datos] del diseo original.
Por tanto, si en una regresin estimada se encuentra que X2=2 X3
aproximadamente, entonces, en una muestra futura para pronosticar Y, X2
tambin debe ser aproximadamente igual a 2 X3, condicin difcil de cumplir
en la prctica, en cuyo caso la prediccin ser cada vez ms incierta.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
LA MULTICOLINEALIDAD NO ES NECESARIAMENTE MALA SI
EL UNICO OBJETIVO ES SOLO LA PREDICCION
Ms an, si el objetivo del anlisis no es slo la prediccin sino tambin la
estimacin confiable de los parmetros, la presencia de una alta
multicolinealidad puede ser un problema porque genera grandes errores
estndar en los estimadores.
Una de las situaciones en que la multicolinealidad no representa un
problema grave, es el caso en el cual se tiene una R2 elevada y los
coeficientes de regresin son significativos individualmente. Aun as, los
diagnsticos de multicolinealidad, (ndice de condicin), indican que los
datos presentan colinealidad grave. Esto puede suceder si los coeficientes
individuales resultan estar numricamente muy por encima del valor
verdadero, de forma que el efecto siga visible, a pesar de los errores estndar
inflados y/o debido a que el valor verdadero es en s mismo tan grande que,
aunque se obtenga una estimacin subestimada, contine siendo
significativa.
ECONOMETRIA
II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejemplo ampliado
Los siguientes datos, originalmente se obtuvieron para evaluar la exactitud
del clculo computacional de las estimaciones de mnimos cuadrados de
varios paquetes de software: los datos Longley. Estos se convirtieron en
ejemplo para ilustrar diversos problemas economtricos, como la
multicolinealidad. Los datos se reproducen en la siguiente tabla y son series
de tiempo de 1947 a 1962, donde:
Y: nmero de personas con trabajo (en miles)
X1: ndice implcito de deflacin de precios para el PIB
X2: PIB (en millones de dlares)
X3: nmero de desempleados (en miles)
X4: nmero de personas enlistadas en las fuerzas armadas
X5: poblacin no institucionalizada mayor de 14 aos de edad
X6: ao (igual a 1 para 1947, 2 para 1948 y 16 para 1962).
Suponga que nuestro objetivo es predecir Y con base en las seis variables X.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ao
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
ECONOMETRIA II
Y
60323
61122
60171
61187
63221
63639
64989
63761
66019
67857
68169
66513
68655
69564
69331
70551
X1
830
885
882
895
962
981
990
1000
1012
1046
1084
1108
1126
1142
1157
1169
Datos Longley
X3
X2
234289 2356
259426 2325
258054 3682
284599 3351
328975 2099
346999 1932
365385 1870
363112 3578
397469 2904
419180 2822
442769 2936
444546 4681
482704 3813
502601 3931
518173 4806
554894 4007
X4
1590
1456
1616
1650
3099
3594
3547
3350
3048
2857
2798
2637
2552
2514
2572
2827
X5
107608
108632
109773
110929
112075
113270
115094
116219
117388
118734
120445
121950
123366
125368
127852
130081
X6
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
MULTICOLINEALIDAD
MULTICOLINEALIDAD
A primera vista, dichos
resultados sugieren que se tiene
un problema de colinealidad,
pues el valor R2 es muy alto; sin
embargo, unas cuantas variables
son estadsticamente no
significativas (X1, X2 y X5), lo
cual constituye un sntoma
caracterstico de
multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para arrojar ms luz a este problema, en la siguiente tabla se presentan las
intercorrelaciones entre las seis regresoras. Esta tabla se conoce como matriz
de correlacin.
X1
X2
X3
X4
X5
X6
1.00000
0.99159
0.62063
0.46474
0.97916
0.99115
MATRIZ DE CORRELACIONES
0.99159 0.62063 0.46474 0.97916
1.00000 0.60426 0.44644 0.99109
0.60426 1.00000 -0.17742 0.68655
0.44644 -0.17742 1.00000 0.36442
0.99109 0.68655 0.36442 1.00000
0.99527 0.66826 0.41725 0.99395
0.99115
0.99527
0.66826
0.41725
0.99395
1.00000
El primer rengln de esta tabla proporciona la correlacin de X1 con las

otras variables X. Por ejemplo, 0.991589 es la correlacin entre X1 y X2;
0.620633 es la correlacin entre X1 y X3, y as sucesivamente.
Varias de estos pares de correlaciones son muy altos, lo cual sugiere que hay
un grave problema de colinealidad. Por supuesto, debe recordarse la
advertencia de que tales correlaciones tal vez sean una condicin suficiente,
pero no necesaria, para la multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Observe ahora las regresiones auxiliares; es decir, la regresin de cada
variable X sobre las restantes variables X. En la siguiente tabla se presentan
slo los valores R2 obtenidos con base en esas regresiones,
Variable
dependiente Valor de R2
X1
0.9926
X2
0.9994
X3
0.9702
X4
0.7213
X5
0.9970
X6
0.9986
Tolerancia (TOL)
= 1 R2
0.0074
0.0006
0.0298
0.2787
0.0030
0.0014
Como los valores R2 de las regresiones

auxiliares son muy altos (con la
posible excepcin de la regresin de
X4) sobre las restantes variables X, al
parecer existe un grave problema de
colinealidad.
La misma informacin se obtiene a partir de los factores de tolerancia.

Como ya mencionamos, mientras ms cercano a cero est el factor de
tolerancia, mayor ser la evidencia de colinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Al aplicar la regla prctica de Klein observamos que los valores R2
obtenidos de las regresiones auxiliares exceden el valor general R2 (es decir,
el que se obtuvo de la regresin de Y sobre todas las variables X), que es
igual a 0.9954, en 3 de 6 regresiones auxiliares, lo cual de nuevo sugiere que
sin duda los datos Longley estn plagados del problema de
multicolinealidad.
Aplicar la prueba F y la variacin ante pequeos cambios.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Qu acciones podemos aplicar para revertir esta situacin de
multicolinealidad?
1. El PIB puede expresarse no en trminos nominales, sino en trminos
reales, lo cual se realiza al dividir el PIB nominal entre el ndice de
deflacin del precio implcito.
2. En vista de que la poblacin no institucional mayor de 14 aos aumenta
con el tiempo debido al crecimiento natural de la poblacin, estar muy
correlacionada con el tiempo, la variable X6 del modelo. Por tanto, en
lugar de conservar esas dos variables, mantenemos la variable X5 y
desechamos X6.
3. En tercer lugar, no hay ninguna razn de peso para incluir X3, el
nmero de personas desempleadas; quiz la tasa de desempleo fuese una
mejor medida de las condiciones del mercado de trabajo; sin embargo,
no hay ningn dato al respecto. Por tanto, eliminamos la variable X3.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Qu acciones podemos aplicar para revertir esta situacin de
multicolinealidad?
Con estos cambios obtenemos los siguientes resultados de la regresin:
Aunque R2 disminuy un poco en
comparacin con la R2 original,
an es muy alta. Ahora todos los
coeficientes estimados son
significativos y sus signos tienen
sentido desde el punto de vista
econmico.
Podemos probar otros modelos y
observar la forma en que cambian
los resultados. Tenga en cuenta la
advertencia respecto de la
utilizacin del mtodo de la razn.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio
Suponga el siguiente modelo de regresin aplicado a la economa de Estados
Unidos:
= 1 + 22 + 33 + 44 +
: consumo; 2: ingreso salarial; 3: ingreso no salarial, no procedente del
campo; 4: ingreso procedente del campo.
Pero, como se espera que 2:, 3: y 4: sean muy colineales, obtuvieron las
siguientes estimaciones de 3 y 4 del anlisis de corte transversal: 3 =
0.752 y 4 = 0.6252. Con estas estimaciones reformularon su funcin de
consumo de la siguiente manera:
= 1 + 2 2 + 0.753 + 0.6254 + = 1 + 2 +
a) Ajuste el modelo modificado a los datos que se presentan en la siguiente
tabla y obtenga estimaciones de 1 a 4.
b) Como interpretara la variable Z?
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Ejercicio
Ao
1936
1937
1938
1939
1940
1941
1945
1946
1947
1948
1949
1950
1951
1952
DATOS DEL PROBLEMA

Y
X2
X3
62.8 43.41 17.10
65.0 46.44 18.65
63.9 44.35 17.09
67.5 47.82 19.28
71.3 51.02 23.24
76.6 58.71 28.11
86.3 87.69 30.29
95.7 76.73 28.26
98.3 75.91 27.91
100.3 77.62 32.30
103.2 78.01 31.39
108.9 83.57 35.61
108.5 90.59 37.58
111.4 95.47 35.17
ECONOMETRIA II
X4
3.96
5.48
4.37
4.51
4.88
6.37
8.96
9.76
9.31
9.85
7.21
7.39
7.98
7.42
MULTICOLINEALIDAD
MULTICOLINEALIDAD
OBS
Ejemplo:
1952:1
GDP
PR
M1
RS
0.1975607
126.537
1.64
0.1981673
127.506
1.677667 GDP: Producto Domestico Bruto
0.2001787
129.385
1.828667 M1: Medio Circulante
0.2012459
128.512
1.923667 PR: Nivel de precio (GDP deflactor)
0.2010517
130.587
2.047333 RS: Tasa a 3 meses del tesoro
0.2014442
130.341
2.202667
0.2022359
131.389
2.021667
0.2027231
129.891
1.486333
0.2034164
130.173
1.083667
0.203841
131.385
0.8143333
1952:2
1952:3
1952:4
1953:1
1953:2
1953:3
1953:4
1954:1
1954:2
87.875
88.125
89.625
92.875
94.625
95.55
95.425
94.175
94.075
94.2
1954:3
95.45
0.2042913
134.627
0.8696667
1954:4
97.36375
0.204374
134.252
1.036333
1955:1
1955:2
1955:3
1955:4
1956:1
1956:2
1956:3
1956:4
100.725
102.825
104.925
106.6
107.275
108.675
109.875
112.125
0.2056032
0.2062274
0.207762
0.2099975
0.2120478
0.2133287
0.2161404
0.2170651
136.413
136.471
138.377
137.244
138.053
138.375
138.993
139.087
1.256333
1.614333
1.861333
2.349333
2.379333
2.596667
2.596667
3.063667
Solo 2 Click rpidos para

ingresar a la base de datos
de EXCEL
(0.002)
(0.209)
(11.593)
Ln( M 1t ) 1 * Ln(GDPt ) 2 * RS 3 * Ln( PRt ) t

ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
La
interpretacin
de
los
coeficientes depende de la
naturaleza de la variable del
modelo. Para nuestro caso
utiliza
utilizar
series
en
logaritmo,
los
coeficientes
representan
la
elasticidad
demanda por circulante. Si el
producto domstico bruto (GDP)
aumenta en 1% la demanda de
dinero aumenta en 0.46%.
Si la tasa de inters (RS) aumenta en un punto porcentual, el
circulante disminuye en 0.027% y si el nivel de precios (PR)
aumenta en 1% la demanda por circulante aumenta en 0.56%, por
ultimo la constate se interpreta que para valores nulos de RS, GDP
y PR, la probabilidad que aumente el circulante es de 3.69%.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
STD.Error: Error estndar de los coeficientes a estimar.
t-Statistic: Valor del estadstico t, bajo la hiptesis individual que las
variables (H0: i =0).Con n-k grados de libertad, Indica que la
variable contribuye a explicar la variable endgena.
Prob: Si los Valores son superiores al 5% (=5%) no se rechaza la
hiptesis nula y la variable exgena no sirve para explicar el modelo.
R squared: Es el R cuadrado de la ecuacin y representa el
porcentaje de la variabilidad de la variable dependiente explicada por
la variable independiente.
Adjusted R-squared: Permite medir el incremento neto de R
cuadrado, cuando se incluye un nuevo regresor.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Durbin-Watson stat: Sirve para contrastar la hiptesis de
incorrelacin entre perturbaciones aleatorias frente a la presencia de
autocorrelacin.
Mean depent var: Representa la media de la variable dependiente.
S.D depent var: Representa la cuasidesviacin tpica de la muestra.
F-statistic: Es el estadstico que esta asociado a la hiptesis
conjunta de que los parmetros asociados son iguales a cero
(excepto el intercepto). H0 : 1 =2 =3 =i
Prob (F-statistic): Mide la probabilidad de cometer el erro tipo I. Se
calcula con la distribucin F de Snedecor Fk-1;T-k-1.
Criterios de Informacin: Son el Akaike info criterion y Schwarz
criterion, estos criterios nos dan informacin de la capacidad
explicativa del modelo y permite realizar comparaciones de los
modelos analizados.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Antes de empezar a calcular los intervalo de confianza para los
parmetros. Vamos a introducirnos en el uso de comandos en EViews.
Comandos en EViews
En el rea de comandos podremos escribir y ejecutar los diferentes
comandos, y cuyos resultados se irn almacenando en el Workfile.
Para ejecutar un comando hay que situarse en el rea de sintaxis y
escribir la sentencia completa del comando, para luego pulsar la tecla
Intro para ejecute dicho comando.
Esta rea acta como una calculadora cientfica, donde se pueden
realizar transformaciones (algebraicas o estadsticas) a la variables
para luego obtener los resultados.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
El escalar se graba como t
Si necesitamos el nmero de
observaciones de la regresin
digitaremos: =@regobs y si
queremos guardar este dato en el
archivo de trabajo digitamos
Scalar, para que sea almacenado
como un escalar, entonces
tenemos que digitar primero el
escalar, luego un nombre como T
igual al comando e Intro:
Scalar T =@regobs.
El escalar se graba como t
Si hacemos doble Click sobre t, en la parte inferior de la ventana se
muestra el valor de 180 observaciones usadas en la regresin.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Si queremos usar los valores de los coeficientes de la regresin hay
que digitar Matrix, porque es una matriz de coeficientes, seguido de
@coefs. Si queremos, esta amatriz lo podemos guardar en el
Workfile con el nombre de Coef. Entonces, debemos digitar los
siguiente: Matrix Coef=@coefs
Se guarda la matriz con el nombre Coef.
Al hacer doble click sobre la

carpeta @coef, se muestra la
siguiente ventana:
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Tambin se pueden obtener, mediante los comandos
distribuciones
que se utilizan tanto estadstica como en
econometra.
Los comandos ms usados en Econometra, son:
Tipo de Funcin
Empieza con el Nombre
Distribucin Acumulada (CDF)
@c
Densidad o probabilidad
@d
Inversa de CDF
@q
Generador del Nmero Aleatorio
@r
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Distribucin
Funcin
Chi-square
@cchisq(x,v),
@dchisq(x,v),
@qchisq(p,v),
@rchisq(v)
F-distibucin
@cfdist(x,v1,v2),
@dfdist(x,v1,v2),
@qfdist(p,v1,v2),
@rfdist(v1,v1)
Normal(Gaussian)
@cnorm(x),
@dnorm(x),
@qnorm(p),
@rnorm, nrnd
T-Students
@ctdist(x,v),
@dtdist(x,v),
@qtdist(p,v),
@rtdist(v)
Densidad/Funcin de probabilidad
v,v1,v2: Son los grados de libertad.

X: Es el /2 o valor calculado
p: Probabilidad de confianza.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Si queremos obtener la probabilidad acumulada de la t-Student al 5%
de significancia con 20 grados de libertad. El comando a digitar es:
=@qtdist(0.05,20) y Intro. Proporciona como resultado -1.725 por
simetra 1.725
Si queremos obtener la probabilidad acumulada de la chi-cuadrado al

10% de significancia con 15 grados de libertad. El comando a digitar es:
=@qchisq(0.90,15) y Intro, proporciona como resultado 22.31
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Otros comandos usados en EViews son:
Funciones
Descripcin
Genr
Genera directamente una operacin entre variables.
Log(X)
Logaritmo natural.
exp(X) o @exp(X)
Funcin exponencial e^x.
Abs o @abs(X)
Valor absoluto X.
Sqr o @Sqr(X)
Raz cuadrada.
@sin(X)
Funcin Seno
@cos(X)
Funcin Coseno.
@asin(X)
Arco seno.
@acos(X)
Arco coseno.
@tan(X)
Funcin tengente.
rnd
Nmero aleatorio entre cero y uno.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Funciones
Descripcin
nrnd
Nmero aleatorio con media cero y varianza uno.
@obs(X)
Nmero de observaciones de X.
@se
Error estndar de la regresin.
@ssr
Suma de cuadrados de los residuos.
Cross(x,y)
Producto cruzado de x e y.
@cov(x,y)
Covarianza entre x e y.
@aic
Criterio de Informacin del Akaike
@coefcov(i,j)
Matrix de Covarianza de i,j
@coefs(i)
Valor del coeficiente i en la regresin.
@dw
El estadistico Durbin-Watson de la regresin.
@f
La F-estadstica
@fprob
La probabilidad de la F-estadstica
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Funciones
Descripcin
@hq
Criterio de Informacin de Hannan-Quinn .
@jstat
La J-estadstica para la funcin de GMM .
@logl
El valor de la funcin de probabilidad de log .
@meandep
Media de la variable dependiente
@ncoef
el nmero de coeficientes estimados.
@r2
R-cuadrado.
@rbar2
R-cuadrado ajustado.
@coefcov
Matriz de coeficientes
@regobs
El nmero de observaciones en la regresin.
@schwarz
El criterio de informacin de Schwarz.
@sddep
La desviacin normal de la variable dependiente
@stderrs(i)
El error normal para el coeficiente i de la regresin.
@tstats(i)
El valor de la t-estadstica para el coeficiente i de la regresin.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Funciones
Descripcin
@coefcov
Matriz de coeficientes .
@coefs
El vector de valores del coeficiente.
@stderrs
vector de errores normales para los coeficientes.
@tstats
El vector de valores de la t-estadstica para los coeficientes.
@transpose(X)
Se utiliza para determinar la transpuesta de X.
@smpl
La descripcin de la muestra us para la estimacin.
@updatetime
La representacin del cordn del tiempo y fecha a que la

ecuacin fue estimada.
@obs(y)
Nmero de observaciones de la muestra.
@det(X)
Crea un escalar que contiene el determinante de X.
@eigenvalues
Crea un vector con los valores propios de la

matriz simtrica
@fillledmatrix(3,2,1)
Crea una nueva matriz de 3 filas y 2 columnas

con todos los elementos igual a 1.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Funciones
Descripcin
@trend, @trend(n)
Variable ficticia de tendencia.
@cor(x,y[,s])
Covarianza entre X e Y.
@mean(x[,s])
Media para la serie X.
Sym
Crea una matriz simtrica.
@min(x[,s])
Mnimo valor de la serie X.
@max(x[,s])
Mximo de la serie X.
@stdev(x[,s])
Desviacin estndar de la serie X.
@sum(x[,s])
Suma de la serie X.
@var(x[,s])
Varianza de la serie X.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Funciones
Descripcin
@identity(i)
Crea una matriz identidad de dimensin i
@inverse(X)
Crea una nueva matriz que es la inversa de

una matriz no singular X.
@rank(k)
Crea un nuevo escalar con rango.de la matriz k.
@trace(M)
Crea un nuevo escalar que contiene la traza de la matriz M
@seas(n)
Crea una variable ficticia.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
TEST DE NORMALIDAD
Uno de los problema ms frecuentes al trabajar con variables es saber
si tienen distribucin Normal, pues no se puede aplicar los test
estadsticos si la muestra no es normal, en ese caso se trabajara con
pruebas no paramtricas, o se puede graficar las variables para tener
una idea de la forma y de esta manera poder hacer las
transformaciones del caso, para que tengan una distribucin normal.
EViews tiene incorporado varias pruebas para analizar la normalidad.
Recordemos que para asumir normalidad del modelo slo basta que
los errores de este sean normales. Las pruebas son:
Test de Jarque Bera
Prueba de Normalidad (Quantile - Quantile)
El Diagrama de Caja
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Test de Jarque Bera
Aplicando la prueba al error del modelo se tiene la hiptesis de
decisin:
H0 : t se aproxima a una distribucin Normal.
H1 : t no se aproxima a una distribucin Normal.
2
Jarque - Bera se formula:
T k
K 3
2
JB
S
T: Tamao de muestra
6
4
K: Es la kurtosis
S: Es la asimetra
JB (25%;2) 5.99
k: Nmero de regresoras
Regla de Decisin:
Si el JB es menor 5.99 no se rechaza la hiptesis nula.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Abrir con doble Click Resid ir a View/ Descriptive Statistics &
Tests / Histogram and Stats
La asimetra tiende a
cero, lo que nos da
indicios de normalidad.
El JB es menor que
5.99 entonces no se
rechaza Ho.
La kurtosis tiende a tres lo que nos

da indicios de normalidad de los
errores.
ECONOMETRIA II
Existe una probabilidad

de 12.39%(mayor 5%)
de no rechazar Ho.
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Prueba de Normalidad (Quantile - Quantile)
Para que exista normalidad en los residuos los puntos debern estar
a lo largo de la recta, pero si los puntos estn muy dispersos y la
mayora esta fuera de la recta, entonces se concluye que no existe
normalidad.
La instruccin en EViews es doble Click en Resid ir a View/
Distribution/Quantile-Quantile Graphs.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Theoretical Quantile-Quantile
3
Normal Quantile
2
1
0
-1
-2
-3
-.12
-.08
-.04
.00
.04
.08
.12
RESID
Como se puede apreciar los puntos estn sobre la recta

entonces podemos decir que la variable Resid (Error) tiene una
distribucin normal.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Diagrama de Caja
Si en el grfico la media esta en medio de la caja y los bigotes tiene
la misma distancia a la caja se acepta la normalidad de la variable.
Como sabemos este grfico se basa en la media, los cuartiles y
valores extremos. Donde la caja encierra el rango intercuartil que
encierra el 50% de los valores y tiene una media dibujada dentro,
adems el intercuartil tiene como extremos el percentil 75 y el percentil
25.
Instruccin en Views: Resid; View/Descriptive
Statistics/Boxplots by Classifications.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
.12
.08
.04
.00
-.04
-.08
-.12
RESID
Como se observa en el grfico la media esta en la mitad de la caja y

los bigotes tiene igual distancia a la caja, entonces Resid tiene una
distribucin normal.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Test Estadsticos sobre los Coeficientes
EViews tiene tres pruebas sobre los coeficientes del modelo:
Pruebas de Restriccin de Coeficientes: Esta prueba se basa en
la prueba de Wald, que puede ser individual (H0:i=0) o grupal
(H0:1=2==k =0)
En la ventana de la ecuacin
ir a:
View/Coefficient Test//Wald Coefficient Restrictions
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Test Estadsticos sobre los Coeficientes
En la ventana de dialogo se escriben las restricciones entre comas si

existen ms de una.
Ejemplo:
H0:C(1)+C(2)+C(3)=0
F ( q=1;T=180;0.95)
ECONOMETRIA II
Existe una baja probabilidad 0% de no

rechazar la hiptesis nula.
Por lo que se rechaza H0
q: Nmero de restricciones.
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Prueba de Variables Omitidas: Nos da una idea de si una lista de
variables adicionales podra mejorar el modelo. Si nos situamos en el
cuadro de la ecuacin y nos dirigimos a View/Coefficient test/Omitted
Variables - Likelihood Ratio...
En el cuadro de dialogo se
escriben las variables a
omitir (caso: GDP).
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
H0 : La variable GDP es no
significativa para el modelo
por lo que C(1)=0.
H1 : La variable GDP es una
variable significativa para el
modelo (C(1) 0).
Como la probabilidad es
menor del 5%, se rechaza la
hiptesis nula.
Por lo que La variable GDP
es significativa para el
modelo
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Pruebas de Variables Redundantes: Prueba si la exclusin de una
lista de variable podra mejor el ajuste del modelo.
En cuadro de la ecuacin nos dirigimos a View/Coefficient test/
Redundant Variables - Likelihood Ratio
En el cuadro de dialogo se escriben las variables a omitir (caso: RS)
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
H0 : La variable RS es redundante para el modelo.
H1 : La variable RS no es redundante para el modelo.
Con una baja probabilidad (F-statistic)
de 0 % (menor =5%) no se acepta la
hiptesis nula. Por lo que la variable
RS no es redundante para el modelo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Si queremos probar si GDP y PR son redundantes para el modelo:
H0: lnGDP y lnPR son redundantes para el modelo.
H1: lnGDP y lnPR son significativas
Conjuntamente (C(1),C(2)0)
Como la probabilidad (F-statistic) es

menor del 5%, se rechaza la
hiptesis nula.
Por lo que La variable GDP y PR son
significativa para el modelo.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlacin. Por lo que
en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Siguiendo a Klein en su versin de correlacin indica un alto grado
cuando:
rX i X j RY
RY : Es la raz cuadrada del coeficiente de determinacin

Multicolinealidad Perfecta : (XX) < k
Multicolinealidad imperfecta : (XX) = k / XX / 0
Consecuencias: Es el incremento de los errores estndar de la prueba t ,
se mantiene un buen ajuste R cuadrado alto, una prueba F significativa
y t bajo para variables que presentan multicolinealidad.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Deteccin: Anlisis de la matriz de correlaciones. Algunos autores
recomiendan correlaciones mayores 0.8 0.85 indica la presencia de
colinealidad (pero estos valores son un poco cuestionados).
* Anlisis de la matriz XX (es o no una matriz singular).
La multicolinealidad no quiere decir que se est rompiendo alguno
de los supuestos. Pues no afecta la capacidad predictiva conjunta de
las variables y, por lo tanto la capacidad predictiva.
La multicolinealidad es un problema que no esta bien definido. Por
lo que no existe un limite a partir del cual el RY2 se le considere como
multicolinealidad.
Un intento por disminuir la varianza podra ser eliminar uno de los
regresores, lo que disminuira el RY2 .
Suprimir las variables ms culpables con justificacin estadstica y
econmica.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para ver la matriz de correlaciones en EViews, tenemos que situarnos
en la ventana de objeto ecuacin par ir al men Proc/Make Regressor
Group en la nueva ventana de objeto de grupo donde aparecen todas
las variables debemos ir:
View/Correlations/Common Sample
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En el objeto correlacin utilizamos
Freeze para congelar la imagen y en
la nueva ventana hacemos Click en
name para guardarla con el nombre
de correlacion.
Si queremos apreciar la correlacin lineal que existe entre lngdp y lnpr
realicemos las siguientes rdenes:
a. En el rea de comandos escribir: Group datos2 lngdp lnpr rs e
intro. (Creando un grupo de datos solamente con las regresoras.)
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
b. Luego, escribir Sym mcorrel= @cor(datos2) e intro. (creamos la
matriz simtrica con los datos de la correlacin del grupo de datos y lo
denominamos mcorrel.). Al hacer doble click en mcorrel se muestra la
matriz, tal como se observa en la figura adjunta.
Apreciamos alta correlacin lineal
entre: [LnPR; LnGDP]=0.994191
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Digitamos Scalar detcor=@det(mcorrel) e intro. De esa manera
creamos un objeto escalar que pueda hallar el determinante de la
matriz de correlaciones.
Para ver el valor de la determinarte

nos situamos sobre el objeto
escalar y hacemos doble Click.
El valor que se muestra es
0.007547 que es cercano a cero lo
que es un indicativo que existe
multicolinealidad imperfecta.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
d. Si queremos apreciar
la correlacin lineal que
existe entre lngdp y lnpr
digitemos en el rea de
comandos:
Show
datos2.scatmat.
Con esta orden estamos
pidiendo a EViews que
muestre el grfico de
correlaciones de las
variables del
grupo
datos2.
ECONOMETRIA II
MULTICOLINEALIDAD
7.6
MULTICOLINEALIDAD
7.2
6.8
LNGDP
6.4
6.0
5.6
5.2
4.8
4.4
0.4
Podemos apreciar
claramente la
correlacin que
existe entre la
variable Producto
Domestico Bruto
(lnGDP) y Nivel de
precio (lnPR).
0.0
LNPR
-0.4
-0.8
-1.2
-1.6
-2.0
16
RS
12
0
4.4 4.8 5.2 5.6 6.0 6.4 6.8 7.2 7.6 -2.0
LNGDP
ECONOMETRIA II
-1.6
-1.2
-0.8
LNPR
-0.4
0.0
0.4
12
16
RS
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Si analizamos la significacin de estas dos variables que estn
correlacionadas notaremos que son significativas para el modelo.
Soluciones a la Multicolinealidad Imperfecta

La primera solucin rpida es eliminar las variables causantes (lo
que puede causar que el remedio sea peor que la enfermedad).
Segunda solucin es transformar las variables o aumentar la
muestra, en un intento de presentar correlaciones lineales ms bajas.
Las transformaciones ms usadas son la primera diferencia D(x).
Una tercera solucin es dividir las variables del modelo por el
deflactor del consumo, de modo que en lugar de plantear el modelo
con las variables en dlares corrientes lo expresamos en dlares
constantes de un ao base.
Para finalizar la soluciones es disminuir el tamaos de muestra.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
En nuestro caso corregimos la multicolinealidad suprimiendo
(justificacin estadstica y econmica) el deflactor de precios(PR) del
modelo; entonces la nueva estimacin es:
Una alternativa para obtener los
resultados de la nueva correlacin es
digitar, en el cuadro de comandos lo
siguiente:
Equation Ecuacion2.ls lnm1 lngdp rs c
En el archivo de trabajo (Workfile) se

crea el objeto Ecuacion2 que al hacer
doble click sobre l obtenemos los
resultados de la regresin, que son los
mismos obtenidos anteriormente.
ECONOMETRIA II
MULTICOLINEALIDAD
0
MULTICOLINEALIDAD
Podemos establecer, luego, un nuevo grupo de datos (datos3) que
contenga solamente las variables lnGDP y RSK:
Group datos3.lnGDP rs lnGDP
En nuestro archivo de trabajo aparece el objeto datos3.
Luego, digitamos en el cuadro de comandos: Show datos3.scamat
para visualizar el grfico de dispersin entre las variables lnGDP y RS
7.6
7.2
6.8
LNGDP
6.4
6.0
5.6
5.2
4.8
4.4
0
12
16
RS
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para obtener la matriz de correlaciones para este nuevo grupo,
hacemos:
a. Doble click en datos3
b. View/principal Components y OK; alternativamente, podemos
usar el comando: Matrix crm=@cor(datos3) con la que se crea una
matriz denominada CRM que contiene las correlaciones de las
variables contenidas en el Grupo3.
En esta matriz, podemos apreciar
que no existen altas correlaciones.
ECONOMETRIA II
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Por lo tanto, la nueva estimacin sin problemas de multicolinealidad:
ECONOMETRIA II
CONTRASTACION DE HIPOTESIS
GRACIAS
POR SU
ATENCION
PTP-2014

03 Violacion - Supuestos Multicolinealidad

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

03 Violacion - Supuestos Multicolinealidad

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL

SANTIAGO ANTUNEZ DE MAYOLO

Facultad de Economa y Contabilidad

El modelo de Gauss, modelo clsico o estndar de regresin lineal

Econ. JOSE RODRIGUEZ HERRERA

8. Debe haber suficiente variabilidad en los valores que toman las

Econ. JOSE RODRIGUEZ HERRERA

Respecto al supuesto 3, si no se satisface este supuesto, no podemos

Econ. JOSE RODRIGUEZ HERRERA

Pero, qu sucede si las ui no estn normalmente distribuidas?

Econ. JOSE RODRIGUEZ HERRERA

Econ. JOSE RODRIGUEZ HERRERA

El supuesto 8 del modelo clsico de regresin lineal (MCRL) plantea

Econ. JOSE RODRIGUEZ HERRERA

En este captulo tambin analizaremos el supuesto 6 del MCRL, a

Econ. JOSE RODRIGUEZ HERRERA

Econ. JOSE RODRIGUEZ HERRERA

Hoy en da, sin embargo, el trmino multicolinealidad incluye el caso

Econ. JOSE RODRIGUEZ HERRERA

Para apreciar la diferencia entre multicolinealidad perfecta y

que muestra la forma como 2 est exactamente relacionada de

Econ. JOSE RODRIGUEZ HERRERA

En forma similar, si 20, la ecuacin:

lo cual muestra que 2 no es una combinacin lineal exacta de otras X

Econ. JOSE RODRIGUEZ HERRERA

Es evidente que X3i =5X2i. Por consiguiente, hay colinealidad perfecta

Econ. JOSE RODRIGUEZ HERRERA

El diagrama de Ballentine representa grficamente el problema de la

Econ. JOSE RODRIGUEZ HERRERA

Econ. JOSE RODRIGUEZ HERRERA

Observe que la multicolinealidad, como la definimos, se refiere slo a

Econ. JOSE RODRIGUEZ HERRERA

Sin embargo, en aplicaciones concretas, el coeficiente de correlacin

Econ. JOSE RODRIGUEZ HERRERA

Existen diversas fuentes de multicolinealidad y puede deberse a los

Econ. JOSE RODRIGUEZ HERRERA

4. Un modelo sobredeterminado. Esto sucede cuando el modelo tiene

Econ. JOSE RODRIGUEZ HERRERA

ESTIMACIN EN PRESENCIA DE MULTICOLINEALIDAD

Econ. JOSE RODRIGUEZ HERRERA

Suponga ahora que 3 = 2 en donde es una constante diferente

Que es una expresin indeterminada.

Econ. JOSE RODRIGUEZ HERRERA

Porqu obtenemos obtenemos 2 = ?

Recuerde el significado de 2 : da la tasa de cambio en el valor

Econ. JOSE RODRIGUEZ HERRERA

Otra forma de ver el mismo cuadro es la siguiente:

Econ. JOSE RODRIGUEZ HERRERA

Al aplicar la conocida frmula de MCO a

Por consiguiente, aunque se puede estimar en forma nica, no hay

Econ. JOSE RODRIGUEZ HERRERA

Para expresar esto en trminos concretos, sea = 0.8 y = 2.

Econ. JOSE RODRIGUEZ HERRERA

La combinacin lineal 2 + 3 se estima en forma nica con ,

Econ. JOSE RODRIGUEZ HERRERA

ESTIMACIN EN PRESENCIA DE MULTICOLINEALIDAD

Econ. JOSE RODRIGUEZ HERRERA

ESTIMACIN EN PRESENCIA DE MULTICOLINEALIDAD

Donde se aprovecha que 2 = 0 Se deriva una expresin similar

Econ. JOSE RODRIGUEZ HERRERA

ESTIMACIN EN PRESENCIA DE MULTICOLINEALIDAD

Econ. JOSE RODRIGUEZ HERRERA