Econometra

UNIVERSIDAD SANTO TOMAS

Prof. Alejandro Puente
Marzo 2016
1

Captulo 10

Multicolinealidad
Naturaleza de la multicolinealidad
Se dice que existe una relacin lineal exacta si se satisface la siguiente
condicin:

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

multicolinealidad perfecta, y tambin el caso en el cual hay X variables
intercorrelacionadas pero no en forma perfecta, de la siguiente manera:

Multicolinealidad
Naturaleza de la multicolinealidad

Multicolinealidad
Naturaleza de la multicolinealidad

Multicolinealidad
Naturaleza de la multicolinealidad

Multicolinealidad
Fuentes de la multicolinealidad
1. El mtodo de recoleccin de informacin.
2. Restricciones en el modelo o en la poblacin objeto de muestreo.

3. Especificacin del modelo. Por ejemplo, la adicin de trminos

polinomiales a un modelo de regresin.
4.

Un modelo sobredeterminado.

Multicolinealidad
Estimacin en presencia de multicolinealidad perfecta
Con la forma de desviacin, en la cual todas las variables se expresan
como desviaciones de sus medias muestrales, se escribe el modelo de
regresin con tres variables como:

Multicolinealidad
Estimacin en presencia de multicolinealidad alta pero imperfecta
En lugar de multicolinealidad exacta tenemos:

Multicolinealidad
Consecuencias prcticas de la multicolinealidad

10

Multicolinealidad
Consecuencias prcticas de la multicolinealidad
Estimadores de MCO con varianzas y covarianzas muy grandes

11

Multicolinealidad
Consecuencias prcticas de la multicolinealidad
Ejemplo:

Dependent Variable: INF

Method: Least Squares
Date: 05/18/16 Time: 11:04
Sample: 2008Q1 2015Q4
Included observations: 32
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DLTCM
DLTCN

0.038553
0.477772
-0.234476

0.003709
0.123526
0.082399

10.39416
3.867785
-2.845604

0.0000
0.0006
0.0081

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.411034
0.370416
0.019362
0.010871
82.39190
10.11942
0.000464

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

Dependent Variable: INF

Method: Least Squares
Date: 05/18/16 Time: 11:05
Sample: 2008Q1 2015Q4
Included observations: 32

0.035758
0.024401
-4.961994
-4.824581
-4.916445
0.319663

Dependent Variable: INF

Method: Least Squares
Date: 05/18/16 Time: 11:06
Sample: 2008Q1 2015Q4
Included observations: 32

Variable

Coefficient

Std. Error

t-Statistic

Prob.

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DLTCM

0.034598
0.147571

0.003824
0.047096

9.047498
3.133447

0.0000
0.0038

C
DLTCN

0.033944
0.064910

0.004252
0.034198

7.983324
1.898068

0.0000
0.0673

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.246581
0.221467
0.021530
0.013907
78.45186
9.818493
0.003842

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.035758
0.024401
-4.778241
-4.686633
-4.747876
0.263580

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.107214
0.077454
0.023437
0.016479
75.73624
3.602663
0.067346

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.035758
0.024401
-4.608515
-4.516907
-4.578149
0.242392

12

Multicolinealidad
Consecuencias prcticas de la multicolinealidad
Ejemplo:
Dependent Variable: DLTCM
Method: Least Squares
Date: 05/18/16 Time: 11:07
Sample: 2008Q1 2015Q4
Included observations: 32
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DLTCN

-0.009647
0.626629

0.005192
0.041755

-1.858194
15.00709

0.0730
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.882451
0.878533
0.028617
0.024568
69.34694
225.2129
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.007861
0.082109
-4.209184
-4.117575
-4.178818
0.394656

13

Multicolinealidad
Deteccin de la multicolinealidad
Como la multicolinealidad es en esencia un fenmeno de tipo muestral, no
hay un mtodo nico para detectarla. Lo que se tiene en realidad son ciertas
reglas prcticas.

14

Multicolinealidad
Deteccin de la multicolinealidad
5.

Diagrama de dispersin.

15

Multicolinealidad
Medidas correctivas
Qu puede hacerse si la multicolinealidad es grave? Hay dos posibilidades:
1) no hacer nada o
2) seguir algunas reglas prcticas.
Reglas prcticas
1) Informacin a priori. Supongamos el siguiente modelo:

16

Multicolinealidad
Reglas prcticas
2) Combinacin de informacin de corte transversal y series de tiempo.
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.

En la informacin de series de tiempo, las variables precio e ingreso tienden

a ser muy colineales.

17

Multicolinealidad
Reglas prcticas
3) Eliminacin de una(s) variable(s) y el sesgo de especificacin.
Al eliminar una variable del modelo se puede incurrir en un sesgo de
especificacin. Por ejemplo, si el modelo verdadero es:

Pero se ajusta de forma errnea el modelo:

Se puede demostrar que:

18

Multicolinealidad
Reglas prcticas
4) Transformar las variables.
Si la relacin:

Si restamos la primera de la segunda ecuacin obtenemos:

19

Multicolinealidad
Reglas prcticas
5) Datos nuevos o 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. Por ejemplo, en el
modelo de tres variables vimos que:

6. Reduccin de la colinealidad en las regresiones polinomiales.

Se ha visto que si la(s) variable(s) explicativa(s) est(n) expresada(s) en
forma de desviacin (es decir, desviaciones del valor medio), la
multicolinealidad se reduce sustancialmente.
20

Multicolinealidad
Reglas prcticas
7) 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.

21

Econometra

UNIVERSIDAD SANTO TOMAS

Prof. Alejandro Puente
Marzo 2016
22

Captulo 11

23

Heteroscedasticidad
Naturaleza de la heteroscedasticidad

24

Heteroscedasticidad
Fuentes de la heteroscedasticidad

25

Heteroscedasticidad
Estimacin en presencia de heteroscedasticidad

Pero su varianza est dada ahora por la siguiente expresin:

Que diere de la frmula usual de varianza obtenida segn el supuesto

de homoscedasticidad, es decir,

26

Heteroscedasticidad
El mtodo de los mnimos cuadrados generalizados (MCG)
En presencia de heteroscedasticidad el estimador MCO contina siendo
lineal, insesgado y consistente, pero deja de tener varianza mnima, esto
es, ya no es eficiente.
Afortunadamente existe el mtodo de MCG que produce estimadores MELI.
Para ver cmo se hace, considere el modelo ya familiar con dos variables:

El cual, para facilitar el reordenamiento algebraico, escribimos como:

La cual, para facilidad de exposicin, se escribe como:

27

Heteroscedasticidad
El mtodo de los mnimos cuadrados generalizados (MCG)

28

Heteroscedasticidad
Diferencia entre MCO y MCG
En MCO se minimiza:

Mientras en MCG se minimiza:

29

Heteroscedasticidad
Consecuencias de utilizar MCO en presencia de heteroscedasticidad
Estimacin por MCO con heteroscedasticidad:

Estimacin por MCO sin heteroscedasticidad:

30

Heteroscedasticidad
Consecuencias de utilizar MCO en presencia de heteroscedasticidad
Davidson y MacKinnon realizan un estudio Monte Carlo de que considera
el siguiente modelo simple:

El mensaje es claro: ante la presencia de heteroscedasticidad, utilice MCG.

Sin embargo, en la prctica no siempre es fcil aplicar MCG. Asimismo,
como veremos, a menos que la heteroscedasticidad sea muy grave no se
abandonaran los MCO en favor de los MCG

31

Heteroscedasticidad
Deteccin de la heteroscedasticidad

Mtodos informales

Mtodo grfico

32

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Mtodos informales
Mtodo grfico

33

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Mtodos formales:
Prueba de Park:

Si beta resulta estadsticamente significativo, esto sugerir heteroscedasticidad

en los datos. La pruebade Park es, por tanto, un procedimiento de dos etapas.
En la primera se efecta la regresin MCO ignorando la presencia de
heteroscedasticidad. Se obtiene el residuo de esta regresin, y en la segunda
Etapa se realiza la prueba.
34

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Mtodos formales:
Prueba de Goldfeld-Quandt:

Para probar esto, Goldfeld y Quandt sugieren los siguientes pasos:

35

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Mtodos formales:
Prueba de Goldfeld-Quandt:

Paso 4. Calcule la razn:

36

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Prueba de White:
Considere el siguiente modelo de regresin con tres variables:

37

Heteroscedasticidad
Medidas correctivas

38

Heteroscedasticidad
Supuestos razonables sobre el patrn de heteroscedasticidad
Recordemos el modelo de regresin con dos variables:
Consideraremos ahora diversos supuestos sobre el patrn de
heteroscedasticidad:

39

Heteroscedasticidad
Supuestos razonables sobre el patrn de heteroscedasticidad

La transformacin logartmica, frecuentemente reduce la heteroscedasticidad

presente en el modelo original
40

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Ejemplo: Con base en los siguientes datos del WEO del FMI sobre
ahorro e inversin para 167 pases
TI
TS
Afghanistan
21,3
Albania
28,4
Algeria
47,8
Angola
15,3
Argentina
19,6
Armenia
20,5
Australia
26,8
Austria
22,8
Azerbaijan
23,5
The Bahamas
28,8
Bahrain
16,3
Bangladesh
28,8
Barbados
13,0
Belarus
35,4
Belgium
23,0
Belize
16,1
Benin
25,0
Bhutan
55,4
Bolivia
21,0
Bosnia and Herzegovina17,8
Botswana
30,6
Brazil
21,0
Bulgaria
21,4
Burkina Faso
19,8
Burundi
15,5
Cabo Verde
37,4
Cambodia
23,2
Cameroon
21,7
Canada
24,3
Central African Republic10,2
Chad
30,5
Chile
22,2
China
45,9
Colombia
26,0
Comoros
18,6
Democratic Republic of 15,7
the Congo
Republic of Congo
42,2
Costa Rica
19,6
Cte d'Ivoire
16,8
Croatia
18,2
Cyprus
13,1
Czech Republic
25,3

29,2
15,5
43,4
12,4
18,2
13,8
23,7
23,5
37,1
6,5
31,5
29,2
4,1
28,6
22,8
8,5
15,6
22,3
20,5
10,0
46,3
16,7
22,6
11,7
-2,9
29,4
11,1
17,3
22,0
4,7
21,6
20,9
48,0
20,8
12,4
7,0
32,7
14,9
16,1
18,9
8,6
25,4

TI
Denmark
19,9
Djibouti
44,1
Dominica
14,9
Dominican Republic
21,5
Ecuador
28,6
Egypt
13,4
El Salvador
13,6
Equatorial Guinea
47,2
Eritrea
7,9
Estonia
28,0
Ethiopia
34,5
Finland
21,3
France
22,2
Gabon
34,9
The Gambia
25,2
Georgia
29,8
Germany
19,3
Ghana
24,8
Greece
12,2
Grenada
16,9
Guatemala
13,5
Guinea
9,3
Guinea-Bissau
10,8
Guyana
16,4
Haiti
31,2
Honduras
22,1
Hong Kong SAR
23,8
Hungary
22,2
Iceland
17,4
India
34,1
Indonesia
34,6
Islamic Republic of Iran 30,6
Iraq
0,0
Ireland
20,3
Israel
19,9
Italy
16,3
Jamaica
19,5
Japan
21,8
Jordan
21,3
Kazakhstan
24,2
Kenya
21,4
Korea
29,2

TS
27,6
18,5
1,7
18,4
28,1
13,0
8,8
25,3
4,0
27,5
26,7
19,8
21,2
42,9
14,3
19,2
26,6
15,2
10,1
1,4
11,5
-16,4
7,4
5,6
24,8
14,4
25,1
24,5
21,0
32,7
31,5
34,5
25,6
23,9
23,7
18,2
13,0
22,3
14,7
27,0
11,0
35,1

TI
Kuwait
15,5
Kyrgyz Republic
26,7
Latvia
23,5
Lesotho
33,0
Lithuania
18,3
Luxembourg
19,3
Madagascar
15,6
Malawi
12,0
Malaysia
25,0
Maldives
20,0
Mali
27,8
Malta
18,2
Mauritania
49,6
Mauritius
23,0
Mexico
21,5
Moldova
24,3
Mongolia
35,2
Montenegro
19,8
Morocco
33,7
Mozambique
46,2
Myanmar
23,5
Namibia
34,2
Nepal
28,7
Netherlands
18,1
New Zealand
22,6
Nicaragua
26,7
Niger
40,2
Nigeria
15,8
Norway
28,3
Oman
28,4
Pakistan
15,0
Panama
47,0
Papua New Guinea
20,2
Paraguay
16,2
Peru
26,3
Philippines
20,9
Poland
20,3
Portugal
15,1
Romania
25,2
Russia
21,0
Rwanda
26,1
So Tom and Prncipe 25,7

TS
46,9
10,0
21,5
24,8
21,9
24,8
15,3
4,0
29,3
15,9
23,2
22,1
21,9
18,4
19,6
20,7
23,4
4,6
28,0
11,8
17,9
25,3
33,3
28,7
19,4
19,6
24,3
16,0
40,2
34,4
13,7
37,3
26,4
15,8
22,3
24,7
18,2
15,3
24,8
24,0
14,6
-1,8

TI
Saudi Arabia
28,5
Senegal
25,1
Serbia
17,5
Seychelles
37,7
Sierra Leone
13,5
Singapore
28,9
Slovak Republic
20,9
Slovenia
19,8
Solomon Islands
19,3
South Africa
20,4
South Sudan
11,5
Spain
19,8
Sri Lanka
27,4
St. Kitts and Nevis
29,0
St. Lucia
18,7
St. Vincent and the Grenadines
22,1
Sudan
17,3
Suriname
70,2
Swaziland
9,2
Sweden
23,8
Switzerland
23,4
Taiwan Province of China
21,8
Tajikistan
15,7
Tanzania
31,0
Thailand
24,1
Togo
23,5
Trinidad and Tobago 13,4
Tunisia
23,2
Turkey
20,2
Uganda
26,4
Ukraine
13,4
United Arab Emirates 24,7
United Kingdom
17,4
United States
19,9
Uruguay
21,4
Uzbekistan
30,8
Venezuela
14,7
Vietnam
26,8
Yemen
7,8
Zambia
34,9
Zimbabwe
13,2

TS
38,3
16,1
11,5
15,4
-7,9
46,3
21,1
26,8
14,9
14,9
13,6
20,8
24,7
21,4
12,0
-7,3
10,5
24,5
12,5
29,1
32,2
34,5
6,1
21,7
27,9
10,7
18,1
14,0
14,7
16,8
9,4
38,3
12,3
18,8
17,1
31,6
15,3
31,9
6,2
37,1
-5,5

41

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Estime el modelo:

Dependent Variable: TI
Method: Least Squares
Date: 05/25/16 Time: 12:05
Sample: 1 167
Included observations: 167
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
CPIB
TS

11.97425
1.085918
0.402523

1.410122
0.231285
0.056002

8.491642
4.695146
7.187657

0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.337814
0.329738
7.769320
9899.422
-577.8296
41.83220
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

23.64049
9.489880
6.956043
7.012055
6.978777
2.304243

42

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Mtodo grfico de deteccin de heteroscedasticidad:
2,400

2,000

RESIDCUAD

1,600

1,200

800

400

0
-20

-10

10

20

30

40

50

TS

43

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Prueba de Park:

Dependent Variable: LOG(RESIDCUAD)

Method: Least Squares
Date: 05/25/16 Time: 12:10
Sample (adjusted): 1 166
Included observations: 161 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(TS)

1.680083
0.125397

0.978131
0.330495

1.717645
0.379420

0.0878
0.7049

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.000905
-0.005379
2.442460
948.5323
-371.2168
0.143960
0.704882

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

2.043948
2.435918
4.636233
4.674512
4.651776
1.856176

Dado que el coeficiente del logaritmo de TS es no significativo, se acepta

la hiptesis de homoscedasticidad.
44

Heteroscedasticidad
Deteccin de la heteroscedasticidad
Prueba de White:
Dependent Variable: RESIDCUAD
Method: Least Squares
Date: 05/25/16 Time: 12:23
Sample: 1 167
Included observations: 167
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
CPIB
CPIB^2
TS^2
CPIB*TS

31.74872
3.452896
1.124719
0.063911
-0.528782

33.36751
12.86996
1.453588
0.056058
0.583815

0.951486
0.268291
0.773754
1.140097
-0.905736

0.3428
0.7888
0.4402
0.2559
0.3664

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.009321
-0.015140
193.8303
6086372.
-1114.011
0.381043
0.821960

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

59.27798
192.3794
13.40133
13.49468
13.43922
1.966048

N*R cuadrado es igual a 1,5566, que es inferior al valor crtico de

Chi-cuadrado con 4 g.l. al 5%, 9,48773.
45