Professional Documents
Culture Documents
MULTICOLINEALIDAD
Funciones
estimables
Colinealidad
Aproximada
Sntomas y
efectos
Algunas
soluciones
r ( X ) < k XX = 0 ( XX )
no existe
Yt = 1 + 2 X t ,2 + 3 X t ,3 + 4 X t ,4 + ut
X t ,4 = X t ,2 + X t ,3
r ( X ) = 3 < 4 XX = 0 ( XX )
no existe
sustituimos
Yt = 1 + 2 X t ,2 + 3 X t ,3 + 4 X t ,4 + ut
X t ,4 = X t ,2 + X t ,3
Yt = 1 + 2 X t ,2 + 3 X t ,3 + 4 ( X t ,2 + X t ,3 ) + ut
queda
Yt = 1 + ( 2 + 4 ) X t ,2 + ( 3 + 4 ) X t ,3 + ut
Llamamos
1 1
= 2 = 2 + 3
+
3 3
4
Yt = 1 + 2 X t ,2 + 3 X t ,3 + ut
1 = 1
2 = 2 + 3
3 = 3 + 4
1
1
X=
1
1
6 2 4 2
15 3 6 5
21 4 8 7
27 5 10 9
18 6 12 6
9
r ( X) = 3
X t ,2 = 3 X t ,5
X t ,4 = 2 X t ,3
Yt = 1 + 2 X t ,2 + 3 X t ,3 + 4 X t ,4 + 5 X t ,5 + ut
Yt = 1 + 2 ( 3 X t ,5 ) + 3 X t ,3 + 4 ( 2 X t ,3 ) + 5 X t ,5 + ut
Yt = 1 + 2 ( 3 X t ,5 ) + 3 X t ,3 + 4 ( 2 X t ,3 ) + 5 X t ,5 + ut
Yt = 1 + ( 3 + 2 4 ) X t ,3 + ( 5 + 3 2 ) X t ,5 + ut
Yt = 1 + 2 X t ,3 + 3 X t ,5 + ut
= 2 + 25
+ 3
4
3
( )
1
V * = ( x*x* ) 2 = nV ( X expl ) 2
Supongamos el modelo Yt = 1 + 2 X t ,2 + 3 X t ,3 + ut
El coeficiente de correlacin lineal entre las dos
variables explicativas es
=
Cov ( X 2 , X 3 )
V ( X 2 )V ( X 3 )
Cov ( X 2 , X 3 ) = V ( X 2 ) V ( X 3 )
V ( X2 )
V ( X 2 )V ( X 3 )
Como
V ( Xexpl ) =
consecuencia
V ( X )V ( X )
V ( X3 )
2
3
V
X
( 2 ) (1 2 )
1
V ( Xexpl ) =
V ( X 2 ) V ( X 3 ) (1 2 )
( )
V ( X 2 ) V ( X 3 ) (1 )
V ( X 3 ) (1 2 )
V * = nV ( X expl ) 2
V ( X 2 ) (1 2 )
1
V * =
n
2
V ( X )V ( X ) (1 2 )
2
3
( )
V ( X 2 ) V ( X 3 ) (1 )
V ( X 3 ) (1 2 )
V ( X 2 ) (1 2 )
1
V * =
n
2
V ( X )V ( X ) (1 2 )
2
3
( )
V ( X 2 ) V ( X 3 ) (1 )
V ( X 3 ) (1 2 )
( )
V i =
2
nV ( X i ) (1 RX2
Obsrvese que
( )
MinV i =
2
nV ( X i )
cuando RX2 i = 0
( )
lim V i = +
2
RXi
1
( )
V i =
nV ( X i ) 1 RX2 i
( )
V0 i =
2
nV ( X i )
( )
FIV i =
( )= 1
V ( ) 1 R
V i
0
2
Xi
( )
T i =
( )
FIV i
= 1 RX2 i
10
( )
FIV i > 10
( )
T i < 0,1
***3
11
Diapositiva 22
***3
IC ( XX ) =
10 IC =
100 < K =
K ( XX ) =
max
= IC 2
min
max
30 Multicolinealidad moderada
min
max
= IC 2 < 1000 Multicolinealidad moderada
min
IC =
K=
max
min
max
> 30 Multicolinealidad grave
min
max
= IC 2 > 1000 Multicolinealidad grave
min
12
Ejemplo 8.2
Ao
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
Valor
aadido
bruto a
precios de
mercado sin
IVA
2853852
3344372
4025549
4950496
5823184
7013045
8881915
10875974
12704388
14609880
16395608
18855353
21484454
24262248
26773462
30527043
33831103
37533690
42038532
47003587
51520116
55233623
57488714
60946951
65728344
69371235
73138753
P.3A
Consumo
R.21 IVA que Empleos
privado
grava los
finales
nacional
productos
nacionales
1925642
88666
2942972
2245298
104679
3476329
2694358
129751
4232901
3332920
145828
5390259
3919514
162663
6269366
4817083
190107
7589705
6050257
248584
9408257
7272408
300109
11196112
8581442
372963
13161686
9991461
400451
15523886
11301418
479338
17399531
12939220
653630
20102401
14604224
792929
22725380
16304611
989914
24984259
18079989
1115782
27653771
20437730
1467795
31636728
22855769
1916485
36083261
25179579
2184633
40606399
28366939
2592379
46514328
31303377
2768295
51840718
34268769
3056819
56655191
37277131
3587395
60747911
38481942
3331601
61292128
40723458
3732622
64700325
43313579
3910987
69708515
45668198
4256207
73147951
48276817
4627999
76962730
Ejemplo 8.2
Salida de SPSS
Coeficie ntesa
Modelo
1
(Constante)
VAB
CPN
IV A
Coef icientes no
es tandarizados
B
Error tp.
336528,0
327469,2
-,402
,377
1,985
,549
2,401
,702
Coef icientes
es tandarizad
os
Beta
-,375
1,226
,149
t
1,028
-1,067
3,613
3,419
Sig.
,315
,297
,001
,002
Es tadsticos de
colinealidad
Tolerancia
FIV
,000
,000
,013
4940,837
4606,481
76,415
Modelo
1
Dimensin
1
2
3
4
A utovalor
3,669
,327
,004
3,77E-005
Indice de
condic in
1,000
3,352
30,541
312,042
Proporciones de la varianza
(Constante)
VAB
CPN
,01
,00
,00
,32
,00
,00
,65
,00
,00
,02
1,00
1,00
IV A
,00
,00
,92
,08
13
8.5 Soluciones
Cuando se relacionan series de datos como PIB, inflacin
paro y consumo, suelen aparecer correlaciones espurias
debidas a la tendencia y a la estacionalidad. Una posible
solucin, en este, caso es desestacionalizar las series y
quitarles la tendencia antes de hacer el ajuste.
Diferenciar las series o, equivalentemente, trabajar con
variaciones porcentuales por periodo de los datos tambin
suelen aminorar los problemas de multicolinealidad.
Una tercera va para mitigar la colinealidad es trabajar con
las series previamente logaritmizadas.
Si se puede plantear el mismo problema con datos de corte
transversal se evita el problema de colinealidades por
correlacin espuria
8.5 Soluciones
Si una variable explicativa queda muy
determinada por el resto de variables
explicativas, se puede intentar excluirla del
modelo; sobre todo si el coeficiente de
determinacin del modelo permanece casi
igual despus de la exclusin.
El proceso puede repetirse de forma
ordenada y secuencial hasta eliminar un
nmero suficiente de variables.
14
15
16
Resumen tema 8
Colinealidad aproximada: Las
varianzas de los estimadores pueden
aumentar ostensiblemente
Las estimaciones son ms imprecisas.
Los contrastes son poco potentes y se
hace difcil el anlisis estructural.
No afecta a la determinacin del modelo
ni a su capacidad de prediccin.
Bibliografa
17