Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 48 vistas

    Multicolinealidad 3 PDF

    Cargado por

    Emanuelle Alemar
    El documento discute la multicolinealidad en modelos de regresión múltiple. Explica que la multicolinealidad perfecta hace que el estimador de mínimos cuadrados ordinarios no esté definido, mientras que la multicolinealidad casi perfecta infla la varianza de los estimadores, haciéndolos menos precisos. Como solución, sugiere utilizar información externa como restricciones previas a los parámetros para mejorar la precisión de los estimadores.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Multicolinealidad 3 PDF

    Cargado por

    Emanuelle Alemar
    48 vistas3 páginas
    El documento discute la multicolinealidad en modelos de regresión múltiple. Explica que la multicolinealidad perfecta hace que el estimador de mínimos cuadrados ordinarios no esté definido, mientras que la multicolinealidad casi perfecta infla la varianza de los estimadores, haciéndolos menos precisos. Como solución, sugiere utilizar información externa como restricciones previas a los parámetros para mejorar la precisión de los estimadores.

    Título original

    Multicolinealidad-3.pdf

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento discute la multicolinealidad en modelos de regresión múltiple. Explica que la multicolinealidad perfecta hace que el estimador de mínimos cuadrados ordinarios no esté definido, mientras que la multicolinealidad casi perfecta infla la varianza de los estimadores, haciéndolos menos precisos. Como solución, sugiere utilizar información externa como restricciones previas a los parámetros para mejorar la precisión de los estimadores.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    48 vistas3 páginas

    Multicolinealidad 3 PDF

    Cargado por

    Emanuelle Alemar
    El documento discute la multicolinealidad en modelos de regresión múltiple. Explica que la multicolinealidad perfecta hace que el estimador de mínimos cuadrados ordinarios no esté definido, mientras que la multicolinealidad casi perfecta infla la varianza de los estimadores, haciéndolos menos precisos. Como solución, sugiere utilizar información externa como restricciones previas a los parámetros para mejorar la precisión de los estimadores.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    Multicolinealidad: Consecuencias y Soluciones

    Emanuelle Alemar

    December 2, 2019

    1 Introducción

    La multicolinealidad se define como una situación en la que las variables independientes en un


    modelo de regresión múltiple están correlacionadas. En este caso, el modelo de regresión múltiple
    está representado en algebra lineal Y = Xβ + , con Y siendo un vector n × 1, X siendo una matriz
    n × k, β siendo un vector k × 1 y  siendo un vector n × 1.

    2 Multicolinealidad Perfecta: Consecuencias

    Si tenemos un modelo de regresión múltiple con dos variables independientes X1 y X2 (k = 2), una
    situación de multicolinealidad perfecta implicarı́a que X1 serı́a proporcional a X2 , es decir, X1 = cX2 ,
    donde c es un escalar o cantidad fija. Como X1 y X2 son las unicas variables independientes, el
    modelo se puede escribir como

    h i
    Y = Xβ +  = X1 X2 β +  (1)
    h i
    donde X1 X2 es una matriz n × 2 y β es el vector de parámetros 2 × 1. Notando que

    " # " #
    X1 h i X10 X1 X10 X2
    X 0X = X1 X2 = (2)
    X2 X20 X1 X20 X2
    Tomando determinante,

    " #
    0 X10 X1 X10 X2
    det(X X) = det = (X10 X1 )(X20 X2 ) − (X20 X1 )(X10 X2 ) (3)
    X20 X1 X20 X2

    1
    Si hay mutlicolinealidad perfecta, X1 = cX2 y

    det(X 0 X) = (cX20 X1 )(X20 X2 ) − (X20 cX2 )(kX20 X2 ) (4)

    = c2 (X20 X2 )(X20 X2 ) − c2 (X20 X2 )(X20 X2 ) = 0 (5)

    Dado que (X 0 X)−1 se puede expresar como

    1
    (X 0 X)−1 = CX 0 X (6)
    det(X 0 X)

    donde CX 0 X es la matriz de cofactores de X 0 X, el resultado de det(X 0 X) = 0 cuando hay


    colinealidad perfecta entre las variables implicará que la inversa de X 0 X no existe, por lo que el
    estimador de mı́nimos cuadrados ordinarios β̂ = (X 0 X)−1 X 0 Y no estará definido y no se podrá
    utilizar este método para hacer inferencia sobre β.

    3 Multicolinealidad casi perfecta: Consecuencias

    En la mayorı́a de las aplicaciones, no obstante, son muy pocos los casos en los que ocurre colinealidad
    perfecta. Son mucho más abundantes los casos de colinealidad casi perfecta. En este caso podriamos
    tener dos variables independientes que estén fuertemente correlacionadas (ejemplo: empleo y PNB
    real), pero no que una sea una proporción fija de la otra y viceversa. En este caso, el determinante
    de X 0 X será un número muy pequeño, lo que implicará por la ecuación (6) que los elementos de
    (X 0 X)−1 asumirán valores altos.

    Dado que ya habı́amos discutido que la matriz de varianza-covarianza de los estimadores M.C.O
    toma la forma var(β̂) = σ 2 (X 0 X)−1 , si (X 0 X)−1 asume valores altos, entonces la varianza de los
    estimadores M.C.O estará inflada y los estimadores no serán eficientes. Esto implicará que no
    podremos hablar de los parámetros con la mayor certeza o precisión posible, pues al aumentar
    var(β̂), los intervalos de confianza del parámetro β se hacen más anchos.

    Otra manera de ver este resultado es mediante el estadı́stico de docimacia para cada parámetro
    (estadśitico t), el cual bajo la hipótesis nula de β = 0 se construye como

    β̂ − β β̂
    tc = q =q (7)
    var(β̂) var(β̂)

    por lo que a medida que var(β̂) aumenta, se reduce el estadı́stico t. Mientras mas ”perfecta”
    sea la colinealidad, mayor será la varianza del estimador β̂, por lo que mas cerca estará el estadı́stico

    2
    calculado del area de no rechazo de la hipótesis nula (H0 : β = 0). Por ende, los estadı́sticos t
    nos llevarán a concluir que no hay relación entre cada variable de manera individual y la variable
    dependiente. A pesar de esto, se pueden observar valores altos del R2 o de los estadı́sticos F
    calculados, pues las variables en conjunto tienen poder explicativo pero no se pueden separar los
    efectos individuales de cada variable. Esto porque, al estar fuertemente correlacionadas, se pudiera
    confundir el efecto de una variable con el de otra.

    4 Solución: Uso de Estudios Previos

    Una posible solución al problema de multicolinealidad consiste en utilizar información externa a la


    muestra en la forma de restricciones a los parámetros (Griffits, 1993). Expresando el modelo en (1)
    como

    Y = β0 + β1 X1 + β2 X2 +  (8)

    Si se conoce que X1 y X2 están correlacionadas, pero se tiene un estimado previo de β2 , digamos,


    β2 = 3, entonces (8) se puede reescribir como

    Y − 3X2 = β0 + β1 X1 +  (9)

    En este caso, como la variable X2 no aparece en el lado derecho del modelo a estimarse, ya no
    existe el problema de multicolinealidad. Esto implica que la varianza de los coeficientes estimados
    por M.C.O, en este caso de βˆ1 , se reduce, lo que implica que los parámetros estimados son más
    precisos.

    References

    [1] Griffiths, W. E., Hill, R. C., Judge, G. G. (1993). Learning and practicing econometrics. New
    York: Wiley.

    También podría gustarte