Econometría
Modelo de regresión lineal
Variable
dependiente 𝑦 = 𝛽𝑋 + 𝑐 + 𝜀
Variable
independiente
En el caso más sencillo, con una sola
variable explícita, el ajuste es una recta
Modelo de regresión lineal
𝑌 = 𝛽1 + 𝛽2 𝑋 + 𝜀
𝛽1 La intersección de la recta
, se puede considerar como el
efecto medio sobre y de
todas las variables excluidas
del modelo
Hallar una recta que logre minimizar la suma de las distancias de cada punto
A la recta
Supuestos de la Regresión Lineal
El modelo de regresión es lineal en los parámetros
Valores fijos de X, o valores de X independientes del término de error
El valor medio de la perturbación es igual a cero
Homoscedasticidad o varianza constante: La varianza del término de error, o de perturbación, es la
misma sin importar el valor de X. Heteroscedasticidad, o dispersión desigual, o varianza desigual.
No hay autocorrelación entre las perturbaciones (observaciones se muestrean de manera
independiente.)
El número de observaciones n debe ser mayor que el número de parámetros por estimar.
La naturaleza de las variables X: No todos los valores X en una muestra determinada deben ser
iguales.
Violaciones de los supuestos
• Multicolinealidad: ¿Qué pasa si las regresoras son colineales ?
• Heterocedasticidad: ¿Qué pasa cuando la varianza del error no es
constante?
• Autocorrelación: ¿Qué sucede si los términos de error están
correlacionados?
Multicolinealidad
• El termino multicolinealidad se atribuye a Ragnar Frisch
• Se dice que las variables 𝑋1 , ⋯ , 𝑋𝑛 son colineales perfectas si existe
coeficientes reales 𝜆1 , ⋯ , 𝜆𝑛 tales que no siendo ellos cero simultáneamente
se tiene que:
𝜆1 𝑋1 + ⋯ + 𝜆𝑛 𝑋𝑛 = 0
• En la practica muchas de las variables explicativas presentan un alto grado
de colinealidad, pero no son colineales perfectas.
• Una de las causas principales de la colinealidad es la inclusión de variables
con una tendencia común. Ejemplo: el consumo y el ingreso
Multicolinealidad
Multicolinealidad
Consecuencias de la Multicolinealidad:
• Los estimadores MCO presentan varianzas y covarianzas grandes que hacen
difícil la estimación precisa.
• El estimador es insesgado, pero no es eficiente (no tiene varianza mínima).
• Los intervalos de confianza tienden a ser mucho más amplios
• La razón t (o p-valor) de uno o más coeficientes tienden a ser no
significativas.
• Signos contrarios a lo esperado en la teoría
• El R 2 puede ser muy alto.
• Los estimadores MCO y sus errores estándar pueden ser sensibles a
pequeños cambios en la información.
Multicolinealidad
Christopher Achen (1982)
Detección de la multicolinealidad
Según Kmenta (1986)
• Lo importante no es si existe o no colinealidad, sino los diferentes grados de
colinealidad que existen.
• La multicolinealidad es una característica de las muestras no de la población.
• No es necesario llevar a cabo pruebas sobre colinealidad.
Detección de la Multicolinealidad o “expediciones de pesca”
• La presencia de un R2 elevado y razones t poco significativas.
• Altas correlaciones entre parejas de regresores:
Si el coeficiente de correlación de orden cero es grande mayor que 0.8 la
multicolinealidad es un problema grave. Las correlaciones de orden cero
elevadas son una condición suficiente pero no necesaria para que exista la
multicolinealidad, ya que esta también se puede presentar con coeficientes de
correlaciones bajos, es decir inferiores a 0.5. Cuando los modelos tienen más de
dos variables explicativas los coeficientes de correlación de orden cero no son
una herramienta segura para determinar si existe o no multicolinealidad, a
diferencia si hay sólo 2 variables explicativas donde si lo son.
• Regresiones auxiliares:
Una forma de determinar cual variable está correlacionada con las otras
variables X es realizar una regresión de cada Xi sobre las otras X y calcular el
R2 correspondiente. Cada una de estas regresiones se llama regresiones
auxiliares. Una manera rápida de comparar es mediante la regla practica de
Klein. Consiste e evaluar si el R2 de cada auxiliar sobrepasa a el global.
Detección de la Multicolinealidad o “expediciones de pesca”
• Los factores de inflación de varianza (VIF) son un método para medir el
nivel de colinealidad entre los regresores en una ecuación.
• Los VIF muestran qué parte de la varianza de un coeficiente estimado de un
regresor se ha inflado debido a la colinealidad con los otros regresores.
Detección de la Multicolinealidad o “expediciones de pesca”
• Factor Inflacionario de Varianza (en inglés VIF)
La velocidad con la cual las varianzas y covarianzas se incrementan
1
𝑉𝐼𝐹 = 2
1−𝜔
Con 𝜔 la correlación al cuadrado de dos de las variables regresoras
Como regla practica, si el
VIF de una variables es
superior a 10 se dice que
esa variable es altamente
colineal (Gujarati)
¿Qué hacer si hay multicolinealidad?
• Hacer nada (Si, tal cual así lo dice Gujarati)
• Seguir ciertas reglas practicas
¿Qué hacer si hay multicolinealidad?
Hacer nada
Olivier Blanchard (1967)
¿Qué hacer si hay multicolinealidad?
Hacer algo
• La solución mas simple es eliminar algunas de las variables colineales (lo
cual podría contradecir la teoría económica).
• Sustituir variables por otras que teóricamente tengan sentido y puedan
representar una proxy
• Realizar transformaciones en las series. La mas usual es aplicar el operador
diferencia.
• Aumentar el tamaño de la muestra.
• Si se tienen muchas variables, usar técnicas factoriales para reducir su
número.