▪ El comportamiento de buena parte de las variables
económicas guardan algún tipo de relación unas con otras y
esa relación puede ser de menor o mayor grado.
▪ Solamente cuando dicha relación es de mayor grado podría ser
un problema dentro de la modelación econométrica.
Grafico de Ballentine de Multicolinealidad
Una razón para la multicolinealidad en datos de
series de tiempo se debe a que las regresoras del
modelo comparten una tendencia común.
Consumo, ingreso y riqueza por trimestre en México, 1980-2003
Fuente: Quintana:2015
➢ Alguna o algunas de las variables que forman la matriz de
regresores es una combinación lineal de otra.
➢ Cuando dos o más variables tienen la misma tendencia y
exactamente el mismo comportamiento.
Siendo las constantes 𝜆𝑖 simultáneamente diferentes de cero, esto es;
𝜆𝑖≠0 ∀𝑖.
Permitiría expresar una variable en términos de la otra.
▪ Los regresores de la regresión están altamente correlacionados
pero no al cien por ciento.
▪ El determinante de la matriz es cercano a cero.
▪ No impide la obtención de los estimadores de MCO.
▪ Persiste el problema de identificación.
☞ Coeficientes t no significativos y R2 elevada.
Una elevada R2 junto con uno u algunos
coeficientes t poco significativos es una de las
pruebas más tradicionales para evaluar
multicolinealidad.
☞ Coeficientes de correlación.
Elevados coeficientes de correlación entre pares
de variables por encima de 0.8 o 80% son
evidencia de correlación seria.
☞ Regresiones auxiliares y efecto R2 de Theil.
Se corren regresiones auxiliares de la variable
dependiente contra los k regresores menos uno de
ellos, al coeficiente de determinación de esas
regresiones se le denomina 𝑅𝑖2.
𝑛
𝑅2 𝑇ℎ𝑒𝑖𝑙 = 𝑅2 − 𝑅2 − 𝑅𝑖2
𝑖=1
Si el efecto de Theil fuera nulo no existiría
multicolinealidad, entre mayor sea el efecto más grave
es el problema.
☞ Regresiones auxiliares y regla de Klein
La multicolinealidad es un problema a considerar sí la 𝑅𝑖2 de alguna
regresión auxiliar es mayor que el coeficiente de determinación 𝑅2
de la regresión original.
Se efectúan tomando cada uno de los regresores y corriendo
regresiones con los regresores restantes. Ej.: Se tienen tres
regresores x1,x2,x3.
𝑥1𝑖 = 𝛽1 + 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝜀1𝑖
𝑥2𝑖 = 𝛽1 + 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝜀2𝑖
𝑥3𝑖 = 𝛽1 + 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝜀3𝑖
En este caso tendremos tres coeficientes de determinación de las
regresiones auxiliares 𝑅12,𝑅22,𝑅32 si alguno de ellos es mayor a 𝑅2 el
problema de multicolinealidad se puede considerar grave.
Blanchard expresa de la siguiente manera la corriente de
pensamiento que aboga por “no hacer nada”:
“Cuando los estudiantes efectúan por primera vez la regresión
de mínimos cuadrados ordinarios (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 técnicas a fin de darle la
vuelta al problema. Pero eso está mal. La multicolinealidad es
la voluntad de Dios, no un problema con los MCO ni con la
técnica estadística general.”
▪ Eliminar una variable del modelo para resolver el
problema de multicolinealidad puede producir
sesgo de especificación o error de
especificación.
▪ Aunque la multicolinealidad puede dificultar la
estimación precisa de los parámetros del modelo.
▪ La omisión de una variable generaría graves
equivocaciones respecto de los valores verdaderos de los
parámetros.
Los estimadores de MCO son MELI a pesar de
la presencia de multicolinealidad perfecta.
▪Una solución para atenuar la
colinealidad es aumentar el
tamaño de la muestra