APUNTES DE CLASE ECONOMETRA I

UDI ECONOMETRA E INFORMTICA

Prof. Ramn Maha
ramon.mahia@uam.es
HIPTESIS ESTRUCTURALES: MULTICOLINEALIDAD
Qu se entiende por Multicolinealidad en el marco del MBRL?:
Existen dos tipos de Multicolinealidad. La denominada multicolinealidad Exacta y la llamada
Multicolinealidad Aproximada . La exacta se define como la existencia de una combinacin lineal
exacta entre dos o mas variables exgenas incluidas en el modelo; dicho de modo analtico, el
incumplimiento de la propiedad de Rango Pleno de la matriz X de exgenas del modelo. La
Multicolinealidad aproximada se define como la existencia de una relacin lineal fuerte, aunque no
exacta, entre dos o ms variables exgenas.
Por qu se produce?:
En primer lugar puede decirse que la multicolinealidad es, en cierto modo, un fenmeno inevitable:
en un sistema econmico es generalmente muy difcil suponer la total falta de correlacin entre sus
distintos elementos; an al contrario, la propia Econometra, como ejercicio analtico, se apoya de
forma fundamental en la idea de la existencia de interrelaciones entre las variables de los sistemas
econmicos analizados de modo que es posible encontrar relaciones (correlaciones) amplias e
incluso relaciones indirectas en la evolucin temporal o la distribucin transversal de dos
acontecimientos o realidades econmicos aparentemente distantes. No obstante, no resulta
conveniente achacar siempre la existencia de una elevada correlacin entre variables a la esencia
del sistema econmico ya que, en ocasiones, es el modelizador quien, descuidando una correcta
especificacin y un adecuado tratamiento de los datos, puede generar en un modelo un problema
de multicolinealidad inexistente en origen , an cuando ni siquiera exista ningn parecido
conceptual entre las series que generan el problema.
As pues y, resumiendo, diremos que:
1. La multicolinealidad aproximada puede aparecer bien por relaciones de causalidad que se
producen en el contexto general econmico (todo est relacionado) o bien de forma
casual sin que exista ningn contenido terico en la misma. Un caso muy habitual de esta
ltima situacin sucede cuando se introducen variables en niveles: la simplicidad en los
niveles de las variables hacen que aparezcan con facilidad parecidos casuales tal y como
se observa en el grfico de la siguiente pgina.
2. La multicolinealidad exacta slo puede aparecer por un error en la especificacin cometido
por el modelizador que ignora una igualdad o combinacin lineal exacta entre variables. Por
ejemplo, el siguiente modelo es, obviamente, un modelo con multicolinealidad exacta:

y i 0 1 D.Interna 2 C.Privado 3 C.Pblico 4 Inversin u i

ya que, por definicin de Contabilidad Nacional, la Demanda Interna de un pas es,
precisamente, igual a la suma del Consumo Privado, el Consumo Pblico y la Inversin.
Otro ejemplo igualmente comn es caer en lo que se denomina La trampa de las
ficticias que consiste en incluir un nmero tal de variables ficticias que todas ellas acabe
por generar una combinacin lineal con el trmino independiente.

La lnea superior representa el perfil trimestral de evolucin del empleo en la

agricultura en miles de personas desde 1986 a 1999 y la inferior la evolucin de la
demanda interna en miles de millones de pesetas en ese mismo perodo. Es evidente
que, aunque habra quien encontrara nexos causales entre una y otra variables, el
parecido se debe a la sencillez de su patrn temporal de evolucin.

Cules son las consecuencias sobre el MBRL?:

Las consecuencias sobre las propiedades del Modelo Bsico de Regresin Lineal deben
distinguirse nuevamente segn se est hablando de Multicolinealidad Exacta o Aproximada:
1. En el caso de existencia de multicolinealidad exacta, los parmetros no pueden estimarse ya
que, al existir dentro de la matriz X de observaciones de variables exgenas una combinacin
lineal de variables, sta no tendr rango pleno y por tanto no ser invertible. Si eso sucede, el
producto (XX) tampoco tendr inversa de modo que no podremos calcular la expresin del
estimador Mnimo Cuadrtico:

( X ' X ) 1 X ' Y
2. En el caso de multicolinealidad aproximada las propiedades de los estimadores
(insesgadez, eficiencia y consistencia) no se ven afectadas. Es decir, el estimador de MCO
sigue siendo el estimador con mejores propiedades de entre los de su clase de estimadores.
Sin embargo, a pesar de que las varianzas del estimador de MCO son las mnimas posibles,
(es decir, a pesar de la eficiencia del estimador MCO) estas varianzas son mayores que las
que se lograran en ausencia del problema de multicolinealidad.
En concreto, puede demostrarse que la varianza de los estimadores es:

V ( j )

1 V ( y) 1 R 2
n k V ( x j ) 1 R 2j

donde R2j representa la correlacin que mantiene la variable X ij con el resto de variables
exgenas incluidas en el modelo.

El problema descrito anteriormente de mayor varianza en las estimaciones, provoca los siguientes
efectos inmediatos:

Que los parmetros estimados se interpreten peor, al poder estar muy alejados del
verdadero valor del parmetro: varianza e imprecisin son una misma cosa, a mayor
varianza en la estimacin, mayor imprecisin y por lo tanto, resultados ms alejados de la
realidad.

Que los parmetros sean muy inestables y flucten de forma importante al introducir nueva
informacin. Efectivamente, al ser el parmetro ms impreciso, al presentar mayor rango
de variacin, una nueva estimacin puede arrojar valores muy diferentes a la anterior.

Que los contrastes individuales t tiendan a tomar valores inferiores a los reales haciendo
que rechacemos variables realmente significativas. Debemos recordar que, efectivamente,
la ratio t de significacin individual se obtiene mediante la expresin:

t
V ( )
por lo que, a mayor varianza, menor valor del ratio t. As, en una situacin de
multicolinealidad y, por tanto, de mayor varianza en las estimaciones, esas ratios t
aparecern artificialmente ms bajas de lo que realmente seran si modificsemos
convenientemente la especificacin.

Cmo se detecta?:
La deteccin parte del clculo de las correlaciones entre las variables explicativas. Las
correlaciones entre variables deben ser menores que un lmite determinado. No hay un lmite fijo a
partir del cual podamos hablar de un problema; ese lmite debe establecerse desde el sentido
comn y segn las circunstancias de anlisis especficas, por ejemplo:
-

Tamao muestral: un mismo valor de un coeficiente de correlacin implica distinto grado de

correlacin segn el tamao muestral; en muestras de tamao elevado, una correlacin
aparentemente pequea (0,3 0,4) implica la existencia de una evidente correlacin serial.

Forma de medicin de las variables: las variables en niveles exhiben correlaciones con
mayor facilidad de modo que el lmite asumible puede ser ms alto que si las variables
exgenas estn medidas en tasas.

Relaciones tericas asumidas a priori entre las variables: una correlacin moderad pero no
esperada a priori desde el punto de vista terico puede estar avisando de algn defecto en
la especificacin o el tratamiento de los datos. ).

En todo caso, si se desea una regla generalmente utilizada, una prctica habitual consiste en
establecer generalmente la R2 del modelo original como lmite de la correlacin observada entre
dos o ms variables: diremos que existe multicolinealidad cuando existan correlaciones entre las
variables, superiores al coeficiente de determinacin del modelo. Sin embargo, debemos recordar
nuevamente las limitaciones de cualquier receta de este tipo; por eje, lgicamente diremos que
existe multicolinealidad cuando, an sin superar la R 2 del modelo, las correlaciones sean mayores
de un 0,70%.
Las correlaciones entre las variables las calcularemos de tres modos diferentes:

Correlaciones simples entre cada par de variables

r jk
-

Cov ( x j x k )
DT ( x j ) DT ( x k )

Correlaciones entre cada variable y el conjunto simultneo del resto incluidas en la

especificacin de una ecuacin del tipo:

x j f ( x1 , x 2 ,......., x j 1 , x j 1 ,........ x k )
-

Correlaciones parciales entre cada par de variables. El concepto de correlacin parcial tiene
sentido en el contexto del anlisis multivariante. La idea es encontrar la correlacin que une a
dos variables descontado el efecto del resto de variables; es decir, la correlacin particular,
ms all de la correlacin que ambas exhiben y en la que intervienen el resto de variables. Por
ejemplo, si se toman datos relativos a 3 tipos de inters a corto plazo en una economa
seguramente se encontrarn elevadas correlaciones simples y mltiples, sin embargo, ser
difcil encontrar una correlacin parcial entre dos de los tres tipos de inters considerados ya
que, la parte comn que les une, es comn a los tres y no existe ms parecido bilateral que el
que es compartido por todos ellos.
La forma ms sencilla de calcular esos coeficientes de correlacin parcial aprovechando los
anteriores clculos es aplicando la expresin comentada anteriormente:

r jkp / a b
donde a es el coeficiente asociado a x k en la regresin de x j sobre el conjunto de variables
restantes y b es el coeficiente de x j en la regresin de x k sobre el conjunto de variables
restantes.
El signo +/- no expresa la doble solucin de la raz, sino que deber escogerse una de las
dos soluciones, la positiva o la negativa, segn el signo observado en los coeficientes a y b
de las regresiones parciales. La razn de atender al signo antes de realizar el clculo es que,
por razones obvias de simetra, el signo de a siempre ser el mismo que el de b por lo que,
en el producto ab, ese signo se perder en el caso de ser ambos coeficientes negativos.
Cmo se corrige?:
La correccin del problema requiere conocer sus causas. Si se trata de una correlacin casual
debida generalmente a defectos en la especificacin (por ejemplo, un modelo en niveles), el
problema debe solventarse corrigiendo esta especificacin o bien, en ltimo extremo deflactar la
multicolinealidad.
Si estamos ante un problema de informacin repetida, la solucin pasa por la re-especificacin del
modelo, bien eliminando la informacin redundante, bien transformndolo de cara a perder el
mnimo de informacin. En ese sentido, cabe transformar dos o ms variables correlacionadas en
una combinacin de las mismas. Conviene recordar a este respecto la tcnica del anlisis
multivariante factorial.

APUNTES SOBRE EL ANLISIS DE MULTICOLINEALIDAD EN E-VIEWS

Realizar el anlisis de multicolinealidad en E-Views es sencillo. Para observar de forma rpida las
correlaciones simples Las correlaciones simples las calculamos con sencillez en E-Views. A forma
ms rpida de observar estas correlaciones es:
1.- Crear un grupo con las variables involucradas en la regresin: una vez abierta la regresin,
seleccionando el comando Procs-Make Regressor Group del men de ecuacin.
2.- Una vez creado el grupo, en la barra de herramientas del mismo se solicita la vista de modo
correlaciones: View-Correlations.

Para realizar las regresiones parciales con el objetivo de computar las correlaciones mltiples y
parciales (segn se detall en la teora) no hay ninguna operacin especial que deba conocerse en
E-Views: cada una de las regresiones auxiliares se crea de forma independiente como cualquier
otra regresin.