PRACTICA DE MULTICOLINEALIDAD

Dependent Variable: TRATAMIENTOS Method: Least Squares Date: 05/02/06 Time: 16:49 Sample: 1 52 Included observations: 52 Variable C G_RIESGO POBLACION RENTA R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 589.0181 0.135640 -0.005473 0.001550 0.972690 0.970984 1583.457 1.20E+08 -454.8067 1.097095 Std. Error 354.6794 0.056686 0.003800 0.001255 t-Statistic 1.660706 2.392816 -1.440226 1.235633 Prob. 0.1033 0.0207 0.1563 0.2226 7050.991 9295.738 17.64641 17.79651 569.8737 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

1) Deteccin de Multicolinealidad
1) matriz de correlaciones Seleccionar las variables explicativas open as group view correlations
RENTA RENTA POBLACION G_RIESGO 1.000000 0.989643 0.994350 POBLACION G_RIESGO 0.989643 1.000000 0.997783 0.994350 0.997783 1.000000

2) Determinante de la matriz de correlaciones: Det c = 0 multicolinealidad Det c =1 no multicolinealida Para calcular esto en el Eviews Guardar el grupo de las exgenas (group01) Sym cor = @cor(group01) Scalar detcor = @det(cor)

2) Regresiones auxiliares y Contraste de Farrar Glauber Se trata de estimar la regresin auxiliar

Dependent Variable: RENTA Method: Least Squares Date: 05/02/06 Time: 17:23 Sample: 1 52 Included observations: 52 Variable C POBLACIN G_RIESGO R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 8456.515 -1.072825 32.63488 0.990146 0.989743 180287.4 1.59E+12 -701.5598 1.575716 Std. Error 40364.59 0.404600 4.463243 t-Statistic 0.209503 -2.651569 7.311921 Prob. 0.8349 0.0108 0.0000 1274865. 1780180. 27.09845 27.21103 2461.708 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

R2=0.990 Fav=2461,78

Tanto el R2 como el Fav indican la presencia de multicolinealidad aproximada de alto grado.

2) Corregir el problema de multicolinealidad

Parece ser que la variable poblacin es la causante de la multicolinealida. Para solucionar el problema estimamos el siguiente modelo:

(Tratamientos / pob)i = 1 + 1 (renta / pob)i + 1 (G _ riesgo / pob)i + ui

Dependent Variable: TRATAMIENTOS/POBLACION Method: Least Squares Date: 05/02/06 Time: 17:26 Sample: 1 52 Included observations: 52 Variable C RENTA/POBLACIN G_RIESGO/POBLAC IN R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.013833 0.003158 0.215306 0.587790 0.570965 0.001750 0.000150 257.8695 1.677384 Std. Error 0.002762 0.001080 0.038798 t-Statistic -5.008580 2.923004 5.549416 Prob. 0.0000 0.0052 0.0000 0.008416 0.002671 -9.802674 -9.690102 34.93578 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Sobre el modelo resultante volveremos a analizar si todava presenta problemas de multicolinealidad:

GENERAMOS LAS VARIABLES TRANSFORMADAS: En El Menu Del Archivo De TrabajoGen Escribimos G_RIESGO=G_RIESGO/POBLACIN RENTAC=RENTA/POBLACIN

Matriz de correlaciones
G_RIESGOC G_RIESGOC RENTAC 1.000000 0.468462 RENTAC 0.468462 1.000000

Se observa que la matriz de correlaciones de las variables transformadas presenta correlaciones relativamente bajas. Por tanto, parece que el problema est solucionado. Det de la matriz de correlaciones Guardar el grupo de las exgenas transformadas (group02)

Sym cor2 = @cor(group02) Scalar detcor2 = @det(cor2) Det =0,788 diferente de cero y bastante ms grande que el calculado

anteriormente N_condicon=1,66<20 no multicolinealidad