Notas Sobre Colinealidad en El Modelo de Regresión Lineal de Tres Variables 181-198

NOTAS SOBRE COLINEALIDAD EN EL MODELO DE REGRESIN LINEAL DE TRES VARIABLES
Author(s): Fernando Corts C. and Rosa Ma. Rubalcava

Source: Demografa y economa, Vol. 17, No. 2 (1983), pp. 181-198
Published by: El Colegio De Mexico
Stable URL: http://www.jstor.org/stable/40602348 .
Accessed: 04/08/2014 18:28
Your use of the JSTOR archive indicates your acceptance of the Terms & Conditions of Use, available at .
http://www.jstor.org/page/info/about/policies/terms.jsp
.
JSTOR is a not-for-profit service that helps scholars, researchers, and students discover, use, and build upon a wide range of
content in a trusted digital archive. We use information technology and tools to increase productivity and facilitate new forms
of scholarship. For more information about JSTOR, please contact support@jstor.org.
.
El Colegio De Mexico is collaborating with JSTOR to digitize, preserve and extend access to Demografa y
economa.
http://www.jstor.org
This content downloaded from 146.155.94.33 on Mon, 4 Aug 2014 18:28:03 PM
All use subject to JSTOR Terms and Conditions
NOTAS SOBRE COLINEALIDAD EN EL MODELO
DE REGRESIN LINEAL DE TRES VARIABLES
Fernando Cortes G*
Rosa Ma. Rubalcava
El
Colgio
de Mxico
INTRODUCCIN
Este TRABAJO investiga las peculiaridades
que
caracterizai! la estimation
de un modelo de
regresin parcial
del
tipo:
(1) 1^=01 +02*2,+03*3/
+
>P, 0
=
1,2,
...
,*)
en el
que
se ha constatado una estrecha relation lineal entre las variables
explica-
tivas.
A modo de
ejemplo, podria
considerarse el
ajuste
de una ecuacin del nivel de
precios
en funcir de los salrios
y
la cantidad de dinero.
Una situation
tpica que
tambin
podria responder
al caso esbozado seria la
de la estimation de una funcin en donde una de las variables fuese el tamano o
nmero de las unidades de observation. Tal seria el caso de una funcin consumo
agregada
en
que X2i podria representar
el nivel dei
ingreso disponible, X3i
Ia
po-
blacin
y Yt
el valor dei consumo
personal.
La existncia de un cierto
grado
de
independncia
entre las variables
explicati-
vas
permite
establecer
que:
ar
_f
Y
_
Vale
decir,
el coeficiente de
regresin j32
indicaria el efecto
que
tendra un
cambio unitrio en
X2
sobre la variable
F, bajo
el
supuesto
de
que X3
se mantie-
ne constante. Para
j33
se
puede
realizar una
interpretacin anloga.
Pro si existiera una relation lineal entre
X2 y X3 ,
la
interpretacin
de los
coeficientes
ya
no seria tan directa.
En
efecto,
si
X2i
=
a +
bX3i+Vt
*Facultad Latinoamericana de Cincias
Sociales,
sede Mxico.
(FLACSO-MEXICO);
profesor
en El
Colgio
de Mxico.
181
1 82
DEMOGRAFIA Y ECONOMIA XVII:
2,
1 983
y
si la
reemplazamos
en
(1),
tendremos:
(2) Yt
=
(A
+
h a)
+
0?3
+
h b)X3i
+
(& Vt
+
U,)(i=l, 2, ...,)
y
el
impacto
lineal de
X3
sobre Y ser:
7' V
Este resultado indica
que,
en la medida
que haya
una relacin lineal estrecha
entre
X2 y X3 ,
dificilmente
podremos
evaluar el efecto de una variable
explica-
tiva sobre
Y,
manteniendo la otra constante. Si la correlacin entre
X2 y X3
se
aproxima
a la
unidad,
entonces toda variacin en
X3
ser
seguida por
una en
X2
y viceversa, por
ello nos veremos
incapacitados para
alterar los valores de una de
las variables manteniendo Ia otra constante.
La derivada muestra
que
el coeficiente de
regresin
de
X3
en la ecuacin
(2)
mezcla el
impacto que
tiene
X3
sobre
Y(3),
con el
que
tiene
X2
sobre 7 a tra-
vs de
X2 ,^ b).
En mtodos no
exprimentales (como
Io es el
subyacente
ai modelo de
regre-
sin)
el control de variables solo se
puede
realizar a travs de Ia consideracin
explcita
de ellas.2 En modelos de
regresin
es usual incluir una tercera variable
al estudiar la relacin entre otras
dos, ya
sea a travs de su
incorporation
en un
modelo
parcial (tal
como el de Ia ecuacin
(1))
o
bien,
establecer uno donde Ias
variables se definan como razones. Este ltimo
procedimiento
es de uso bastante
frecuente cuando Ia tercera variable es Ia
poblacin
o el nvel de
precios.
As Ia ecuacin:
(3)
-4*

=61+2
l2i
+Ui (i
=
l,2,
...
,*)
3 3
en
que
YJX2i
es el consumo
per capita y
X2i/X3i
es el
ingreso per capita,
estaria
conformada
por
una variable
explicada y
una
explicativa,
definidas ambas como
razones entre
variables,
Io
que supuestamente permitiria
controlar el efecto de Ia
poblacin
sobre el consumo
y
el
ingreso.
Pro,
si nuestro
pensamiento
terico nos conduce a
suponer que
sobre el nivel
de consumo actan tanto el crecimiento econmico como el
demogrfico y que
sus efectos son
aditivos,
entonces el modelo correctamente
especificado
ser el
representado por
Ia ecuacin
(1).
Sin
embargo,
es
probable que
ai intentar
ajus-
tar este modelo terico nos encontremos con una colinealidad estrecha entre el
1
Dado
que
b
=
îxvJ^*
si no
nay
relacin lineal entre
x2 y x3 {x2x3
-
0)
en-
y
tonces
^~= 03,
es decir el coeficiente de
regresin que
afecta a jc
3
en la ecuacin
(2)
mide
0x3
el
impacto que
tiene esta variable sobre
y.
En la medida
que
Ia relacin lineal sea mas estre-
cha b se
alejai
ms de cero
yjb_
recoger
el efecto combinado de
x2 y x3.
a*3
2
Stinchcombe,
Arthur. La construction de Teorias Sociales. Ediciones Nueva
Vision,
1970,pg.49.
CORTS/RUBALCAVA: NOTAS SOBRE COLINEALIDAD 1 83
ingreso personal disponible y
la
poblacin,
lo cual introduce una serie de
compli-
caciones en la estimacin.
Ante la difcultad de medir el efecto de una variable
explicativa
manteniendo
la otra constante
-
debido a la fuerte correlacin- se
puede
intentar controlar el
efecto de la
poblacin
a travs de una transformation en las variables
que permi-
ta extraer la "contamination" inducida
por
ella. Esto se
puede lograr
dividiendo
la
iguadad (1)
entre
X3
.
(4) 4*-=ft
3
.
--+
3
-^-++i.
3
-(=1,2,...,)
3 3 3 3 3
Al
comparar (3)
con
(4)
notamos trs diferencias
importantes:
a)
La variable
1/X3 aparece
en la ltima ecuacin
y
no en la
primera.
Esto
quiere
decir
que
si el modelo correctamente
especificado
es el
que representa
la
igualdad (1),
al
ajustar (3)
cometemos un error de
especificacin
lo
que
introdu-
ce un
sesgo
en los estimadores.
3
b)
Si el trmino estocstico de
(1)
es
homocedstico,4
la division entre
X3
llevaria a
que Wt
=
/,/3/
fuese heterocedstico.
Var
Wt
=
(l/X^.Var /{.bajoelsupuesto
que
X3i
no es una variable aleatria.
Pero si
Uf
tuviese la forma heterocedstica:
Ut =X3i V(,
donde
(V2 )
=
2
,
entonces
Wt
seria homocedstica:
VarH^
=
(l/Jrl|)
Var/=a2
c)
La constante
(/33)
del modelo
(4) permite
estimar el efecto
que
tiene
X3
sobre Y
(la poblacin
sobre el
consumo).
En
resumen,
el modelo
parcial (1) permite
estimar el efecto de la variable
X2 ,
controlando el de
X3 y viceversa,
solo en caso de
que haya
una relativa
indepen-
dncia lineal entre ambas. Si
por
el
contrario,
hubiese una fuerte colinealidad
entre las variables
explicativas
-
lo cual
implica que
seria
muy difcil,
en una
situation no
experimental, separar
el efecto de una variable manteniendo cons-
tante Ia otra- se
puede proceder
a
depurarias, para
lo cual Ias
expresamos
como
razn.
Pero,
Ia manera adecuada de hacerlo seria a travs de Ia ecuacin de
ajuste
(4) que corresponderia
ai modelo terico
expresado
matematicamente
por
Ia
igualdad (1).
Ahora
bien,
si debemos
emprender
el
proceso
de estimacin en una situacin
como Ia
planteada, ^cmo
sabemos
que
el
procedimiento
utilizado
para
eliminar
o disminuir la contamination es realmente efectivo?
En los trminos en
que
hemos
presentado
el
problema,
esta
pregunta
consti-
tuye
otra manera de
interrogarse
acerca dei efecto
que
tendra sobre Ia colineali-
3
Theil
Henry. Principles of
Econometrics. John
Wiley. 1971, pgs.
548-551
y
Prze-
worski,
Adam
y Corts,
Fernando.
Comparing
Partial and Ratio
Regression
Models. Political
Methodology,
1977.

Nos
parece poo
til conservar a medias Ia
grafia inglesa y
escribir homoscedstico.
Ms an tratndose de un
neologismo,
creemos
que
Ias variantes "homosedstico"
y
"homo-
cedstico"
dependern
dei critrio dei
autor,
hasta
que
el uso acune definitivamente la
pala-
bra en nuestra
lengua.
1 84 DEMOGRAFIA Y ECONOMIA XVII :
2,
1 983
dad la transformation no lineal
aplicada
en
(1), y
a
que
si la correlation entre las
variables
l/X3 y X2IX3
de la
igualdad (4) permanece igual
o es
mayor que
la
existente entre
X2 y X3 ,
no habremos
conseguido depurar
las variables
y
los
pro-
blemas de estimation
persistirn
o se
agravarn.
Pro antes de abordar el estdio
comparativo
de Ias correlaciones entre esos
pares
de variables
procederemos
a resumir de manera
muy
sinttica las
principales
consecuencias
que
tiene en el
proceso
de
estimation,
la colinealidad estrecha.
COLINEALIDAD Y ESTIMACION
El caso limite de colinealidad es
aquel
en el
que
la relation entre las dos variables
explicativas
es
perfectamente
lineal
(r23=

1).
Esta situation conduce a
que
sea
imposible
realizar las estimaciones
punto
e intervalo del modelo.
En
efecto,
si la correlation entre las variables
explicativas
es
unitria,
la matriz
de observaciones X no tendra
rango completo (su rango
ser dos en
lugar
de
trs)
por
Io cual
(X'X)
ser una matriz
singular y por
consecuencia ser
imposible
obtener.

=
('1

y
VarZ?
=
a2
(X'X)~l
La
experincia
sefiala
que
en el
proceso
de
ajuste
de modelos lineales es relati-
vamente
poo
frecuente enfrentarse con una situation de colinealidad
perfecta*
Por esto nuestro inters es enfocar el caso en
que
la relation lineal entre Ias
variables
explicativas
es estrecha
pro
no
perfecta.
Las consecuencias fundamentales de una correlation fuerte entre
X2 y X3
se
manifestan en una
precision
decreciente de Ias estimaciones:
a)
A
mayor grado
de colinealidad
mayores
sern Ias varianzas muestrales de los coeficientes de
regresin. b)
Lo cual
Ueva,
a travs de ia covariation entre los estimadores mni-
mo cuadrticos
ordinrios,
a
que
si un estimador sobreestima su
correspondiente
parmetro
el otro tender a subestimado.5
Las consecuencias de Ia colinealidad estrecha se manifestan en la
signification
estadstica de los coeficientes. En efecto una varianza
grande (grande
en relacin
ai valor dei
estimador)
tender a disminuir el valor dei coeficiente t de Student
calculado,
lo
que puede
llevar a eliminar
alguna
variable del modelo aun cuando
tenga
un
papel explicativo.
Lo
que
acontece es
que
el modelo no
puede captar
su efecto debido ai
conjunto
de datos
disponible.
Al
decidir, erroneamente,
eli-
minar una variable
explicativa,
cometemos un error de
especificacin
lo
que
implica
introducir un
sesgo
en los estimadores.
5
Johnston J. Econometric Methods. MacGraw
Hill, 1972, pg.
160.
CORTS/RUBALCAVA:
NOTAS SOBRE COLINEALIDAD 185
Ahora
bien,
si encontrsemos una manera de estimar los
parmetros
del mo-
delo de
regresin parcial que implicara
una cada en la correlacin entre los
regresores, probablemente6
haramos
bajar
Ia varianza de los estimadores con
Io cual
ganaramos
en la
precision
de los
mismos, y
disminuiramos el
riesgo
de
cometer error de
especifcacin.
Justamente esta ser la idea
que
orientar Ia
prxima
seccin.
Para finalizar este
apartado, plantearemos
de manera sinttica Ia naturaleza
dei
problema:
a)
En
primer lugar suponemos que
Ia
especifcacin
correcta de nuestro
pensa-
miento terico est dada
por
el modelo de
regresin parcial (1):
Yi
=
i +& *2/
+
03*3/
+
^/(=1,2, ...,)
y
adernas
que
entre
X2 y X3 hay
una correlacin lineal estrecha.
b)
Para evitar esta "contamination"
-
cuando una de las variables es el tamafo
de Ias unidades de observacin- debera dividirse toda Ia ecuacin entre una de
ellas
(por ej. X3) generndose
de este modo el modelo de
ajuste (4) correspon-
diente ai modelo terico
(1):
-^-=01.-

+fe-^-+fe+W,; (f=l,2,...,/i)
X31 %3i X$
en
que
Wf
-
Ui/X3i.
Las variables sern
expresadas
en trminos
per capita
si Ias
unidades son
personas, por
establecimientos si son
empresas,
etcetera.
c)
Esta manera
particular
de "controlar" el efecto de una tercera variable ser
exitosa si realmente
logra
disminuir el tamano de las varianzas de los estimadores.
Ahora
bien,
entre los factores de los cuales
dependen
estas varianzas
quere-
mos destacar Ia naturaleza homo o heterocedstica dei trmino de
error, y
la
correlacin entre los
regresores.
Lo
que
resta de este
trabajo
se dedicar
principalmente
ai estdio dei ltimo
de estos
aspectos.
Tambin realizaremos
algunas
consideraciones sobre hetero-
cedasticidad aun cuando solo tendrn calidad de acotaciones
marginales.
La correlacin entre los regresores
Nuestro
problema
se reduce a encontrar una funcin
que ligue
Ia correlacin
entre
l/X3 yI2/I3 (que
simbolizaremos
por f)
con la correlacin entre
X2 yJ3
(simbolizada por r23).
Para obtener tal funcin recurriremos a los desarrollos de Karl Pearson7
que
establecen
que
si definimos una variable Z como una relacin entre otras dos
6
La
palabra probablemente
se utiliza
para
senalar
que
el efecto resultante no solo
depende
de Ia correlacin entre los
regresores.
7
Pearson Karl. On a form of
spurious
correlation wich
may
arise when indices are used
in the measurement of
organs. Proceedings of
the
Royal Society of London,
No. 60.
1 86 DEMOGRAFIA Y ECONOMIA XVII :
2,
1 983
Xj
su
promedio y
varianza sern
aproximadamente
:
x
i
Var
[Z]-f-[F*
-2
Vk
Vj rkj
+
Vf
*j
donde
Xk y
Xj
representan
los
promedios
de las variables k
y / respectivamente.
Vk y
Vj
simbolizan los coeficientes de variacin
y
rkj
el coeficiente de correla-
cin entre
Xk y
Xj.
Estas frmulas
corresponden
a una
aproximacin proveniente
de un desarrollo
en serie de funciones8 en
que
no se han tomado en cuenta todos los trminos de
orden
superior
a
dos,
bajo
Ia condicin de
convergncia:
(5) v ' ( Xji
-
Xj'2 (5) v '
(
-
Zi^
L-J
< 1
para
todo/
y /,
'
*i J
Ia cual establece
que
cada valor de la variable
que
se us como denominador de
debe ser estrictamente menor
que
el doble de Ia media de X,.
Al
aplicar
suma sobre ambos lados de la
desigualdad y despejar,
Ia condicin de
convergncia
asume Ia forma:
Vf
< 1
vale
decir, que
el cuadrado dei coeficiente de variacin de
Xj
debe ser menor
que
uno. Esta
restriccin, que asegura que
Ia serie no
diverja,
es una condicin nece-
saria
pro
no
suficiente, ya que puede
ser menor
que
uno aun cuando
algn
valor
Xji
de la variable sea
mayor que
dos veces la media aritmtica.
El clculo del coeficiente de correlacin entre las variables de la ecuacin de
ajuste (4) (
=
/^/
y
2
=

2 il
X
d
se
puede
realizar a travs de:
nrSx S2=X (,
-
,) (Z2
-
Z2)
donde r
representa
el coeficiente de correlacin
y S{ y S2
Ias desviaciones
tpi-
cas de
y Z2 , respectivamente.
Despus
de una serie de desarrollos9 se
llega
en definitiva a
8
Ver
apndice
1 .
9
Ver
apndice
1 .
CORTS/RUBALCAVA: NOTAS SOBRE
COLINEALIDAD;
187
(6)

<y.
-
'
y,f
V'
-
2r23 V2Vs
+
V'
donde
V3 y V2
son los coeficientes de variation de
X3 y X2 respectivamente y
r23
su
correspondiente
coeficiente de correlation.
Esta frmula solo
constituye
una
aproximacin
obtenida
por
mdio de un
desarrollo en serie de funciones en la
que
el tamano del error
que
se cometa
depender
tanto del nmero de trminos considerados como de la condition de
convergncia
dada
por
Ia
desigualdad.

X3i -X3
*'
(

X3i
_
-X3
< 1
(i=l,2,...,n)
V
^3
_
/
que
solo es una
especificacin
de
(5).
En el caso de colinealidad
perfecta
entre las variables
explicativas
dei modelo
(1) r|3
ser
igual
a 1
y, segn (6)
r2
=
(Vs
-
Vi?
=
!
V'
-2V2 V3
+
V'
Es
decir,
la transformation ae las variables es
inoperante, por
cuanto no reduce
el
grado
de relation entre los
regresores
dei modelo de
ajuste representado por
Ia
ecuacin
(4).
Podemos
preguntar
a continuacin acerca del locus en
que
se
cumple
r^3
=
r2 .
Reemplazando
esta ltima
igualdad
en la ecuacin
(6) y despejando
conveniente-
mente se
llega
a
2
V2 2V2
si
reemplazamos F3/2F2 por a,
tendremos la ecuacin cbica
r3
_
ar2 -r + =0
donde conocemos dos de Ias trs soluciones:
ri
=
1
y r2
- -
1. De
aqui que
resulte sencillo obtener Ia tercera solucin.
2V2
Sobre la base del conocimiento de estas caractersticas hemos
procedido
ai est-
dio numrico de Ia
igualdad (6).
Los resultados alcanzados se encuentran en el
188 DEMOGRAFIA Y ECONOMA XVII:
2,
1983
apndice
2 de los cuales hemos seleccionado
algunos para exponerlos graficamen-
te en el
apndice
4.
En la
grfica
debemos
distinguir
Ia zona formada
por
el
tringulo
OBC en
que
cualquier punto
en ella se caracteriza
por
r2 < r2
,
dei rea includa en el interior
dei
tringulo
OBA donde r2 >r2 . Resulta evidente
que
solo
podremos mitigar
los efectos de Ia colinealida si ai
aplicar
Ia transformacin no lineal
(1/X3)
ai
modelo
(1)
nos ubicamos en un
punto que
est dentro dei
tringulo
inferior.
Las condiciones
para que
Ia correlacin entre las variables
X2/^3 Y 1/^3
sea
menor
que
Ia existente entre
X2 y X3
han resultado ser:
(0
a>
a2 donde a2
=
(-
^
Y
(ii)
El
signo
de
r23
debe ser
igual
ai
signo
de
V3/2V2.
Adernas debemos
agregar
Ias restricciones
provenientes
dei desarrollo en serie
de funciones:
(iii)
Condicin necesaria de
convergncia
V'<
1
(iv)
Condicin necesaria
y
suficiente de
convergncia:

=
< !
0
=
1- >)
' /
Es decir si existe una relacin lineal estrecha entre las variables del modelo
(1)
no
siempre
se
puede
disminuir el
grado
de colinealidad a travs dei
expedien-
te de
generar
una ecuacin de
ajuste
dividiendo dicha
igualdad
entre una de
las variables
(por ejemplo X3).
Este
procedimiento
ser efectivo
para
reb
ajar
las
consecuencias de Ia colinealidad si se
cumplen
todas Ias condiciones
que
hemos
establecido. En
cualquier
otro caso Ia
estratgia
conducira a intensificar Ia
relacin.
Un ejemplo*
Sobre Ia base de datos trimestrales
para
el
perodo
1970-1977
para
Ia economia
mexicana,
se ha decidido estimar una ecuacin
para
el nivel de
precios
en funcin
*
Los resultados
que
se
exponen
en esta seccin han sido tomados de un
trabajo presen-
tado ai Curso de Econometria dei
programa
de maestria en Economia de El
Colgio
de M-
CORTS/RUBALCAVA:
de los salrios
y
de la cantidad de dinero.10 Al realizar el
ajuste
mnimo cuadr-
tico ordinrio se detecto autocorrelacin entre los
resduos,
Io
que condujo
a
realizar una
regresin
en diferencias finitas de
primer
orden
generalizadas,
con
los
siguientes
resultados:
(7) 7f=
13.585 +0.156
X*x
+ 1.225
X*,
(S =0.082) (Sh
=0.186)
(
=1.917) (
t
=6.581)
R2
=
0.9622 F= 343.967
y r23
=
0.9471
donde
Y
x
=
Yi
-
pYi
-
l, y Yi
es el ndice de
precios
de los bienes no duraderos en
el
tiempo
i.
X2i -X2i- pX2 9i_i X2i
es un ndice de salrio en el trimestre i
X3i =X3i- pX3 f_2 X3i
es Ia cantidad de circulante en /.
Adernas,
se define en la ecuacin
et
=
pez_i +
yh
en
que
e. son ios resduos
observados
y , representa
los errores carentes de autocorrelacin.
Los resultados de este
ajuste parecen
ser consistentes en la medida
que
los
coeficientes tendran el sentido
que
era de
esperar
desde el
punto
de vista terico.
El valor dei coeficiente de determinacin
pareceria
estar fuertemente infludo
por
Ia intensa colinealidad existente entre los
regresores.11 Adernas,
esta misma
relacin lineal estrecha
podra
ser Ia causa de
que
el efecto de los salrios sobre
el nivel de
precios
sea estadsticamente
igual
a cero.
Para intentar disminuir las consecuencias de la colinealidad
podramos
dividir
toda Ia ecuacin entre X*
ya que
los datos muestran
que ningn
valor de X* es
mayor que
dos veces Ia media aritmtica con Io cual se
cumple
Ia condicin nece-
saria
y
suficiente de
convergncia.
Ambos coeficientes de variacin son menores
que
uno.
V2
=0.4643
y V3
=
0.4229
xico, por
el estudiante
Rodrigo Quintanilla.
fen este
artculo,
no nos interesa discutir Ia
naturaleza dei modelo ni sus resultados
sustantivos,
solo
queremos
mostrar la bondad del
mtodo
que
estamos
proponiendo.
io
Los detalles referidos a Ia informacin se encuentran en el
apndice
3.
li
Ya
que/?2 =rJ2
+;>13
~
2ri2 ri3 ^2i>
1 90 DEMOGR AF A Y ECONOM A XVII:
2,
1 983
De donde resulta
que:
S-l"'f =0.2074
(2 V,)'
Por Io
tanto,
r'3
> a*
Cumplindose
de esta manera la tercera condition. Por
ltimo,
tambin resulta
que
se satisface Ia condicin de
signos iguales para
a
y r23
.
De acuerdo con los desarrollos de Ia seccin anterior la division de Ia ecuacin
(7)
entre
X3 ,
debera conducir a una disminucin de Ia colinealidad.
Segn
Ia
frmula
(6)
el r2 -la correlation entre
l/X* y X*/X*
de la ecuacin transforma-
da- debera ser
aproximadamente igual
a:
2 ^
[0.4229- (0.9471) (0.4643)]2
(0.4229)2
-
2
(0.9471) (0.4229) (0.4643)
+
(0.4643)2
r2 =0.0126
r =0.1122
El
ajuste
de Ia ecuacin transformada ha dado los
siguientes
resultados.
?
/
1
' /
X*
'
(8)
l-
=11.152 I

1+0.119 f-fM
+1-291
Xti
(5^=1.962)
'X*.
j
(5^=0.087)
'X*U
]
(5^=0.199)
(
t
=
5.685) (
t
=
1
.366) (
t
=
6.555)
R2 =0.5672 F= 17.692
y r23
=
0.060
12
La cada sustancial dei coeficiente de determination se
explica
basicamente
por
Ia disminucin en la correlation entre los
regresores.13
Los coeficientes de las ecuaciones
(7) y (8)
no diferen esencialmente. Debe
recordarse
que
el trmino libre de
(8)
es el coeficiente de
X3 y que
el coeficien-
te de
I/X3
es la constante de la ecuacin
(7).
12
Si se
quisiera lograr
una
mejor aproximacin
entre el valor de r dado
por (6) y
la
corre lacin entre los
regresores
del modelo de
ajuste,
debera
incorporarse
un nmero
mayor
de trminos en el desarrollo en serie de funciones.
13
Un buen estdio de los factores de
que depende
el coeficiente de determinacin
y
sus
correspondientes interpretaciones
se encuentra en: Duncan O.
D., Partials,
Partitions
Paths,
en
Sociologycal Methodology
1970.
Borgatta
. F.
y
Bohrnstedt G. Eds.
Jossey Bass,
970.
CORTS/RUBALCAVA: NOTAS SOBRE COLINEALIDAD 1 9 1
A
pesar
de haber reducido sustancialmente el
grado
de colinealidad entre los
regresores,
los errores estndares de los estimadores
experimentaron
tanto un
alza absoluta como en relacin al valor de la
estimation,
lo
que
se
refleja
en
que
los coeficientes t de
(8)
son inferiores a los de la ecuacin
(7).
Esto nos muestra
que
la disminucin de la correlation entre los
regresores
no necesariamente se
refleja
en una
mayor precision
en las estimaciones.
En
consecuencia,
la transformation no lineal
aplicada
sobre el modelo
original
disminuir el nivel de la colinealidad si se
cumplen
las condiciones
que
hemos
estipulado, pero
ello no
siempre
se traduce en una disminucin de los errores
estndares de los
estimadores, ya que
ai dividir entre
X3
se
puede
introducir
heterocedasticidad en modelos homocedsticos. En la
prxima
seccin
expondre-
mos
algunos muy
breves alcances sobre esta temtica.
A MODO DE CONCLUSION:
MULTICOLINEALIDAD,
HETEROCEDASTICIDAD
Y VARIANZA DE LOS ESTIMADORES
En los casos
que aplicamos
la division entre una de las variables
explicativas y
que
efectivamente
logramos
disminuir el nivel de Ia
colinealidad,
Ia cada de Ia
correlation entre los
regresores
tendr como efecto Ia disminucin en la varianza
de los estimadores. Pero la transformation
aplicada
sobre el modelo tendr tam-
bin un
impacto
sobre los errores de los estimadores
dependiendo
de Ia naturaleza
dei trmino de error.
En
efecto,
si el modelo adernas de
presentar
una relacin lineal estrecha entre
las variables
explicativas,
tiene:
(0
Errores homocedsticos. La division entre
X3
introducir heterocedastici-
dad,
lo cual har aumentar Ia varianza de los estimadores.
Que
Ia varianza de los estimadores de Ia ecuacin transformada sea
mayor
o
menor
que
Ia de los estimadores dei modelo
original,
ser Ia resultante de Ia dis-
minucin
operada por
Ia cada en la colinealidad
y
el aumento causado
por
Ia
heterocedasticidad.
(//)
Errores heterocedsticos dei
tipo:
Ui=X3iVi
donde
Vf
=
2
para
todo i.
En este caso la division entre
X3
transforma un modelo heterocedstico en
homocedstico,
con lo cual se debe
producir
un aumento en la
precision
de las
estimaciones.
Los efectos de disminucin del nivel de colinealidad
y
el hecho de
pasar
de un
modelo hetero a uno homocedstico se refuerzan mutuamente
para
hacer
bajar
la varianza de los estimadores.
(0
Errores heterocedsticos de
cualquier tipo.
En esta situation la
precision
de las estimaciones ser la resultante del aumento
inducido
por
la menor correlacin entre los
regresores y
el efecto
que
se
produz-
ca sobre ellas via el
alejamiento
o cercania
respecto
a Ia homocedasticidad.
192 DEMOGRAFA Y ECONOMIA XVII:
2,
1983
Estas consideraciones
que
han vinculado el tratamiento dei
problema
de Ia
colinealidad con el de la
heterocedasticidad, proveen
un critrio
para
seleccionar
la variable
que
se usar como divisor en el
modelo;
se debe
elegir aquella
variable
que
adernas de
cumplir
con las condiciones de
convergncia
de las
series,
sea la
que
introduce heterocedasticidad en el modelo.
La
generalizacin
de este estdio al caso de modelos con ms de dos variables
explicativas,
se hace bastante
compleja
desde el
punto
de vista matemtico. Sin
embargo,
hemos
aplicado
el
procedimiento
descrito a modelos lineales de dicho
tipo y
en
algunas
ocasiones se ha
logrado
aumentar los niveles de
precision
en las
estimaciones de los
parmetros.
CORTS/RUB
ALAVA:
Apndice
1
Media aritmtica
y
varianza de razn de variables. Correlation de variables de razn.
1 . Media aritmtica
Sea
,
=
-^

/=1,2,
...

m
-h?!
--
Definamos
xki
=
Xki
-
Xk
y
XH
=
Xji
~
Xj
Por Io tanto
Pero
' xi
I
x, x)

-
Y
La condition de
convergncia
de la serie es I
-
^
-
J
< 1 .
/ x- Vv
Xi
'
Ahora
bien, supongamos que

-
-=^ 1 es Io suficientemente
pequeno
' xi I
como
para
no considerar las
potncias may
ores
que
dos.
Reemplazando y
desarro-
llando se
llega
a
M[Z]=^-
[l-r^V.Vj
+
Vj]
Xi
194 DEMOGRAFA Y ECONOMA XVII:
2,
1983
2. La varianz a
v[*]+|"[*]|a =4-E(jf-)
=_L
. -M-Hi + -4m_Vi
+_^L_y
/
^V
+
X*
)'
X>
I
Pero
H^"-f-
if-

/
_
y
Con la condition de
convergncia (
-
-^-
_
)
< 1 .
Bajo
el
supuesto que
esta
'
,
I
ltima
expresin
es Io suficientemente
pequena
como
para lograr
una buena
apro-
ximacin aun cuando se eliminen las
potncias mayores que
dos.
Despus
de
reemplazar y
desarrollar se
concluye que
X2
Var[Z]-
_k2
[Vl
-
2rkj
Vk
Vj
+
Vf]
Xi
3. El
coeficiente
de correlation
Sea r el coeficiente de correlacin entre las variablez
Zk y Zm y Sk y Sm
sus
desviaciones
tpicas.
nrSkSm
=(
-
Zk) (Zmi
-
Zm)
donde
X X
X;
(Zki
-
Zk) (Zmi
_
zm)
C
Xk'Xmi
-nZkZm
^
A Xf
H
**
)' Xm)'
*
)
CORTS/RUB ALAVA:"
Pero
(*-
I
- 2 V
1 Con la condi ci n de
convergncia
I
- 2
1 < 1
y suponiendo que
la tasa de
V
*
I
convergncia
es
rpida
se
pue
den eliminar todas las
potncias superiores
a dos.
Despus
de
reemplazar
la serie
y
de
operar algebraicamente
se
concluye
en

Vkm Vk Vm
-
rki VkVf- rmj Vm V,
+
Vf'2
r2
[VI
-
2rkj
Vk
Vj
+
Vfl
[V2m
-
2rmj
Vm
Vf
+
Vf'
Donde
Vk, Vm y
Vj
simbolizan los coeficientes de variacin de las variables
Jf^,
Xm y
Xj,
respectivamente.
Ahora
bien,
a nosotros nos interesa el caso
particular
7
-
7
-
~ '/ 7
-
y
-
-
2'"
^ki -
~
~
y
'/
^mi
7
-
~Z2
y
-
-
~
3 3
Como
Vk
=
V

-
0
ya que
el numerador de
ZY
es una
constante,
desaparecen
de
r2 todos los trminos
multiplicados por Vk
r2
JL (V'
-
r23 V2 V3)2
V[V'-2ri3V2 V3
+
V']
r*
-
(^3
-
'23 V2)2
V'
-
2r23 V2 V3
+
V'
Si
reemplazamos
a
= ~ -
zv2
Llegamos
a:
2 (2a- r23)2
1
-4<zr23
+4j2
Con esta frmula se realizaron los clculos dei
apndice
2
y
Ia
grfica
dei
apn-
dice 4.
)
C
-
"

s
3
ri

cd
^

fsooooino>no'0oofso'^t0ôoô0*-tooô*^(s
' ,- ON00t^f^r^VOO|ne0eNONVO-HNVOC4nin<Nvo<N--<VO00<N

' ' ' ' on ' >
;
on on '
r;
en

eo r- on

" 6 d
ovovoON^-^r-OC-^mOinOOoooOOooOOÔmc^
00
^f- OOr-^'^"'-HrOÔr>-TtOfOTfOOOOOOO^tfOO'1^-r^
Q vq
ON O' O' O' O' ON O' On 00 00
t^
'O > h ih VO r 00 00 00
^^5 CD ^^D ^^d ^^5 f|^^ ^^5 CD ^^5 ^ZD ^^^ ^^5 CD ^^^ ^^^ ^^^ ^^? ^^5 CD CD ^^5 CD CD CD ^^? ^^5
^^^'^^^'
^
OS
C^VOrOCNt-iONr^m^HNOO^-tONfNm^-ti-HW^NOs- *
^
Os On On On On oo oo oo oo i>
t^
vo ^t
;
en '
-*

-h en rt vo
t*^ t**-#
oo oo
^5 CD ^D d* ^D ^D CD ^D CD ^D ^D CD ^D ^D CD ^D ^D CD ^D ^D CD ^D ^D ^D ^D ^D
v_ ^HfO^-OcOiNmOrl-tNOOOOONOONOOOOiSTi-Ov^
o ^
ONONONONOooooqoot^vovou^cor^pppr^fou^vovorôooo
^^
C3 ^D CD ^D CD ^D ^D CD CD ^D ^D ^D ^D ^D CD ^D CD ^D ^D ^D CD ^D CD ^D C3
^ttSCOVOUOOOTfOfOtÔNtOOC^COfOtÔU-iONt^rOOrrOO
'0^0'''''-<<-'(
o*
<n on on oo
[oo
oc oc
| r^

r^
vc
j
vo wt en
|
<n
-j
^^ rs en
^
vo vo t- r^ oo
^t VO
((0^0^^^^0<0'(
^
ON ON 00 00 *
r^ h;
VO
^
(
^h
^ M ^
< VO
^
Is-
Is;
00
- 0(0'0'^'0(0'^
f**.
-
o^ i^<sn<NONvO'-H<or->r^mi-iON-4^ô'i-HU->r^r-n^HvoONrs

On On 00 oo h- r* VO
^
CO <N CO tJ- vo
-^
- r- 00
OO^-^-vO'-it^'-HOOOcOCOOOOCOCOOOO'-
^- tVO^"
CS
^ rJ--<coOC^<Nr>-0'-HOr^TfI^-0^"r-r-0'-<Ot^<NrÔCO
Q
o on o' oo oo
t^
^ 'o 'o
^ ^
ri
^
q q q
^ ri ^t > vu 'o
Is; r*;
oo oo
^D <î ^^ CD ^D ^^ <^> CD *^* ^D ^? ^D ^D ^D ^D CD ^D ^D ^D ^D ^D ^D ^D *^ ^D ^D
^r^t^^^'^t'-iOO'-îNcoOOcoCSt-HOO'-HTfiOU-jr-tN
^h ^ TtoôO'^tONCO'nmcoOoo^'-HOOOco^^coONTtoO'-HTt
Q
o
ONONOor^t^vqvqu^^cocsopppc^co^^vovqt^rôooo
o
A o HOOi-^fÔOOinoOGOOQOooÔOONON-OONn

A o
o ÔOvo^voONOONVOCOCOOcOCOVOONOONVO^voOtNU^
O
.
ONONOOt^t^VO>Û^COCSi-HOpP'--"CNCOV^>nvOt*^tsÔOOOOO
^^^ ^^^ ^^^ ^^^ ^^^ C^5 ^^^ CD CD C^ C^ CD CD CD ^^5 ^ ^^^ ^^^ CD CD ^^^ ^^^ CD CD CD
^ ^ COONOO^tONCO>nncOOOOr-iT-iOOOCOV>UOCOONTfOO-HrtVO
0

ONoor^t^vqvo^^cocspppoc^coTi-invqvqr^rôooooo
I
^^
^D ^D CD ^5 CD CD ^D ^D CD G^ ^D ^D ^D ^D CD CD ^D ^D CD CD ^D CD ^D ^D C^
, _^ OO^H^-Hr^^HOOOcOCOOOOcOCOOOOt-iC^^HVOTl-t^-vo
01
, _^
X cooNr^nrô^-HOc^Tt^-o-^-^-rÔt-ior^cîôcomr-
o
ONoor^r^vqvo^^^^qqq'-HtN'tinvqvqr^tôooooooo
OOON'-iOIO'-H^HOvoO'-H'-iOvOO'-t'-HOiN^HONONCOCOON
CO On
''^^'-^^-^^
P
ôo^r^vq^rtcoojppppoicoTt^vor^r^rôqoooooo
-- vo ONONCoONcoNOOôinOOcseocNOeo^vocNeoONeo g
2!r
^H
cooonocO"^-coOvo<^"0"^'voocO'^"coOnON(Nnrôoo .5
o
o" ONoorî^vo^^co'^ppO'^coTf^vqr-'r^pôooooooooN g
m m <NcoOcoiÔNnor~cocorônONr^co0^l-oou-)vocotôo o-S
_: CN ^'^'- iHOm^HHOWlONNmhONOH
^S

ONoot^vqvq^cocNjôp'^^co^vqvqr^rôooooooooNON
g
'^
^D ^D ^D ^D ^D ^D C^ ^D ^D ^D ^D ^D CD ^^ ^D ^D ^D CD CD CD ^D ^D CD CD ^D o. "ti
vo vo 00OTrcSOOOO0NO0NOOOOCSTl-On<SC0OrtnTf -ô

X
vo
Tj-OlÔN'-HOVOOmOlnOvoO'-HONnOcOVOOOO'-H<NrO % c$
:
ONONr^vqvo^cocspppcscou^vovorôoooooooONONONON
- ..

_g
^
r- on ncNOOco^-OONOONONOONO^-cooo'novovooiinmcoO *a^

1

ON On r^
t^
vo
^
CO
^
O O
#^
CO Tt
vq C^ r^
00 OO 00 00 ON On ON On On
g

1
dciddd S 8
00 Ti- vo^HOÔOOOOOOOOOOÔior-Otî-Hi-HONVotNvo ""*
_ vo vocoOcOTfOOOOOOO^tcOOTfr-O^HCOTl-Tj-iovovo

1
-j
On on oo
r^ vq ^
en
*-

;
- <
en
vq
r* oo oo oo On on On On On On on on m I
1
* * ' -' o* o* o* a II
^
~ _h -ÔNTf-O'-ioO'-HOO'-HOOf-tO^-ONCsooooNinomoO'-ico o/^
^
~ _h
o OOmvo^HfSvoNmiONvoCS^HVOONCNcOinmvor^C^r-OOOO ^ J.
O
o
Os on oo M ^ < en < r oo oo oo O' On On On On On On On On O'
I

" " " o' o* o' o" o" o* o* 2
~*
- S _: -j _j - : _j <-n - -j - : - _j - ; - : - : - -j _: _j j ; - ; _: - : - :
|
u-> On oo r->
vq
rt
;
co es -

> <- es rn
|
rf
;

vq
r-
;
oo > , -< <n
^ ^>
ro (N ^h - O* O* ' * * ' " " * * " ' ' O*

O*

^h ^-J ^h
h2
? *V. I I I I I I I I I I I I - r.
CORTS/RUBALCAVA: NOTAS SOBRE COLINEALIDAD 197
Apndice
3
LOS DATOS.
A5O Trimestre Indice de
precios
Indice de sa- Dinero
al consumidor de larios2
(Miles
de
mill.)2
los bienes no du-
raderos
*
1970 1 100.0 100.0 44.47
2 100.4 101.0 45.55
3 102.0 103.1 46.40
4 102.6 110.3 49.44
1971 1 104.7 102.1 47.81
2 105.8 111.3 48.90
3 106.3 111.3 49.93
4 107.0 119.6 53.21
1972 1 108.0 112.4 53.47
2 109.4 114.4 55.45
3 111.2 118.6 57.77
4 112.6 127.8 61.15
1973 1 116.2 119.6 64.69
2 120.9 125.8 68.05
3 130.0 129.9 72.50
4 138.9 157.7 74.70
1974 1 154.8 151.5 77.99
2 160.1 156.7 82.65
3 165.5 169.1 85.86
4 173.9 203.1 89.65
1975 1 178.2 190.7 95.26
2 183.4 202.1 100.94
3 189.4 212.4 103.32
4 192.2 222.7 108.67
1976 1 198.0 220.6 112.00
2 202.2 238.1 117.79
3 208.0 254.6 130.14
4 236.1 322.7 140.04
1977 1 256.6 311.3 146.05
2 268.8 325.9 147.78

3 280.1 344.5 160.70
1
Indices Econmicos. Banco de Mexico.
2
Financial Statistics. Fondo Monetrio Internacional.
198 DEMOGRAFIA Y ECONOMA XVII:
2,
1983
Apndice
4. Grfica de la relation entre r2
y
r2
23
para
trs valores
particulares
de a
I 00
C

-^-"=;***3Î
B
0
,so.it!
-
"""'''':'"""^'
// '
.^'5:-:;;v/>-"""^<>""
0
X
0.75 -V
*^
.&''
f*^'^^X /
V
/ '-^z
/
l /^^^^^/23<0;a
=
0.6yr23^0

/
CONDICIONES
/
/
:

V DESOLUCION:
'
/ *&/
(ii)
signo
de
r
' / '-/
v3
'
/ ^* /
Igual
al
signo
de

/'. ..&^^/
()V2,3<I
ooo
JZ_ _^^

-=<-

,
^
r^
0 0.25 0.50 0.75 I

Notas Sobre Colinealidad en El Modelo de Regresión Lineal de Tres Variables 181-198

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas Sobre Colinealidad en El Modelo de Regresión Lineal de Tres Variables 181-198

Cargado por

Copyright:

Formatos disponibles

NOTAS SOBRE COLINEALIDAD EN EL MODELO DE REGRESIN LINEAL DE TRES VARIABLES

Author(s): Fernando Corts C. and Rosa Ma. Rubalcava

También podría gustarte