Está en la página 1de 11

VIII.

CASO PRCTICO
Los datos contenidos en la tabla son una muestra hipottica de los ingresos (ING),
gastos (GTO), Ahorro (AHORRO) y riqueza (RIQ) de un conjunto de hogares en
dlares ($).Identificar si existe Multicolinealidad (usando las pruebas de identificacin
de problemas multicolinealidad) si existe corregir el problema de multicolinealidad
(usando mtodos y/o tcnicas de correccin del problema de multicolinealidad) usando
EViews.
SEMANA GASTO
INGRESO RIQUEZA AHORRO
1
70
80
810
8
2
65
100
1009
31
3
90
120
173
28
4
95
140
1425
41
5
110
160
1633
45
6
115
180
1876
49
7
120
200
2052
71
8
140
220
2201
65
9
155
240
2435
81
10
150
260
2686
89

Solucin
8.1 Aplicando Algunas Pruebas de Identificacin al ejemplo para saber si existe
Multicolinealidad

Resultado de la regresin con EVIEWS


Regresion1 (nombre de cuadro en EViews)

Dependent Variable: GASTO


Method: Least Squares
Date: 10/03/05 Time: 18:23
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
9.303396 8.315796 1.118762
INGRESO
0.848174 0.145745 5.819583
AHORRO
-0.714012 0.331779 -2.152069

Prob.
0.3060
0.0011
0.0749

RIQUEZA
-0.003817
R-squared
0.980475
Adjusted R-squared 0.970713
S.E. of regression
5.378609
Sum squared resid
173.5766
Log likelihood
-28.45955
Durbin-Watson stat 2.681151

0.005704 -0.669116
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.5283
111.0000
31.42893
6.491911
6.612945
100.4332
0.000016

Como podemos observar, nuestros coeficientes tienen los signos esperados y hay
significacin estadstica. Del mismo modo en lo que respecta a la relevancia global, el
coeficiente de determinacin es considerablemente alto del mismo modo F calculado
con lo que hasta aqu podramos decir que es un modelo que esta explicando muy bien
el fenmeno econmico que estamos tratando. Veamos el problema de la
multicolinealidad con algunos mtodos.
1.- Mtodo de la relacin entre t y R2
Podramos decir ahora que este mtodo es referencial y aplicado a nuestro caso,
significa que no existe multicolinealidad puesto que las razones t implican significacin
estadstica, siendo nuestra nica sospecha el elevado coeficiente de determinacin (R 2 =
0.980475).

2.- Mtodo de la matriz de correlacin


En lo que respecta a este mtodo, vamos a hacer uso del Eviews, para encontrar
directamente matriz de correlacin entre dos variables, aplicamos la siguiente orden:
cor ingreso riqueza ahorro y obtenemos:
mat_correlacion (nombre de cuadro en EViews)
INGRESO
RIQUEZA
AHORRO

INGRESO
1.000000
0.914277
0.976749

RIQUEZA
0.914277
1.000000
0.906424

AHORRO
0.976749
0.906424
1.000000

Con lo que queda claro que la correlacin entre INGRESO, RIQUEZA Y AHORRO es
considerable.
El resultado anterior no es una matriz y en consecuencia no podemos encontrar su
determinante. La forma como podemos encontrar los mismos valores partiendo de una
matriz es con el siguiente procedimiento:
Convertir en grupo las predeterminadas con la orden:

GROUP GR PBI INV donde GR es el nombre del grupo de variables compuesto por
INGRESO, RIQUEZA Y AHORRO, pudo haber sido cualquier nombre.
Aplicar la siguiente orden:
matrix matcor=@cor(GR) que nos da el siguiente resultado:
matcor (nombre de cuadro en EViews)
R1
R2
R3

C1
1.000000
0.914277
0.976749

C2
0.914277
1.000000
0.906424

C3
0.976749
0.906424
1.000000

Hay que destacar que cuando damos la orden (Matrix matcor=@cor(GR) con la palabra
matrix estamos indicando que el resultado ser una matrix, pudo haber sido un vector o
un escalar lgicamente que para nuestro caso es una matrix. matcor es el nombre de la
matrix, pudo haber sido otro, lo que estamos haciendo es nombrar acorde con lo que
pretendemos calcular, matcor, significara matrix de correlacin. Luego del signo = esta
la orden propiamente dicha precedida del signo de arroba.
Eviews puede ahora manipular la matrix matcor y luego para encontrar el determinante
hacemos lo siguiente:
Scalar C2=@determinant(matcor)
Como siempre C2 es el nombre del scalar, pudo haber sido otro. El resultado es:
Scalar C2=0.00736245004826
Es decir el determinante de la matrix de correlacin es el nmero indicado mas arriba.
En cuanto a la interpretacin, podemos decir que el esta un poco cercano a cero y
lejano a uno, luego por este mtodo hay menos que perfecta correlacin.
3.- Mtodo de la prueba F
Para aplicar este mtodo, tenemos que hacer la regresin de ahorro con ingreso y
riqueza (X2 con las restantes, X3)
Esto es:
regresion2 (nombre de cuadro en EViews)
Dependent Variable: AHORRO
Method: Least Squares
Date: 10/03/05 Time: 18:27
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
-18.13382 6.539785 -2.772846

Prob.
0.0276

INGRESO
0.380049
RIQUEZA
0.002654
R-squared
0.955134
Adjusted R-squared 0.942315
S.E. of regression
6.127339
Sum squared resid
262.8100
Log likelihood
-30.53362
Durbin-Watson stat 2.973880

0.083265 4.564306
0.006420 0.413334
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.0026
0.6917
50.80000
25.51165
6.706723
6.797499
74.50921
0.000019

Este mtodo es aplicable a situaciones donde habra ms de dos variables


predeterminadas pues si nos damos cuenta en el numerador del probador hay que
corregir por K-2 G.L con lo que quedara una divisin por cero, haciendo inaplicable el
mencionado mtodo. Sin embargo, habra que tener en cuenta que el coeficiente de
determinacin para la regresin de Ahorro con ingreso y riqueza es 0.955134 es
demasiado alto.
4.- Mtodo de los valores propios e ndice de condicin
Consideramos este mtodo como el mas indicado para determinar la multicolinealidad
ya que tiene que ver con la matrix de momentos XX, que como demostramos en su
momento si hay interaccin completa no se puede encontrar la inversa y
consecuentemente tampoco los coeficientes de regresin. Veamos con el Eviews como
conseguimos la matrix XX. En primer lugar debemos agrupar las predeterminadas pero
considerando una columna de 1s para recoger el trmino independiente:
GROUP GRP 1 AHORRO INGRESO RIQUEZA cuyo resultado es:
Grp (nombre de cuadro en EViews)
obs
1/01/01
1/08/01
1/15/01
1/22/01
1/29/01
2/05/01
2/12/01
2/19/01
2/26/01
3/05/01

1
1
1
1
1
1
1
1
1
1
1

AHORRO
8
31
28
41
45
49
71
65
81
89

INGRESO
80
100
120
140
160
180
200
220
240
260

RIQUEZA
810
1009
173
1425
1633
1876
2052
2201
2435
2686

Aplicar la siguiente orden:


Sym XX=@inner(GRP) obteniendo:
XX (nombre de cuadro en EViews)
R1

C1
10.00000

C2
508.0000

C3
1700.000

C4
16300.00

R2
R3
R4

508.0000
1700.000
16300.00

31664.00
99940.00
991483.0

99940.00
322000.0
3162300.

991483.0
3162300.
32119726

Una nota adicional ponemos sym para indicar que el resultado ser una matrix simtrica
y adems porque la orden para encontrar los valores propios funciona solo para matrices
simtricas.
Que es la matrix XX, en nuestro caso matrix de las predeterminadas RIQUEZA
AHORRO INGRESO .De esta matrix es de la que habra que encontrar los valores
propios pero tenemos un inconveniente. Veamos:
Vector VPRO=@eigenvalues(XX) obtenemos:
vpro (nombre de cuadro en EViews)
R1
R2
R3
R4

0.417897
525.6879
11077.34
32461797

El resultado es un vector columna que contiene los valores propios (VRPO. Pero
observemos que si aplicamos la formula de K e IC los resultados serian:
K= 77678942.4188
IC=8813.5658174
Sabemos que: Si K esta entre 100 y 1000, existe multicolinealidad que va desde
moderada a fuerte, mientras que si excede a 1000, existe multicolinealidad severa. De
otro lado, si el ndice de condicin esta entre 10 y 30, existe multicolinealidad entre
moderada y fuerte y si excede 30, existe multicolinealidad severa. De acuerdo a esto
existe una multicolinealidad SEVERA.
8.2 Aplicando Mtodos Y/O Tcnicas De Correccin De La Multicolinealidad
Aplicamos el siguiente mtodo:
Mtodo Exclusin de Variables
Recordando un poco supongamos que tenemos el siguiente modelo economtrico:
Yt = 1 + 2Xt2 + 3Xt3 + ut
Y que Xt2 y Xt3 estn altamente correlacionadas. Una posibilidad es eliminar una de las
variables del modelo, digamos Xt3. Sin embargo
a) Regresionamos el modelo: con las variables gasto (variable dependiente) , ahorro,
ingreso y riqueza
regresion_a (nombre de cuadro en EViews)

Dependent Variable: GASTO


Method: Least Squares
Date: 10/03/05 Time: 18:42
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
9.303396 8.315796 1.118762
AHORRO
-0.714012 0.331779 -2.152069
INGRESO
0.848174 0.145745 5.819583
RIQUEZA
-0.003817 0.005704 -0.669116
R-squared
0.980475 Mean dependent var
Adjusted R-squared 0.970713 S.D. dependent var
S.E. of regression
5.378609 Akaike info criterion
Sum squared resid
173.5766 Schwarz criterion
Log likelihood
-28.45955 F-statistic
Durbin-Watson stat 2.681151 Prob(F-statistic)

Prob.
0.3060
0.0749
0.0011
0.5283
111.0000
31.42893
6.491911
6.612945
100.4332
0.000016

Luego regresionamos eliminando algunas variables:


b) Regresionando gasto (variable dependiente) , ingreso y riqueza:
regresion_b (nombre de cuadro en EViews)
Dependent Variable: GASTO
Method: Least Squares
Date: 10/03/05 Time: 18:48
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
22.25115 7.074696 3.145175
INGRESO
0.576814 0.090076 6.403640
RIQUEZA
-0.005711 0.006945 -0.822341
R-squared
0.965404 Mean dependent var
Adjusted R-squared 0.955519 S.D. dependent var
S.E. of regression
6.628514 Akaike info criterion
Sum squared resid
307.5604 Schwarz criterion
Log likelihood
-31.31982 F-statistic
Durbin-Watson stat 2.372419 Prob(F-statistic)

Prob.
0.0163
0.0004
0.4380
111.0000
31.42893
6.863964
6.954739
97.66711
0.000008

c) Regresionando gasto (variable dependiente), ingreso y ahorro:


regresion_c (nombre de cuadro en EViews)

Dependent Variable: GASTO


Method: Least Squares
Date: 10/03/05 Time: 18:54
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
10.11936 7.894728 1.281786
INGRESO
0.817019 0.132547 6.163995
AHORRO
-0.748278 0.314606 -2.378461
R-squared
0.979018 Mean dependent var
Adjusted R-squared 0.973023 S.D. dependent var
S.E. of regression
5.162070 Akaike info criterion
Sum squared resid
186.5287 Schwarz criterion
Log likelihood
-28.81939 F-statistic
Durbin-Watson stat 2.728414 Prob(F-statistic)

Prob.
0.2407
0.0005
0.0490
111.0000
31.42893
6.363877
6.454653
163.3107
0.000001

d) Regresionando gasto (variable dependiente), riqueza y ahorro:

regresion_d (nombre de cuadro en EViews)


Dependent Variable: GASTO
Method: Least Squares
Date: 10/03/05 Time: 18:56
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
51.34743 9.827593 5.224822
RIQUEZA
0.006788 0.012899 0.526255
AHORRO
0.956450 0.397081 2.408699
R-squared
0.870265 Mean dependent var
Adjusted R-squared 0.833198 S.D. dependent var
S.E. of regression
12.83603 Akaike info criterion
Sum squared resid
1153.345 Schwarz criterion
Log likelihood
-37.92857 F-statistic
Durbin-Watson stat 2.944894 Prob(F-statistic)

Prob.
0.0012
0.6150
0.0469
111.0000
31.42893
8.185714
8.276490
23.47804
0.000787

REGRESIN LAS RESTANTES VARIABLES INGRESO, RIQUEZA Y


AHORRO (X2 CON LAS RESTANTES, X3)

e) Regresionamos Ingreso (variable dependiente), riqueza y ahorro:


regresion_e (nombre de cuadro en EViews)
Dependent Variable: INGRESO
Method: Least Squares
Date: 10/03/05 Time: 19:16
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
49.57007 10.67934 4.641678
RIQUEZA
0.012503 0.014017 0.891993
AHORRO
1.969480 0.431496 4.564306
R-squared
0.958729 Mean dependent var
Adjusted R-squared 0.946938 S.D. dependent var
S.E. of regression
13.94851 Akaike info criterion
Sum squared resid
1361.927 Schwarz criterion
Log likelihood
-38.75974 F-statistic
Durbin-Watson stat 3.287907 Prob(F-statistic)

Prob.
0.0024
0.4020
0.0026
170.0000
60.55301
8.351948
8.442724
81.30628
0.000014

f) Regresionamos riqueza (variable dependiente), ingreso y ahorro:


regresion_f (nombre de cuadro en EViews)
Dependent Variable: RIQUEZA
Method: Least Squares
Date: 10/03/05 Time: 19:18
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic Prob.
t
C
-213.7893 545.0711 -0.392223 0.7066
INGRESO
8.162953 9.151360 0.891993 0.4020
AHORRO
8.978096 21.72115 0.413334 0.6917
R-squared
0.839813 Mean dependent var 1630.000
Adjusted R-squared 0.794045 S.D. dependent var 785.3326
S.E. of regression
356.4018 Akaike info criterion 14.83332

Sum squared resid


889155.5
Log likelihood
-71.16660
Durbin-Watson stat 2.207360

Schwarz criterion
F-statistic
Prob(F-statistic)

14.92409
18.34943
0.001645

g) Regresionamos ahorro (variable dependiente), ingreso y riqueza:


regresion_g (nombre de cuadro en EViews)
Dependent Variable: AHORRO
Method: Least Squares
Date: 10/03/05 Time: 19:20
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
t
C
-18.13382 6.539785 -2.772846
INGRESO
0.380049 0.083265 4.564306
RIQUEZA
0.002654 0.006420 0.413334
R-squared
0.955134 Mean dependent var
Adjusted R-squared 0.942315 S.D. dependent var
S.E. of regression
6.127339 Akaike info criterion
Sum squared resid
262.8100 Schwarz criterion
Log likelihood
-30.53362 F-statistic
Durbin-Watson stat 2.973880 Prob(F-statistic)

Prob.
0.0276
0.0026
0.6917
50.80000
25.51165
6.706723
6.797499
74.50921
0.000019

h) Regresionando riqueza (variable dependiente) y ahorro:


regresion_h (nombre de cuadro en EViews)
Dependent Variable: RIQUEZA
Method: Least Squares
Date: 10/03/05 Time: 19:21
Sample(adjusted): 1/01/1901 3/05/1901
Included observations: 10 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic Prob.
t
C
212.5416 258.6688 0.821675 0.4351
AHORRO
27.90272 4.596859 6.069954 0.0003
R-squared
0.821605 Mean dependent var 1630.000
Adjusted R-squared 0.799306 S.D. dependent var 785.3326
S.E. of regression
351.8204 Akaike info criterion 14.74098

Sum squared resid


990221.0
Log likelihood
-71.70488
Durbin-Watson stat 1.936004

Schwarz criterion
F-statistic
Prob(F-statistic)

14.80149
36.84434
0.000299

OBSERVANDO LOS CUADROS QUE HEMOS REGRESIONADO EL MEJOR


RESULTADO DE LA REGRESION ES EL SIGUIENTE:

GASTO =10.11936+0.817019 (INGRESO) - 0.748278 (AHORRO)

RESUMEN
1. Hemos dado una definicin clara de lo que es multicolinealidad.
2. Hemos analizado las principales consecuencias tericas y prcticas de la
multicolinealidad.
3. Se han descrito algunos procedimientos detectar la presencia de
multicolinealidad.
4. Se han detallado algunas tcnicas para corregir evitar la multicolinealidad

BIBLIOGRAFIA:

ECONOMETRIA: Modelos Economtricos y Series Temporales, J.M


CARIDAD Y OCERIN. Tomo 1: Modelos esconomticos uniecuacionales.
ECONOMETRIA APLICADA, Juan Francisco Castro y Roddy Rivas Llosa.
APUNTES DE TEORA ECONOMTRICA . Profesor: Viviana Fernndez.
MULTICOLINEALIDAD Profesor Edgar Acua captulo 7.
Multicolinealidad y Observaciones atpicas Renatas Kizys (rkizys@uoc.edu),
ngel Alejandro Juan Prez (ajuanp@uoc.edu).
EL PROBLEMA DE LA MULTICOLINEALIDAD monografias.com