See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/259822092

Metodología para selección de modelos de

regresión lineal múltiple basada en métodos
multiobjetivo

Conference Paper · June 2011

CITATIONS READS

0 3,820

2 authors:

Carlos Julio Ojeda Claudio M. Rocco

Universidad Nacional Experimental de los Lla… Central University of Venezuela
7 PUBLICATIONS 0 CITATIONS 132 PUBLICATIONS 1,346 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Risk Metrics View project

All content following this page was uploaded by Carlos Julio Ojeda on 22 January 2014.

The user has requested enhancement of the downloaded file.

 XXI Simposio de Estadística
Modelos de Regresión
Bogotá, D.C., Julio 19 al 23 de 2011

Metodología para selección de modelos de regresión lineal

múltiple basada en métodos multiobjetivo
Methodology for Selection of Multiple Linear Regressions Models Based on
Multiobjective Methods

Carlos Julio Ojeda1*, Claudio Rocco2**

1UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA,

2UNIVERSIDAD CENTRAL DE VENEZUELA

......................................

Resumen

En este trabajo se diseñó una metodología de selección de Modelos de Regresión Lineal Múltiple
(MRLM) basada en métodos multiobjetivo discretos que abordan el problema de elegir entre un
conjunto de modelos rivales, con igual forma funcional de la variable dependiente, el mejor o más
adecuado, tomando en cuenta múltiples atributos y criterios de elección. Se realizó una revisión
teórica de los principales métodos de selección de MRLM, así como también del análisis
multicriterio bajo el enfoque multiobjetivo, eligiéndose los métodos de programación compromiso
y optimización de metas lexicográficas, en sus versiones discretas, como la base para el diseño de
una metodología de selección que incorpora la satisfacción simultánea de múltiples criterios. La
metodología se resume en un nuevo método denominado MERLIND (Modelos de Regresión
Lineal No Dominados), el cual se acerca a los modelos ideales de una manera intuitiva, utilizando
la noción de distancia. Se pude concluir que esta metodología logra escoger, a partir de las 2k-1
combinaciones posibles de k variables regresoras, modelos que garantizan la coherencia teórica, y
que simultáneamente ofrecen una solución equilibrada en todos los criterios. El procedimiento se
ilustra mediante una aplicación a la economía agrícola venezolana.

Palabras claves: Regresión Lineal Múltiple, Selección de Modelos de Regresión, Métodos

Multiobjetivo, Programación Compromiso.
Abstract

In this paper a new methodology for selecting the best Multiple Linear Regression Models
(MLRM) is presented. The approach is based on using discrete multi-objective methods, The main
idea is to select the best or more appropriate model among a set of competing models with the
same functional form of the dependent variable, taking into account multiple attributes and
criteria. Based on a theoretical review of the main MLRM selection methods, as well as multi-
criteria analysis under the multi-objective approach (methods of compromise programming and
lexicographic optimization goals in their discrete versions), the methodology proposed
incorporates simultaneous satisfaction of multiple criteria. The methodology is summarized in a
new method called MERLIND, which is close to an ideal model in an intuitive way, using the

* Profesor Asistente. Email: cursounellez@gmail.com

** Profesor Titular. Email: croccoucv@gmail.com
1
 Carlos Julio Ojeda & Claudio Rocco

notion of distance. It could be concluded that this methodology is able to select, among the 2k-1
combinations of k regressor variables, models that ensure consistency theory, and simultaneously
offer a balanced solution for all criteria. The procedure is illustrated by an application in the
agricultural economy of Venezuela.

Keywords: Multiple Linear Regression, Regression Model Selection, Multiobjective Methods,

compromise programming.

1. Introducción
Quienes han trabajo con la regresión múltiple reconocen que la selección del “mejor modelo” de
un conjunto de modelos candidatos, es una etapa muy importante y complicada, Gujarati (2004)
compara jocosamente la búsqueda del modelo correcto con la búsqueda del Santo Grial. En
general, se puede afirmar que cuando existen varios modelos alternativos para una misma evidencia
muestral surge el problema de la selección (García, 1996).

Para poder seleccionar el mejor modelo, los analistas deben elegir entre un conjunto de modelos
candidatos que poseen numerosos atributos teóricos y estadísticos; asimismo, deben tomar en
cuenta múltiples criterios de selección. Todo ello conforma un problema de decisión que puede ser
abordado mediante el análisis multicriterio y sus diversos enfoques, específicamente a través de los
métodos multiobjetivo, los cuales permiten seleccionar alternativas no dominadas, similares a una
alternativa ideal.

El objetivo del presente trabajo consiste en diseñar una metodología de selección de Modelos de
Regresión Lineal Múltiple (MRLM), basada en métodos multiobjetivo aplicados a problemas de
decisión discretos.

La estructura del trabajo es la siguiente. La segunda sección muestra al lector el problema de

selección del mejor modelo y algunos enfoques de selección de MRLM. La tercera sección aborda
los fundamentos del análisis multicriterio. La cuarta sección presenta la propuesta de selección bajo
el enfoque multiobjetivo: el Método MERLIND (Modelos de Regresión Lineal No Dominados),
abarcando el algoritmo y una aplicación a datos de la economía agrícola venezolana. Finalmente se
incluyen las conclusiones y recomendaciones.

2. La selección del mejor modelo

A lo largo de las cuatro últimas décadas el desarrollo de la teoría de selección de modelos de
regresión ha experimentado notables avances, véase por ejemplo los trabajos de Akaike (1973),
Schwarz (1978), Hannan y Quinn (1979), Hoover y Pérez (1999) y Hendry y Krolzig (2003), sin
embargo actualmente no se cuenta con una teoría unificada de selección del mejor modelo. A
continuación se muestra los enfoques de selección estudiados.

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 3

2.1. Enfoques que incorporan la satisfacción de objetivos.

Aznar (1987), adopta una estrategia de selección basada en procedimientos que incorporan
explícitamente una función de pérdida que refleje el grado de cumplimiento de un objetivo fijado a
priori, en este caso cumplir con el objetivo del análisis estructural. El autor ejemplifica en su trabajo,
la selección entre dos modelos rivales, mediante el uso de una función de pérdida definida como:

Minimizar βˆ ji − β ji j = 1, 2

Es decir, minimizar la diferencia entre los parámetros estimados y los parámetros verdaderos de
la variable independiente Xi en el modelo Mj para j=1,2. Se logró demostrar que dicha condición
equivale a elegir el modelo que minimice la varianza del estimador del parámetro (para más detalles
véase Aznar, 1987). Aznar logró demostrar que los resultados de selección a los que se llega con el
procedimiento de incorporar explícitamente la función de pérdida como expresión de la función de
utilidad de los investigadores, pueden ser sustancialmente diferentes a los que se obtendrían
utilizando otro tipo de procedimientos de selección tradicionales como por ejemplo maximizar el
R2 ajustado.

Aznar et. al. (1991) evaluaron empíricamente versiones de los modelos LSW (Lucas-Sargent-
Wallace) y NRH-GAP (Hipótesis de la Tasa Natural-Ajuste Gradual de Precios). Según este
enfoque, un modelo resulta aceptable frente a otros en el contraste empírico si cumple
“satisfactoriamente” un objetivo establecido a priori y corroborado a posteriori, en este caso, el de
predicción. Para los autores de este trabajo, si el porcentaje del error cometido por el modelo es
menor que el error garantizado, el modelo si corrobora a posteriori lo que había garantizado a
priori, por lo tanto posee superioridad para la selección.

2.2. Enfoques de selección automática.

Este enfoque consiste en la utilización de algoritmos de selección automáticos implementados
con ayuda del computador; Doornik (2008) señala que a menudo, la computadora (es decir, el
modelista automático) puede encontrar un mejor modelo que el modelista humano; asimismo
puede ser capaz de encontrar varios modelos que son más o menos igual de buenos,
proporcionando información adicional para tomar decisiones; entre estos métodos tenemos los
algoritmos de ampliación, reducción, métodos híbridos y métodos combinatorios.

Los algoritmos de ampliación, reducción y sus variantes tienen en común la estimación de las
ecuaciones de regresión con un conjunto de variables y a continuación añadir o eliminar
selectivamente variables hasta que se consiga con alguna medida de criterio conjunta o regla de
parada (Hair y Gómez, 1999). En este caso ninguno de estos métodos asegura la satisfacción
simultánea de los múltiples criterios de adecuación. También existe el riesgo de seleccionar modelos
“aparentemente adecuados” cuando no lo son (por ejemplo modelos con significancia estadística
pero no teórica). Montgomery et. al. (2002) afirman que los analistas sin experiencia pueden verse
tentados a creer que como todos los procedimientos secuenciales terminan con una ecuación final,
dicho modelo es óptimo en algún sentido, lo cual es incorrecto.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

Los métodos combinatorios implican un proceso de búsqueda a lo largo de todas las 2k-1
ecuaciones posibles de un conjunto de k variables independientes (suponiendo que el término de
ordenada al origen se incluye en todas las ecuaciones). Gracias a los desarrollos computacionales
hoy en día es posible procesar con mucha eficiencia hasta unos 30 regresores candidatos, con
tiempos de cómputo satisfactorios (Montgomery et. al. 2002). La selección del mejor modelo se
realiza utilizando algún criterio de información como el Criterio de Información de Akaike (CIA) y
el Criterio de Información de Schwarz (CIS), entre otros, sin embargo Hair y Gómez (1999)
apuntan que dicha estrategia posee la limitante de no examinar factores como: la presencia de
multicolinealidad, la identificación de valores atípicos y la interpretación teórica de los coeficientes,
elementos que pueden poner en aprietos la ecuación seleccionada.

Otro enfoque emergente en esta área son los Algoritmos de selección automática General a lo
Particular (Gets), desarrollados principalmente en la Escuela de Economía de Londres, en esta área
encontramos los estudios de Hoover y Pérez (1999), PCGets de Hendry y Krolzig (2003), y el
algoritmo Autometric de Doornik (2008). Dichos algoritmos utilizan bloques de reducción de
variables con pruebas F, permitiendo personalizar las pruebas de diagnóstico y aplicar pruebas de
inclusión entre los modelos contendores terminales. Partiendo de un modelo general sin
restricciones (GUM), los procedimientos de prueba estándar van eliminando las variables
estadísticamente insignificativas. Posteriormente, se verifica la congruencia de los modelos,
examinando las hipótesis de ruido blanco, homocedasticidad, normalidad de los errores y
constancia de los parámetros, con ello se busca comprobar la validez de las reducciones, asegurando
una mejor selección. Cuando sucesivas búsquedas no cambian el GUM y el conjunto de modelos
candidatos terminal ha convergido en dos o más modelos, se utiliza el criterio de CIS de Schwarz
para la selección de un modelo.

2.3. Enfoques que utilizan criterios específicos de selección.

Se han definido en la literatura estadística múltiples criterios de selección de modelos. Según
Gujarati (2004), algunos de ellos son muy empleados y los paquetes estadísticos incluyen, desde
hace tiempo, información de este tipo, intercalada en sus rutinas de regresión. García (1996) afirma
que cada criterio de selección posee condiciones ideales que se aspiran lograr para poder concluir
cuál de los modelos es el mejor, por lo menos de forma individual, según dicho criterio.

La Tabla 1 nos muestra las reglas de decisión para la selección del mejor modelo con base en
treinta criterios individuales estudiados. Las reglas de decisión han sido formuladas tomando en
cuenta dos modelos candidatos con igual forma funcional de la variable dependiente denominados:
M1 y M2. Se utiliza el símbolo f para denotar la preferencia estricta de un modelo con respecto al
otro (Hildenbrand, y Kirman, 1982).

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 5

Tabla 1: Criterios de selección y condiciones ideales.

Código Criterio Regla de decisión

1 Consistencia teórica: Signos esperados Sea M1 un modelo con los signos esperados correctos en los
coeficientes estimados y M2 un modelo con signos esperados
incorrectos. M1 f M2.

2 Consistencia teórica: Variables relevantes Sea M1 un modelo que posea las variables relevantes sugeridas por la
teoría del fenómeno y M2 que no posea las variables relevantes. M1 f
M2.

3 Prueba de hipótesis sobre coeficientes Sea M1 un modelo con significación estadística en sus coeficientes
individuales individuales y M2 un modelo sin significación estadística en sus
coeficientes individuales. M1 f M2.

4 Prueba de significancia global Sea M1 un modelo con significación global y M2 un modelo sin
significación global. M1 f M2.

5 Prueba de hipótesis para modelos restringidos Sea M1 un modelo que cumple con la hipótesis de restricción en sus
parámetros y M2 un modelo que no cumple con la hipótesis de
restricción en sus parámetros. M1 f M2.

6 Error estándar de la regresión (ee) Sea M1 un modelo con ee1 y M2 un modelo con ee2, si ee1<ee2. M1 f
M2.

7 Coeficiente de determinación No se puede definir una regla de decisión en modelos con número de
variables independientes diferentes (Gujarati, 2004).

8 Coeficiente de determinación ajustado Sea M1 un modelo con R2, ajustado1 y M2 un modelo con R2
ajustado2, si R2, ajustado1 > R2, ajustado2. M1 f M2.

9 Autocorrelación: Gráfico de los residuos Sea M1 un modelo con un patrón identificado de autocorrelación en
la gráfica de sus residuos y M2 un modelo sin un patrón de
autocorrelación en la gráfica de sus residuos. M1 f M2.

10 Autocorrelación: Prueba de Durbin-Watson Sea M1 un modelo con DW no significativo a la hipótesis de no

autocorrelación de primer orden y M2 un modelo con DW
significativo. M1 f M2.

11 Autocorrelación: Prueba h-Durbin Sea M1 un modelo con h-Durbin no significativo a la hipótesis de no

autocorrelación de primer orden y M2 un modelo con DW
significativo. M1 f M2.

12 Autocorrelación: Prueba de Breusch-Godfrey Sea M1 un modelo con L=(n-p) R2, no significativo a la hipótesis de
no autocorrelación y M2 un modelo con (n-p) R2, significativo. M1 f
M2.

13 Autocorrelación: Correlograma Sea M1 un modelo con residuos entre las bandas de confianza de no
autocorrelación y M2 un modelo con residuos fuera de las bandas de
confianza de no autocorrelación. M1 f M2.

14 Autocorrelación: Prueba de las rachas Sea M1 un modelo cuya racha de signos en los residuos es aleatoria y
M2 un modelo cuya racha de signos en los residuos no es aleatoria.
M1 f M2.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

Tabla 1: Criterios de selección y condiciones ideales. Continuación.

Código Criterio Regla de decisión

15 Heteroscedasticidad: Gráfico de los residuos Sea M1 un modelo con un patrón identificado de homocedasticidad en
la gráfica de sus residuos y M2 un modelo sin un patrón de
homocedasticidad en la gráfica de sus residuos. M1 f M2.

16 Heteroscedasticidad: Prueba de Park Sea M1 un modelo con coeficiente no significativo a la hipótesis de

homocedasticidad y M2 un modelo con coeficiente significativo a la
hipótesis de homocedasticidad. M1 f M2.

17 Heteroscedasticidad: Prueba de Glejser Sea M1 un modelo con coeficiente no significativo en todas las pruebas
de hipótesis de homocedasticidad y M2 un modelo con al menos un
coeficiente significativo a la hipótesis de homocedasticidad. M1 f M2.

18 Heteroscedasticidad: Prueba de Breush-Pagan Sea M1 un modelo con ML = n⋅R2, no significativo a la hipótesis de

existencia de homocedasticidad y M2 un modelo con ML=
n⋅R2significativo. M1 f M2.

19 Heteroscedasticidad: Prueba de White Sea M1 un modelo con ML= n⋅R2, no significativo a la hipótesis de
existencia de homocedasticidad y M2 un modelo con ML= n⋅R2
significativo. M1 f M2.

20 Normalidad de los residuos: Histograma de Es un criterio muy subjetivo para definir una regla de decisión.
residuos

21 Normalidad de los residuos: Gráfico Q-Q Es un criterio muy subjetivo para definir una regla de decisión.
normal

22 Normalidad de los residuos: Contraste χ2 Sea M1 un modelo con χ2 no significativo a la hipótesis de normalidad y
M2 un modelo con χ2 significativo. M1 f M2.

23 Normalidad de los residuos: Contraste de Sea M1 un modelo con JB no significativo a la hipótesis de normalidad y
asimetría y curtosis de Jarque-Bera M2 un modelo con JB significativo. M1 f M2.

24 Normalidad de los residuos (F) Sea M1 un modelo con D no significativo a la hipótesis de normalidad y
Contraste de Kolmogorov-Smirnov M2 un modelo con D significativo. M1 f M2.
modificada por Lillierfors

25 Multicolinealidad: Relación t y R2 Sea M1 un modelo con presencia de t significativas y un R2 alto y M2 un

modelo con de t no significativas y un R2 alto. M1 f M2.

26 Multicolinealidad: Factor de inflación de la Sea M1 un modelo con FIV<10 y M2 un modelo con FIV≥10. M1 f
varianza (FIV) M2.

27 Multicolinealidad: Número de condición (k) Sea M1 un modelo con k < 100 y M2 un modelo con k≥100. M1 f M2.

28 Criterio Cp de Mallow Sea M1 con Cp1 y M2 con Cp2, si Cp1< Cp2. M1 f M2.

29 Criterio CIA de Akaike Sea M1 con CIA1 y M2 con CIA2, si CIA1< CIA2. M1 f M2.

30 Criterio de información Schwarz (CIS) Sea M1 con CIS1 y M2 con CIS2, si CIS1< CIS2. M1 f M2.

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 7

3. El análisis multicriterio y los métodos multiobjetivo.

3.1. El análisis multicriterio y su clasificación.

Zeleny (1982) explica que los humanos y sus sistemas viven y existen en un complejo mundo de
múltiples criterios. En este sentido, Doumpos y Zopounidis (2002) afirman que el análisis
multicriterio es un campo de la investigación de operaciones que ha tenido un desarrollo acelerado
desde el año 1970, producto de la búsqueda de soluciones a problemas de decisión reales basados
en múltiples puntos de vistas.

Kahraman (2008) apunta que existen dos aproximaciones generales para los problemas de
decisión multicriterio: el análisis de decisión multiobjetivo y el análisis de decisión multiatributo. El
Análisis de Decisión Multiobjetivo (ADMO) aborda los problemas de elección de la mejor
alternativa tomando en consideración las tasas de intercambio o trade-off de múltiples objetivos (las
cuales son descritas mediante funciones continuas) y un conjunto de restricciones. En general,
según Kahraman (2008), el ADMO se concentra en el espacio de decisión continuo, en problemas
de decisión que requieren del examen de un número muy grande de alternativas (infinito), buscando
una solución óptima desde la óptica de la programación matemática.

La segunda categoría, el Análisis de Decisión Multiatributo (ADMA), aborda el problema de

elegir un curso de acción tomando en cuenta múltiples y usualmente conflictivos atributos. El
espacio de decisión es discreto, finito y con un número pequeño de alternativas, asimismo, se
organizan matrices de decisión con información adicional proveniente del analista, para poder
efectuar la selección u ordenamiento de las alternativas, según sea el caso.

Pareciera entonces que los métodos multiatributo se concretan en problemas discretos y los
métodos multiobjetivo en problemas continuos. Sin embargo, considerar que esta clasificación es
mutuamente excluyente es una posición muy radical. Doumpos y Zopounidis (2002) afirman que
existen contribuciones indirectas, combinaciones y/o adaptaciones entre las metodologías, que
permiten que algunos métodos puedan aplicarse del espacio de decisión continuo a uno discreto o
viceversa. Por ejemplo, la programación matemática multiobjetivo (del ámbito continuo) y otras
aproximaciones similares, puede ser aplicadas a problemas discretos como por ejemplo, selección
de inversiones (ver Romero, 1996) o búsqueda de conceso grupal (Zeleny, 1982).

3.2. El problema de selección de MRLM bajo el enfoque multicriterio.

El problema de la selección de modelos, corresponde a los problemas multicriterio de selección
de la mejor (o más apropiada) alternativa (Zopounidis y Dimitras, 1998). En este caso nos
encontramos ante un problema de decisión discreto. El mismo puede formularse a partir de un
conjunto Ai de n modelos de regresión generados, por ejemplo, todas las combinaciones posibles de
k variables candidatas (i=1,2,…, n=2k-1) y un conjunto Cj de m criterios de selección (resumidos en
la Tabla 1). De esta manera, se puede construir la matriz de decisión Zij, de dimensiones nxm,
definida como una matriz de puntos que mide el logro por cada modelo i de cada criterio de

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

selección j. La Tabla 2 muestra la estructura de la matriz de decisión. Se desea seleccionar entonces

un modelo Ak lo más parecido posible a un modelo ideal, definido éste como un modelo Z* que
optimiza cada criterio por separado.
Tabla 2: Matriz de decisión.

Criterio 1 Criterio 2 … Criterio m

Modelo 1 Z11 Z12 … Z1m
Modelo 2 Z21 Z22 … Z2m

Modelo n Zn1 Zn2 … Znm

4. La propuesta de selección de MRLM.

4.1. Algortimo.

El algoritmo MERLIND (Modelos de Regresión Lineal No Dominados), se basa en los

principios operativos de la programación compromiso utilizando la métrica L1 y L∞, pues permite
acotar el conjunto eficiente brindando un rango de soluciones no-equilibradas y equilibradas
respectivamente; asimismo utiliza el enfoque de programación meta lexicográfico, para garantizar
que las soluciones no desmejoren ciertos niveles de logro. A continuación se explica los pasos del
algoritmo.
Paso 0. Inicialización.
a. Partir de una variable dependiente Y, y de un conjunto Xk de variables independientes
sugeridas por al menos una teoría que explique el fenómeno.
b. Preguntar al analista:
b.1. ¿Cuál es el nivel de significación a utilizar para las pruebas estadísticas?: 1% o 5%.
b.2. ¿Cuáles son los signos esperados en la regresión múltiple para los k coeficientes de cada
variable independiente?.
b.3. ¿Existe alguna restricción teórica a satisfacer entre los coeficientes?. En caso de ser
afirmativa la respuesta indicar la(s) restricción(es).
Ir al paso 1.

Paso 1. Generación de modelos.

a. Opcionalmente generar un conjunto de variables transformadas (logaritmos, diferencias,
rezagos o combinaciones de las mismas) a partir de los datos originales.
b. Generar las 2k-1 combinaciones posibles de variables incluyendo las variables transformadas si
es el caso.
c. Estimar los modelos de regresión correspondientes incluyendo o no el intercepto.

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 9

d. Registrar los resultados observados de los siguientes criterios de selección para cada modelo
generado, según los siguientes indicadores:
• Signos observados de los coeficientes: positivos o negativos.
• Prueba de hipótesis sobre coeficientes individuales: p-valor del estadístico t.
• Prueba de significancia global: p-valor del estadístico F.
• Prueba de hipótesis para modelos restringidos: F global y F crítico.
• Coeficiente de determinación ajustado: valor del R2 ajustado.
• Prueba de Durbin-Watson: valor del DW y p-valor.
• Barras de AC y PAC fuera o dentro de las bandas de confianza.
• Prueba de Heteroscedasticidad de White con término de error: valor del n·R2 y p-valor.
• Contraste de asimetría y curtosis de Jarque-Bera: valor del estadístico JB y p-valor.
• Prueba de normalidad: Kolmogorov-Smirnov: valor del estadístico K-S y p-valor.
• Prueba de multicolinealidad: valor del factor de inflación de varianza.
• Prueba de multicolinealidad: Índice de condición.
• Criterio Cp de Mallow: valor del Cp.
• Criterio CIS de Schwarz: valor del CIS.
Ir al paso 2.

Paso 2. Matriz de decisión.

a. Para cada modelo, reflejar la puntuación asociada al grado de cumplimiento de cada criterio,
para ello utilizar la matriz de conversión de puntos que se muestra en la Tabla 3.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

Tabla 3: Matriz de conversión de puntos.

Bloque de criterio Cód Criterio Regla práctica Puntos

Coherencia teórica Z1 Signos correctos Signos esperados correctos en todos los 3

coeficientes
Signos esperados incorrectos en al menos un 1
coeficiente
Coherencia Z2 Prueba de hipótesis sobre P-valor del contraste t ≤ α en todos los coeficientes 3
estadística coeficientes individuales (menos la constante)

P-valor del contraste t > α en algún coeficiente 1

menos la constante)

Z3 Prueba de significancia global P-valor del contraste F ≤ α 3

P-valor del contraste F > α 1

Z4 Coeficiente de determinación _ 3
ajustado R 2 > 0,70

2
_ 2
0,50 ≤ R ≤ 0,70

_ 1
R 2 < 0,50

Z5 Prueba de hipótesis para modelos Si F ≤ Fc crítico (m, n-k) grados de libertad 3

restringidos
Si F > Fc crítico (m, n-k) grados de libertad 1

Autocorrelación Z6 Durbin-Watson P-valor del contraste DW > α 3

P-valor del contraste DW ≤ α 1

Z7 Correlograma 12 rezagos Gráficos de AC y PAC dentro de las bandas 3

Gráficos de AC y PAC fuera de las bandas 1

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 11

Tabla 3: Matriz de conversión de puntos. Continuación.

Bloque de criterio Cód Criterio Regla práctica Puntos

Normalidad Z9 Contraste de asimetría y curtosis de Jarque-Bera P-valor del contraste JB > α 3

P-valor del contraste JB ≤ α 1

Z10 Kolmogorov-Smirnov P-valor de K-S > α 3

Multicolinealidad
Otros criterios P-valor de K-S ≤ α 1

Z11 Factor de inflación de la varianza (FIV) FIV < 10 3

FIV ≥ 10 1

Z12 Índice de condición IC < 10 3

10 ≤ IC ≤ 30 2

IC > 30 1

Z13 Criterio Cp de Mallow Cp ≤ PCp 33,33 3

PCp 33,33 ≤ Cp ≤ PCp 66,66 2

Cp > PCp 66,66 1

Z14 Criterio de información de Schwarz (CIS)
CIS ≤ PCIS 33,33 3

PCIS 33,33 ≤ CIS ≤ PCIS 66,66 2

CIS > PCIS 66,66 1

Nota: PCp n= Percentil n del criterio Cp de Mallow. PCIS n= Percentil n del criterio CIS.
b. Organizar los resultados de los puntajes de los modelos, en una matriz de Zij como se muestra
en la Tabla 2.

Paso 3. Distancias normalizadas.

a. Fijar el valor ideal en 3 puntos y el anti-ideal en 1 punto.
b. Calcular las distancias normalizadas:
Z *j − Z ij
dij =
Z *j − Z j *

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

c. Agregar las distancias normalizadas de las pruebas de los k=7 bloques de criterios:
c.1. Coherencia teórica:
d1 = ∑ d ij para i=1,2,…,m y j=1

c.2. Coherencia estadística:

d 2 = ∑ d ij para i=1,2,…,m y j=2,3,…,5

c.3. Autocorrelación:
d 3 = ∑ d ij para i=1,2,…,m y para j=6,7

c.4. Heteroscedasticidad:
d 4 = ∑ d ij para i=1,2,…,m y j=8

c.5. Normalidad:
d 5 = ∑ d ij para i=1,2,…,m y j=9,10

c.6. Multicolinealidad:
d 6 = ∑ d ij para i=1,2,…,m y j=11,12

c.7. Otros criterios:

d 7 = ∑ d ij para i=1,2,…,m y j=13,14

Ir al paso 4.
Paso 4. Conjunto compromiso.
a. Para el conjunto L1, se define la siguiente función de logro lexicográfica:
F = (f1, f2)
f1 = Min d1
f2 = ( Min∑ d j para j=2, 3,…,7)

Almacenar los índices de dichos modelos en el conjunto L1.

b. Para el conjunto L∞, se define la siguiente función de logro lexicográfica:
F=(f1, f2)
f1 = Min d1
f2 = ( Min Max d j para j=2,3,…,7)

Almacenar los índices de dichos modelos en el conjunto L∞.

c. Calcular X*=L1 ∩ L∞, esos índices proporcionan las ecuaciones de regresión múltiple que
cumpliendo con la coherencia teórica, poseen una mínima distancia global y simultáneamente,
brindan una solución equilibrada en el resto de los criterios.

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 13

4.2. Aplicación: Demanda de carne de res en Venezuela. 1970-1995.

Paso 0. Inicialización.
a. Para seleccionar la mejor ecuación que permita explicar la demanda de carne de res en
Venezuela durante el periodo 1970-1995, se utilizaron los datos recolectados por Muñoz (1999).
Tomando en consideración la teoría de la demanda, seleccionamos las siguientes variables de
partida:
Variable dependiente:
Y= Demanda de carne de res, estimada mediante el consumo aparente de carne en canal
(CA=Producción nacional + Importaciones – Exportaciones) y registrada en las hojas de
balance de alimentos del Instituto Nacional de Nutrición. Se expresa en toneladas métricas.
Variables Independientes:
A = precio real de la carne de res (a precios constantes de 1984). Precios por Kg registrados en
los anuarios del antiguo Ministerio de Agricultura y Cría (MAC).
B = precio real de la carne de porcino (a precios constantes de 1984). Precios por Kg
registrados en los anuarios del antiguo Ministerio de Agricultura y Cría (MAC).
C = precio real del pollo (a precios constantes de 1984). Precios por Kg registrados en los
anuarios del antiguo Ministerio de Agricultura y Cría (MAC).
D = ingreso real = medido como el ingreso anual disponible nacional (a precios contantes de
1984). Millones de Bs. Fuente: Anuarios del BCV.
b. Respuestas de la interacción con el analista:
b.1. El nivel de significación fijado para las pruebas estadísticas es de 5%.
b.2. Los signos esperados para los coeficientes de las variables independientes son:
A = Se espera que sea negativo, pues según la teoría de la demanda existe una relación inversa
entre las cantidades demandas de un bien y su precio.
B y C = Se espera que sea positivo pues se consideran productos sustitutos de la carne de res.
D = Se espera que sea positivo, pues a mayor ingreso real, se espera que incremente las
cantidades demandadas.
b.3. No se especifican restricciones teóricas entre los coeficientes.
Paso 1. Generación de modelos
a. No se generaron transformaciones en las variables originales.
b. Con las variables se generan las 24 –1=15 combinaciones:
c. Los modelos se estimaron con el intercepto.
d. Los resultados de los criterios para cada modelo se ejecutaron en Eview 5.0, PSS 15.0 y
Statgraphics Centurion XVI. Los mismos se muestran en las Tablas 4 y 5.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

Tabla 4: Resultados observados en los criterios.

F / P-
Modelo Ecuación/ P-valor del estadístico t valor R2 ajustado DW p-valor
1. Y, A Y = 224504, + 341898*A 6,67 0, 1848 0,68326 0
0 (0,0163) 0,0163
2. Y, B Y = 14231,9 + 1,19869E6*B 24,96 0,746 1,04926 0,0027
( 0,8166) (0) 0
3. Y, C Y = 245222, + 425761*C 2,27 4,8386 0,6832 0
(0) (0,1449) 0,1449
4. Y, D Y = 88446,1 + 66,5679*D 49,25 65,8702 0,96455 0,001
(0,0127) (0) 0
5. Y, A, B Y = -5539,37 + 205410*A + 1,06003E6*B 16 54,5103 1,3585 0,0197
(0,9249) (0,0592) (0,0002) 0
6. Y, A, C Y = 209692, + 308090,*A + 144396,*C 3,34 15,7898 0,67929 0
(0,0002) (0,0541) (0,6345) 0,0531
7. Y, A, D Y = 72791,8 + 129797*A + 61,0382*D 26,71 67,2885 1,23616 0,007
(0,043) (0,1666) (0) 0
8. Y, B, C Y = -30217,2 + 1,16125E6*B + 326750,*C 14,65 52,2009 1,09165 0,0021
(0,6453) (0) (0,118) 0,0001
9. Y, B, D Y = 50925,2 + 307951,*B + 54,8792*D 25 65,7906 1,09229 0,0025
(0,3259) (0,3413) (0,0016) 0
10. Y, C, D Y = 3556,9 + 486659,*C + 67,939*D 41,99 76,6325 1,73032 0,1396
(0,9234) (0,0021) (0) 0
11. Y, A, B, C Y = -26805,8 + 160156,*A + 1,069E6*B + 188352,*C 10,76 53,9511 1,32978 0,0089
(0,67770) (0,18480) (0,0002) (0,4051) 0,0001
12. Y, A, B, D Y = 34448,4 + 130951,*A + 313559*B + 49,0875*D 18,17 67,3234 1,38471 0,0147
(0,5054) (0,1634) (0,3224) (0,0045) 0
13. Y, A, C, D Y = 2956,15 - 13123,5*A + 499177,*C + 68,5334*D 26,81 75,5929 1,71462 0,0935
(0,9381) (0,8879) (0,00710) (0) 0
14. Y, B, C, D Y = -7573,92 + 110227*B + 473477*C + 63,7181*D 27,03 75,7491 1,73501 0,1166
(0,8718) (0,6911) (0,0038) (0,0001) 0
15. Y, A, B, C, D Y = -7565,51 - 7556,38*A + 106719*B + 481105*C + 64,1947*D 19,36 74,6019 1,72521 0,0774
(0,8749) (0,9374) (0,7105) (0,0133) (0,0003) 0
Tabla 4: Resultados observados en los criterios. Continuación.

Modelo Correlograma nR2 p-valor JB p-valor K-S p-valor FIV IC Cp CIS

1. Y, A Fuera 4,97 0,08 1,48 0,47 0,572 0,899 1 7,95 55,02 24,47
2. Y, B Fuera 2,07 0,35 2,24 0,32 0,818 0,515 1 17 26,24 24
3. Y, C Fuera 2,27 0,32 2,45 0,29 0,675 0,752 1 9,69 67,92 24,62
4. Y, D Fuera 2,35 0,3 7,34 0,02 0,714 0,688 1 11,21 10,25 23,6
5. Y, A, B Dentro 7,58 0,18 3,71 0,15 0,779 0,578 1,095 20,76 21,19 23,97
6. Y, A, C Fuera 8 0,15 1,44 0,48 0,589 0,879 1,272 11,9 56,25 24,58
7. Y, A, D Fuera 5,92 0,31 8,08 0,01 0,647 0,796 1,174 13,68 9,62 23,64
8. Y, B, C Fuera 4,52 0,47 3,44 0,17 1,08 0,194 1,01 21,19 23,28 24,02
9. Y, B, D Fuera 3 0,69 10,64 0 0,917 0,37 2,605 29,15 10,97 23,68
10. Y, C, D Dentro 11,14 0,06 3,81 0,14 0,917 0,369 1,003 16,07 1,16 23,3
11. Y, A, B, C Dentro 12,13 0,2 4,32 0,11 1,048 0,222 1,382 24,87 21,88 24,06
12. Y, A, B, D Dentro 8,13 0,52 12,37 0 0,715 0,686 2,792 33,77 10,3 23,72
13. Y, A, C, D Dentro 13,46 0,14 3,69 0,15 0,794 0,554 1,615 20,02 3,14 23,43
14. Y, B, C, D Dentro 14,55 0,1 5,31 0,07 0,866 0,441 2,742 33,8 3 23,42
15. Y, A, B, C, D Dentro 16,18 0,3 5,18 0,07 0,877 0,425 3,259 38,82 5 23,54

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 15

Paso 2. Matriz de decisión.

a. Las evaluaciones y puntajes se realizan de acuerdo con las reglas prácticas definidas en la
Tabla 3. La Tabla 5 muestra la matriz de decisión del problema planteado.
Tabla 5: Matriz de decisión

Modelo Z1 Z2 Z3 Z4 Z6 Z7 Z8 Z9 Z10 Z11 Z12 Z13 Z14

1. Y, A 1 3 3 1 1 1 3 3 3 3 3 1 1
2. Y, B 3 3 3 1 1 1 3 3 3 3 2 1 2
3. Y, C 3 1 1 1 1 1 3 3 3 3 3 1 1
4. Y, D 3 3 3 2 1 1 3 1 3 3 2 2 3
5. Y, A, B 1 1 3 2 1 3 3 3 3 3 2 2 2
6. Y, A, C 1 1 1 1 1 1 3 3 3 3 2 1 1
7. Y, A, D 1 1 3 2 1 1 3 1 3 3 2 3 2
8. Y, B, C 3 1 3 2 1 1 3 3 3 3 2 1 1
9. Y, B, D 3 1 3 2 1 1 3 1 3 3 2 2 2
10. Y, C, D 3 3 3 3 3 3 3 3 3 3 2 3 3
11. Y, A, B, C 1 1 3 2 1 3 3 3 3 3 2 2 1
12. Y, A, B, D 1 1 3 2 1 3 3 1 3 3 1 2 2
13. Y, A, C, D 3 1 3 3 3 3 3 3 3 3 2 3 3
14. Y, B, C, D 3 1 3 3 3 3 3 3 3 3 1 3 3
15. Y, A, B, C, D 3 1 3 3 3 3 3 3 3 3 1 3 3
Paso 3. Distancias normalizadas.
Se fijó el valor ideal en 3 puntos y el anti-ideal en 1 punto. Posteriormente se calculó las
distancias normalizadas y se agregaron por bloques de criterios, los resultados de las distancias se
muestran en la Tabla 6.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

Tabla 6: Resumen de distancias por bloque de criterio

Modelo d1 d2 d3 d4 d5 d6 d7
1. Y, A 1 1 2 0 0 0 2
2. Y, B 0 1 2 0 0 0,5 1,5
3. Y, C 0 3 2 0 0 0 2
4. Y, D 0 0,5 2 0 1 0,5 0,5
5. Y, A, B 1 1,5 1 0 0 0,5 1
6. Y, A, C 1 3 2 0 0 0,5 2
7. Y, A, D 1 1,5 2 0 1 0,5 0,5
8. Y, B, C 0 1,5 2 0 0 0,5 2
9. Y, B, D 0 1,5 2 0 1 0,5 1
10. Y, C, D 0 0 0 0 0 0,5 0
11. Y, A, B, C 1 1,5 1 0 0 0,5 1,5
12. Y, A, B, D 1 1,5 1 0 1 1 1
13. Y, A, C, D 0 1 0 0 0 0,5 0
14. Y, B, C, D 0 1 0 0 0 1 0
15. Y, A, B, C, D 0 1 0 0 0 1 0
Paso 4. Conjunto compromiso.
Los modelos que minimizan a d1 son: 2, 3, 4, 8, 9, 10, 13, 14 y 15. Posteriormente se calcula la
métrica L1 y la métrica L∞. La Tabla 7 nos muestra dichos resultados.
Tabla 7: Resultados de las métricas L1 y L∞

Modelo d1 d2 d3 d4 d5 d6 d7 L1 L∞

2. Y, B 0,0 1,0 2,0 0,0 0,0 0,5 1,5 5,0 2,0

3. Y, C 0,0 3,0 2,0 0,0 0,0 0,0 2,0 7,0 3,0

4. Y, D 0,0 0,5 2,0 0,0 1,0 0,5 0,5 4,5 2,0

8. Y, B, C 0,0 1,5 2,0 0,0 0,0 0,5 2,0 6,0 2,0

9. Y, B, D 0,0 1,5 2,0 0,0 1,0 0,5 1,0 6,0 2,0

10. Y, C, D 0,0 0,0 0,0 0,0 0,0 0,5 0,0 0,5* 0,5**

13. Y, A, C, D 0,0 1,0 0,0 0,0 0,0 0,5 0,0 1,5 1,0

14. Y, B, C, D 0,0 1,0 0,0 0,0 0,0 1,0 0,0 2,0 1,0

15. Y, A, B, C, D 0,0 1,0 0,0 0,0 0,0 1,0 0,0 2,0 1,0

*= modelo que minimiza L1. **= modelo que minimiza L∞.

El conjunto L1, de mínima distancia es L1 = {10}, y el conjunto L∞ de mínima distancia máxima
se define como L∞ = {10}, por lo tanto al interceptar los dos conjuntos tenemos:

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 17

X*=L1 ∩ L∞ = {10} ∩ {10} = {10}

El modelo 10, seleccionado es: Y = 3556,9 + 486659*C + 67,939*D; dicho modelo posee los
siguientes atributos:
• Cumple con la coherencia teórica, es decir, los signos son los correctos.
• Los coeficientes (sin incluir la pendiente) son individual y globalmente significativos.
• El R 2 es 76,63%, es decir posee un buen ajuste.
• No muestra indicios de autocorrelación.
• No hay indicios de heteroscedasticidad.
• Los residuos se distribuyen normalmente.
• Hay indicios de multicolinealidad, pero moderada.
• Posee un valor de Cp de Mallows y CIS mínimos de todos los modelos candidatos.
• Dicha selección poseen la ventaja de brindar la mínima distancia global y simultáneamente,
ofrecer una solución equilibrada en el resto de los criterios.

5. Conclusiones y recomendaciones.
Esta investigación ha permitido el diseño de una metodología de selección de MRLM, basada en
métodos multiobjetivo. En este trabajo se han revisado los enfoques para la selección de MRLM,
resaltando el hecho que la misma ha sido abordada tradicionalmente bajo el examen individual de
múltiples criterios de selección paramétricos y no paramétricos, para los cuales la idea del mejor
modelo no es la misma. Existen algunos desarrollos que abordan el problema de la selección
incorporando un objetivo a priori (por ejemplo, cumplir con el análisis estructural o la predicción),
demostrando que la selección final puede ser muy diferente a la obtenida bajo enfoques
tradicionales. Asimismo, se ha venido trabajando en el diseño de algoritmos de selección
automáticos, que permiten bajo el enfoque de reducción, obtener un modelo congruente que
cumpla con las hipótesis de ruido blanco, homocedasticidad, normalidad de los errores, constancia
de los parámetros, entre otros.

El estudio de la selección de MRLM forma parte del tipo de problemas multicriterio que buscan
elegir la mejor o más adecuada alternativa de un conjunto dado ante múltiples criterios de elección.
El análisis de dicho problema multicriterio bajo la perspectiva, de los métodos multiobjetivo,
permitió la escogencia de los métodos de programación compromiso y optimización de metas
lexicográficas, como las bases para la creación de una metodología de selección que incorpore la
satisfacción simultánea de múltiples criterios, y permita acotar un conjunto de modelos no
dominados.

XXI Simposio de Estadística 2011

 Carlos Julio Ojeda & Claudio Rocco

El método MERLIND propuesto en este trabajo tiene la ventaja que puede acercarnos a los
modelos ideales de una manera intuitiva, utilizando la noción de distancia. Asimismo, logra
seleccionar de todas las combinaciones posibles, modelos que siempre garantizan la coherencia
teórica y que, simultáneamente ofrece una solución equilibrada en todos los criterios. La
metodología también permite resumir toda la información generada en las regresiones y organizarla
de mejor manera.

Se han detectado ciertos aspectos que se sugiere sean considerados en desarrollos futuros.
Sería relevante estudiar por ejemplo las posibilidades de incorporar al algoritmo los criterios de
validación cruzada, como una vía para un abordaje más integral del problema de la selección.
Asimismo, estudiar la incorporación de variables cualitativas en los datos para corregir shocks
estructurales. Por otra parte, se puede explorar, a partir del algoritmo propuesto, el diseño de
software de selección que permita una mayor interacción y perfeccionamiento de las preferencias
del analista.

Adicionalmente, sería conveniente abordar la utilización del algoritmo como vía para la
identificación y aplicación de medidas remediales en los criterios no satisfechos, se recuerda que el
método propuesto muestra las debilidades de cada criterio en particular, pero no permite incorporar
modelos corregidos sobre la marcha.

Referencias
Akaike, H. (1973), Information Theory and an Extension of the Maximum Likelihood Principle, en
2nd International Symposium on Information Theory. 1 (1), 267-281. Akademiai Kiado.
Aznar, A. (1987), ‘Contenido informativo y selección de modelos econométricos’. Investigaciones
económicas (Segunda Epoca), 11 (1), 25-39.
Aznar, A., Trívez, F. y Aparicio, M. (1991), ‘Modelo LSW versus modelo NRH-GAP. Aplicación
de una nueva metodología de selección de modelos’. Investigaciones económicas, 15 (3), 575-
600.
Bustos, E. (2003), Métodos multicriterios discretos de ayuda a la toma de decisión. Conferencia
presentada en la Escuela Superior de Cómputo – Instituto Politécnico Nacional, México.
Carrasquero, N.(1996), Un método interactivo para aislar y explorar un conjunto de soluciones de
compromiso. Trabajo de ascenso a la categoría de Asociado no publicado. Universidad
Central de Venezuela, Caracas, Venezuela.
Doornik, J (2008), ‘Encompassing and Automatic Model Selection’. Oxford Bulletin Of Economics
And Statistics, 70, 915-925.
Doumpos, M., y Zopounidis, C. (2002), Multicriteria decision aid classification methods. Dordrecht;
Boston: Kluwer Academic Publishers.
García, C. (1996), ‘Estabilidad de algunos criterios de selección de modelos’. Questiio: Quaderns
d'Estadistica, Sistemes, Informatica i Investigació Operativa, 20 (2), 147-166.

XXI Simposio de Estadística 2011

 Metodología para selección de modelos de regresión lineal múltiple basada en métodos multiobjetivo 19

Gujarati, D. (2004), Econometría (4ª. ed.) (Demetrio Garmendia y Gladys Arango, Trads). México:
Editorial Mc Graw Hill (Trabajo original publicado en 1978).
Hannan, E. J., y Quinn (1979), ‘The Determination of the Order of an Autoregression’, Journal of
the Royal Statistical Society, B, 41, 190-195.
Hair, J. F., y Gómez Suárez, M. (1999), Análisis multivariante. Madrid etc.: Prentice Hall.
Hendry, D. y Krolzig, H. (2003), ‘The properties of automatic gets modeling’. The Economic
Journal, 115 (March), C32–C61.
Hildenbrand, W., y Kirman, A. P. (1982), Introducción al análisis del equilibrio. Barcelona: Antoni
Bosch.
Hoover y Perez. (1999), ‘Data mining reconsidered: encompassing and the general-to-specific
approach to specification search’, Econometrics Journal, 2, 167–191.
Jaramillo, P. (2009), Análisis Multiobjetivo en problemas discretos. Conferencia presentada en la
Universidad Nacional de Colombia Universidad Nacional de Colombia. Sede Medellin.
Kahraman, C (2008), Fuzzy multi-criteria decision making: theory and applications with recent
developments. New York: Springer.
Lawrence, K y Reeves, G (1996), Toma de decisiones con criterios múltiples. En Maynard y otros
(Ed.), Manual del ingeniero industrial (pp-14.211-14.229). México: McGraw-Hill.
Montgomery, D y Peck, E y Vining, G. (2006), Introducción al análisis de regresión lineal (3ª. ed.) (Ing.
Virgilio González, Trad). México: Compañía Editorial Continental (Trabajo original
publicado en 2002).
Muñoz, S (1999), El proceso econométrico a través del Eviews 2.0. Universidad de los Andes. Venezuela:
Edición Interna ULA.
Romero, C. (1996), Análisis de las decisiones multicriterio. Madrid: Isdefe.
Schwarz, C. (1978), ‘Estimating the Dimension of a Model’. Annals of Statistics, 461-464.
Zeleny, M. (1982), Multiple criteria decision making. New York: McGraw-Hill.

XXI Simposio de Estadística 2011

View publication stats