Reporte
2 1
Multicolinealidad en Modelos Econométricos
E MILIO S ANDOVAL PALOMINO1
1 Facultad de Economía, UNAM
1 emiliosand@comunidad.unam.mx
Compilado el 21 de marzo, 2021
Es común que en la práctica del modelados economé-
trico se encuentren conceptos que hagan referencia a
los supuestos de los estimadores que den mayor rigu-
rosidad a la estimación, siendo la multicolinealidad un
factor en la estructura del mismo y que es inherente a
la interpretación del investigador en cuanto a cualquier
fenómeno económico. Es por ello, que es importante
conocer las bases matemáticas, así como la intuición de
las consecuencias de tener una alta o baja multicolinea-
lidad. © 2021 UNAM
Palabras clave: Linealidad, Independencia
Clasificación JEL: C01
1. INTRODUCCIÓN
A pesar de que la regresión por mínimos cuadrados
ordinarios ha sido ampliamente estudiada durante décadas,
así como sus efectos, limitaciones y ventajas, el problema de la
independencia o dependencia entre sus variables regresoras
sigue siendo un obstáculo en la especificación del mismo,
principalmente por dos cuestiones. La primera reside en que al
tener un dataset existen variables que se encuentran relacionadas
en cierta medida, por ejemplo, al tener datos estadísticos de
alguna industria en específico, es necesario pensar de forma
previa que las variables que consideramos independientes,
mantienen un patrón de seguimiento, lo que también lleva a
la segunda cuestión, pues puede existir el riesgo de cometer
alguna relación espuria, es decir, relacionar variables que
estadísticamente son significativas pero teóricamente o en
la realidad no. Es mayormente un problema no solo para el
economista, sino para el estadístico que pudiera desconocer un
campo que no es propio de su formación.
Es adicional, el conocimiento matemático que se tenga sobre
la independencia lineal, que bien se aborda en cursos de álgebra
superior básicos o de álgebra lineal, pues recordemos que el
modelo puede ser representado a través de vectores. A través
de la resolución del problema de multicolinealidad, también
podemos resolver problemas de optimización en cuanto a la
elección de nuevos valores para las variables explicativas
Econometría I; 2021.
2. APROXIMACIÓN MATEMÁTICA
A. Interpretación vectorial
Para efectos de nuestra percepción económica, basta con dar
algunas definiciones matemáticas e ir construyendo el aparato
que nos permita aprender sobre la dependencia e independencia
lineal. por tanto, se tienen las siguientes definiciones y teorema.
Partimos por definir un subespacio vectorial (Nótese que po-
dríamos dar mayor rigurosidad y definir a partir de un espacio
o un vector, pero para efectos prácticos se parte de la siguiente
definición)
Definición 1 Sea W ⊆ VF . Diremos que W es un subespacio de V, y
escribiremos W ≤ V si
 
W, +|w×W , ~0, F, · F×W : F × W −→ W
es un espacio vectorial.
Ello significa que para que W pueda ser un subespacio vec-
torial de V, se necesita que la restricción de la suma W × W sea
una operación en W, es decir, cerrada bajo la suma. Por otro
lado el producto de un escalar por un elemento de W debe de
ser elemento de W. Esto puede resultar abstracto para nuestra
labor econométrica, pero útil para entender porqué existen nive-
les de multicolinealidad altos o bajos. Por otro lado, se tiene el
siguiente teorema
Teorema 1 Supongamos que W ⊆ VF . Son equivalente:
1. W es un subespacio de V (Escrito como W ≤ V).
2. Tiene las siguientes propiedades:
a) W es cerrado bajo la suma
b) El vector ~0 pertenece a W
c) W es cerrado bajo la multiplicación por escalares
El cual generaliza las propiedades de un subespacio, el cual
podemos interpretar en econometría como el modelo, y además
nos permite entender la siguiente definción
Definición 2 Un vector de la forma a1 x~1 + a2 x~2 + · · · + an x~n ∈
S( X ), con xi ∈ X, i ∈ {1, . . . , n}, se llama combinación lineal de
elementos de X
donde S( X ) es el subespacio generado por X. Por otro lado,
tenemos los elementos suficientes para dar las siguientes dos
definiciones.
 Reporte
Definición 3 Se dice que X ⊆ VF es linealmente dependiente si
∃ ~x ∈ X tal que ~x ∈ S( X r {~x })
Definición 4 Se dice que X ⊆ VF es linealmente independiente si no
es linealmente dependiente
A pesar de que esta última definición parezca ser trivial o
muy ambigua será mejor dar un caso en las siguientes líneas; ade-
más, deja claro que sólo existen dos opciones y que fácilmente al
descartar una entonces la restante es verdadera. Simplificando
un poco, si tenemos un espacio vectorial V, se dice que un vector
~v en V es combinación lineal de los vectores ~v1 , ~v2 , . . . , ~vn en V,
si existen escalares λ tales que
1. al ser no todos cero se cumple que
λ1 ~v1 + λ2 ~v2 + . . . + λn ~vn = ~0
2. son iguales a cero cumpliéndose que
λ1 ~v1 + λ2 ~v2 + . . . + λn ~vn = ~0 sólo si λ1 , . . . , λ2 = 0
En el caso 1, los vectores son linealmente dependientes, mien-
tras que en el segundo caso, son linealmente independientes. En
términos generales, si existe al menos un vector ~vn que pueda ex-
presarse como combinación lineal de los restantes, entonces exis-
tirá dependencia lineal, y en términos econométricos, si existe al
menos una combinación lineal entre las variables explicativas,
entonces, tendremos problemas de multicolinealidad.
B. Interpretación geométrica
Si un conjunto de ecuaciones son linealmente independientes,
entonces su determinante deberá de ser diferente de cero, ya que
representa el área que existe entre dos vectores cuando se utiliza
el principio del paralelogramo, y si existe un área, entonces ésta
es distinta de cero, pero si es cero, entonces los vectores son
linealmente dependientes ya que se pueden escribir como com-
binación lineal de uno a otro. Por lo tanto, al ser |∆| = 0 sabemos
que el conjunto de vectores no es linealmente independiente,
por lo que es linealmente dependiente.
3. APROXIMACIÓN ECONOMÉTRICA
De acuerdo con Silvey [2], la multicolinealidad nos sirve
como econometristas, para denotar la presencia de relaciones
lineales entre las variables independientes del modelo.
A. Especificación
Para poder modelar, primero necesitamos una forma funcio-
nal, la cual es nuestra raíz y la idea que se tiene del comporta-
miento de la realidad económica o del objeto a estudiar. por otro
lado, es en ese proceso donde podemos descartar o añadir varia-
bles independientes que no tengan relación consigo mismas de
forma estadística, y a través de una matriz de correlación entre
variables que consideremos independientes en el modelo. Dicha
matriz se mide a través del coeficiente de correlación de Pearson
(ρ), el cual podemos expresar como
σXY Cov( X, Y )
ρ X,Y = = p
σX σY Var( X ) Var(Y )
siendo
X y Y dos variables aleatorias
σXY es covarianza de ( X, Y )
Econometría I; 2021.2 2
σX desviación estándar de X
σY desviación estándar de Y
Por lo tanto, al obtener la matriz, se obtiene un número para
cada relación entre dos variables tal que 0 ≤ ρ ≤ 1, que indi-
ca el grado de multicolinealidad, o en términos matemáticos,
el nivel de independencia o dependencia lineal, ya que si es
cercano a cero, entonces las variables se comportan linealmen-
te independientes, y si el coeficiente de Pearson es cercano a
uno, son linealmente dependientes. Para nuestra especificación,
es recomendable que se mantenga cercano a 0, tal vez permi-
tiéndonos un coeficiente máximo de 0.5 ya que por definición,
nuestro modelo debe de tener variables explicativas linealmente
independientes.
B. Corrección
De acuerdo con Farrar [1], la multicolinealidad después de
ser diagnosticada, se puede tratar al añadir mayor información,
principalmente porque ello conllevaría a mitigar errores de in-
formación, pues probablemente dos variables explicativas pre-
senten multicolinealidad y al momento de añadir información el
coeficiente de Pearson en la matriz disminuya. De igual forma
existen diversas técnicas que nos permiten verificar y corregirla,
pero ello dependen de una perspectiva más computacional que
a la que ahora nos concierne.
4. CONCLUSIÓN
Como hemos visto de forma breve, la multicolinealidad tiene
cimientos matemáticos propios del álgebra lineal, además, es
un efecto propio de las variables independientes de un modelo.
No toma en cuenta aquello que está dado por hecho o incluso
la posibilidad de la existencia de una dependencia entre alguna
variable X y Y. Por otra parte, a pesar de tener las herramientas
estadísticas, lo más realista es elegir variables que desde nuestra
percepción empírica exista un sustento, es decir, probablemente
el problema de multicolinealidad se resuelva simplemente con
un poco de noción en cuanto al tema de estudio, además de la
precisión que las herramientas estadísticas nos proporcionan.
REFERENCIAS
1. D.E. Farrar and R. R. Glauber (Dec. 1964). Multicollinearity in regres-
sion analysis: The problem revisted. In: Sloan School of Managmenent,
vol. 105(64), p. 60. URL https://dspace.mit.edu/bitstream/handle/1721.
1/48530/multicollinearit00farr.pdf?sequence=1&isAllowed=y
2. S. D. Silvey (1969). Multicollinearity and imprecise estimation. In:
Journal of the Royal Statistical Society. Series B (Methodological),
vol. 31(3), pp. 539–552. ISSN 00359246. URL http://www.jstor.org/
stable/2984357