ECONOMETRÍA D.

GUJARATI - CAPITULO 10

No hay una expresión más errónea, tanto en los libros de texto de econometría
como en la bibliografía aplicada, que la de “problema de multicolinealidad”. Es un
hecho que muchas variables explicativas presentan un alto grado de colinealidad;
asimismo, resulta muy claro que existen diseños experimentales X X (es decir,
matriz de datos) que serían mucho más convenientes que los diseños que
proporciona la experimentación natural (es decir, la muestra disponible).

No obstante, no es nada constructivo quejarse de la aparente malevolencia de la

naturaleza, y los remedios ad hoc para un mal diseño como una regresión por pasos
o una regresión en cadena pueden ser desastrosamente inapropiados. Es mejor
aceptar de plano que los datos que no se recopilaron mediante experimentos
diseñados a veces no proporcionan mucha información sobre los parámetros de
interés. El supuesto 8 del modelo clásico de regresión lineal (MCRL) plantea que no
existe multicolinealidad entre las regresoras incluidas en el modelo de regresión.

El término multicolinealidad se atribuye a Ragnar Frisch.3 Originalmente, designaba

una relación lineal “perfecta” o exacta entre algunas o todas las variables
explicativas de un modelo de regresión, hoy en día, sin embargo, el término
multicolinealidad incluye el caso de multicolinealidad perfecta, como lo indica y
también el caso en el cual hay X variables intercorrelacionadas pero no en forma
perfecta. está exactamente relacionada de manera lineal con otras variables, o
cómo se deriva de una combinación lineal de otras variables X. En esta situación, el
coeficiente de correlación entre la variable X2 y la combinación lineal del lado
derecho de está obligado a ser igual a uno.

Ya establecimos que, en el caso de multicolinealidad perfecta, los coeficientes de

regresión permanecen indeterminados y sus errores estándar son infinitos. Esto se
demuestra fácilmente en términos del modelo de regresión con tres variables. Con
la forma de desviación, en la cual todas las variables se expresan como
desviaciones de sus medias muestrales, se escribe el modelo de regresión con tres
variables; La situación de multicolinealidad perfecta es un extremo patológico. Por lo
general no existe una relación lineal exacta entre las variables X, en especial en
información económica relacionada con series de tiempo. Por tanto, de regreso al
modelo de tres variables en forma de desviación dado en lugar de multicolinealidad
exacta.
Recuerde que si se satisfacen los supuestos del modelo clásico, los estimadores de
MCO de los coefi cientes de regresión son MELI (o MEI, si se añade el supuesto de
normalidad). Ahora puede demostrarse que, aunque la multicolinealidad sea muy
alta, como en el caso de casi multicolinealidad, los estimadores de MCO
conservarán la propiedad MELI. Los novatos en el estudio de la metodología en
ocasiones se preocupan porque sus variables independientes están
correlacionadas.
El llamado problema de multicolinealidad. Sin embargo, la multicolinealidad no viola
los supuestos básicos de la regresión. Se presentarán estimaciones consistentes e
insesgadas y sus errores estándar se estimaron en la forma correcta. El único efecto
de la multicolinealidad tiene que ver con la dificultad de obtener los coeficientes
estimados con errores estándar pequeños. Sin embargo, se presenta el mismo
problema al contar con un número reducido de observaciones o al tener variables
independientes con varianzas pequeñas.

Para referirse a la importancia del tamaño de la muestra, Goldberger acuñó el

término micronumerosidad, como contraparte del exótico nombre polisílabo de
multicolinealidad. De acuerdo con Goldberger, la micronumerosidad exacta (la
contraparte de multicolinealidad exacta) surge cuando n, el tamaño de la muestra,
es cero, en cuyo caso es imposible cualquier clase de estimación. La casi
micronumerosidad, igual que la casi multicolinealidad, surge cuando el número de
observaciones escasamente excede al número de parámetros que se va a estimar.

Leamer, Achen y Goldberger están en lo correcto al lamentar la falta de atención al

problema del tamaño de la muestra, lo mismo que al problema de multicolinealidad.
Por desgracia, en el trabajo aplicado que comprende información secundaria (es
decir, información recopilada por alguna institución, como la información del PNB
recopilada por el gobierno), es posible que un investigador por sí solo no pueda
hacer gran cosa sobre el tamaño de la información muestral, y quizá deba enfrentar
“la estimación de problemas lo bastante importantes para justifi car su tratamiento
[por ejemplo, la multicolinealidad] como una violación del modelo CRL [clásico de
regresión lineal]”