Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lecturas:
- Gujarati & Porter : Cap. 10 ;
- Wooldrige: Capítulo 3 (sección 3.4) ;
- Alarcón & Nolazco: Capítulo 8.
MULTICOLINEALIDAD
Un supuesto importante del modelo clásico es que no hay una
relación lineal EXACTA (o multicolinealidad) entre las variables
explicativas. Aunque los casos de MC exacta son infrecuentes en la
práctica, las situaciones de multicolinealidad "elevada" suceden
con frecuencia. Entonces, aunque MC se refiere teóricamente a
una relación exacta entre V. Regresoras, en la práctica: MC se
refiere TAMBIÉN a situaciones en las que dos o más variables
regresoras pueden tener una elevada relación lineal.
X2 X3 X3*
10 50 52
15 75 75
18 90 97
24 120 129
30 150 152
X3*= X3 + N° aleatorio (X2 y X3 tienen MC perfecta)
Es importante notar que:
La MC es definida solo para relaciones lineales entre variables X.
Si la MC es perfecta, los coeficientes de regresión serán
indeterminados y sus EE infinitos [la matriz (X'X) será singular --
determinante igual a cero y matriz inversa no existe].
Si la MC es menos que perfecta, los coeficientes de regresión son
determinados pero tienen EE "sobrevaluados". (No perfecta pero alta)
Aún en el caso de casi MC perfecta, los estimadores MCO son
insesgados. Pero insesgamiento es una propiedad "multimuestral"
o de muestreo repetido (fijos los valores de X, con muestras
repetidas si se estiman los parámetros de regresión para c/u de las
muestras, el promedio de los valores muestrales se aproximará a
los verdaderos valores poblacionales). Pero esto no dice nada de
las propiedades de los estimadores en una muestra dada
(específica). MC es un fenómenos muestral.
2- CAUSAS de MC (entre otras)
(1°) Restricciones en la población o en la propia teoría: ejemplo
consumo -energía- como función de ingreso y tamaño de la
vivienda.
Claramente, en 𝜷 =(X'X)-1(X'Y)
𝜷 será indeterminada pues (X'X)-1 no existe,
[( 𝒙𝟑 𝒚)( 𝒙𝟐
𝟐 )−( 𝒙𝟐 𝒚)( 𝒙𝟐 𝒙𝟑 )]
𝒃𝟑 = 𝟐 (4b)
[( 𝒙𝟐
𝟏 )( 𝒙𝟐
𝟐 )−( 𝒙𝟏 𝒙𝟐 ) ]
Si MC es Perfecta o Exacta :
[( 𝒙𝟐 𝒚)( 𝒙𝟐
𝟑 )−( 𝒙𝟑 𝒚)( 𝒙𝟐 𝒙𝟑 )]
𝒃𝟐 = 𝟐 (4a)
[( 𝒙𝟐
𝟐 )( 𝒙𝟐
𝟑 )−( 𝒙𝟐 𝒙𝟑 ) ]
Supongamos que 𝑿𝟑 = 𝑿𝟐 donde "" es una constante diferente de
cero. Si substituimos esta relación, en (4a), obtenemos (5)-- una
expresión indeterminada.
[( 𝒙𝟐 𝒚)(𝝀𝟐 𝒙𝟐
𝟐 )−(𝝀 𝒙𝟐 𝒚)(𝝀 𝒙𝟐
𝟐 )]
𝒃𝟐 = 𝟐 = (0/0) (5)
[( 𝒙𝟐
𝟐 )(𝝀
𝟐 𝒙𝟐 𝟐
𝟐 )−𝝀 ( 𝒙𝟐
𝟐 ]
)
Igualmente si 𝑿𝟑 = 𝑿𝟐 :
𝟐
𝟐
𝒙𝟐
𝟑 𝟐 (𝝀 𝒙𝟐
𝟐)
V(b2) =𝝈 será 𝝈
𝒙𝟐 𝒙𝟐
𝟑 −( 𝒙𝟐 𝒙𝟑 )𝟐 ( 𝒙𝟐
𝟐
𝒙𝟐
𝟐 𝟐 𝟐
𝟐 𝟐 )(𝝀 𝟐 )−𝝀 ( 𝒙𝟐 )
𝟐 𝒙𝟐𝟑 𝝈𝟐
V(b2) = 𝝈 =
𝒙𝟐𝟐 𝒙𝟐𝟑 −( 𝒙𝟐 𝒙𝟑 )𝟐 𝒙𝟐𝟐𝒊 (𝟏−𝒓𝟐𝟐𝟑 )
(pp. 194 Gujarati- Porter)
𝒙𝟐𝟐 𝝈𝟐
V(b3) = 𝝈𝟐 =
𝒙𝟐𝟐 𝒙𝟐𝟑 −( 𝒙𝟐 𝒙𝟑 )𝟐 𝒙𝟐𝟑𝒊 (𝟏−𝒓𝟐𝟐𝟑 )
V(𝜷) =2(X'X)-1 ,
Estimadores Varianzas
∑( Yi -Ŷi ) 2 ∑e i2
S2 = =
n-k n-k
Varianzas de estimadores de pendientes en modelo tri-variado
(6) Factores de Inflación de Varianza (FIV)-
𝑸∗𝒕 = 𝜷𝟏 + 𝜷𝟐 𝑳𝒏𝑷𝒕 + 𝝁𝒕
Donde 𝑸∗𝒕 = 𝑳𝒏 𝑸 − 𝜷𝟑 𝑳𝒏𝑰𝒕