Asignatura Datos del CIPA Fecha

Nombre CIPA: DIANALUZ@

ECONOMETRIA Viernes, 13 de
FINANCIERA Integrantes: DIANA LUZ BOLAÑO HERNANDEZ enero 2023

ACTIVIDAD

Protocolo colaborativo de la unidad 4

1. Consecuencias de la multicolinealidad
2. Consecuencias de la heterocedasticidad
RUBRICA PARA EVALUAR
PROTOCOLO
• Respuestas concretas de las preguntas formuladas

• Que no se evidencie copia de otros protocolos y de un texto contenido en una

página de internet

• Citas de acuerdo con las normas apas y referencias bibliográficas no puedes

usar páginas de internet (Solo libros y artículos)

• Propuesta e inquietudes: obligatorio dos preguntas deben ser de análisis

 Asignatura Datos del CIPA Fecha
Nombre CIPA: DIANALUZ@
ECONOMETRIA Viernes, 13 de
FINANCIERA Integrantes: DIANA LUZ BOLAÑO HERNANDEZ enero 2023

CONSECUENCIAS DE LA MULTICOLINEALIDAD
se examinan cuatro efectos de la presencia de multicolinealidad imperfecta que mas
influyen
(i) efectos sobre la magnitud de los coeficientes de regresión,
(ii) sobre la suma de cuadrados adicional,
(iii) sobre el error estándar de los coeficientes estimados
(iv) sobre las decisiones en pruebas de hipótesis.
¿Cuándo es importante corregir la multicolinealidad?

Depende de su gravedad y del objetivo que quieres alcanzar con tu modelo de

regresión. El problema de multicolinealidad: 

 aumenta con el grado de multicolinealidad. Si solo tienes una

multicolinealidad moderada no necesitas resolverla.

 afecta solo a las variables independientes específicas que están

correlacionadas. Si en tu modelo no incluyes las variables del conjunto de

datos que están correlacionadas, no necesitas resolverla. 

 solo afecta los coeficientes y los p-valores; no influye en las predicciones, ni

en la precisión de las predicciones ni en las estadísticas de bondad de ajuste. Si

tu objetivo principal es hacer predicciones y no necesita comprender el papel de

cada variable independiente, no necesitas resolverla.

 Asignatura Datos del CIPA Fecha
Nombre CIPA: DIANALUZ@
ECONOMETRIA Viernes, 13 de
FINANCIERA Integrantes: DIANA LUZ BOLAÑO HERNANDEZ enero 2023

CONSECUENCIAS DE LA HETEROCEDASTICIDAD
(i) Incorrecta estimación de los parámetros
Dado que la matriz de varianzas-covarianzas es no escalar, el procedimiento
correcto de estimación debe incluir la determinación de la matriz S; es decir,
lo apropiado sería emplear los estimadores MCG o de Aitken cuya expresión
es:

Por supuesto, se ha demostrado que estos estimadores son lineales,

insesgados, óptimos y consistentes para la estimación de una estructura no
escalar de la matriz de varianzas covarianzas siempre y cuando la
estimación de la matriz S sea correcta. Esto, que pudiera parecer una
perogrullada, debe llevarnos a una reflexión importante si miramos por un
momento el carácter más aplicado de la cuestión.

Como ya se ha comentado, el elevado número de incógnitas a estimar

respecto al número de observaciones (datos) nos obliga a hacer un supuesto
simplificador sobre el comportamiento de la varianza heterocedástica.
Evidentemente, es muy probable que, como con todo supuesto simplificador,
al realizar la estimación de la matriz S bajo éste estemos sufriendo un cierto
error o sesgo, con lo que la eficiencia absoluta teórica del estimador de
Aitken frente al MCO en presencia de heterocedasticidad quedaría en
entredicho.

(ii) Cálculo incorrecto de las varianzas y parámetros ineficientes

En el caso de obviar la heterocedasticidad para la estimación de los
parámetros; es decir, seguir empleando la expresión MCO, caben dos
opciones:
 Estimar también las varianzas como si hubiera homocedasticidad en el
modelo.
 Estimar los parámetros con MCO, pero calcular la verdadera varianza
que les correspondería a estos cuando la matriz de varianzas-
covarianzas de la perturbación aleatoria es no escalar.
 Asignatura Datos del CIPA Fecha
Nombre CIPA: DIANALUZ@
ECONOMETRIA Viernes, 13 de
FINANCIERA Integrantes: DIANA LUZ BOLAÑO HERNANDEZ enero 2023

DIFERENCIAS ENTRE HOMOCEDASTICIDAD Y HETEROCEDASTICIDAD

La heterocedasticidad se diferencia de la homocedasticidad en que en ésta la varianza

de los errores de las variables explicativas es constante a lo largo de todas las
observaciones. A diferencia de la heterocedasticidad, en los modelos estadísticos
homocedásticos el valor de una variable puede predecir otra, si el modelo es
insesgado. Por tanto, los errores son comunes y constantes durante el estudio.
Las situaciones principales en las que aparecen perturbaciones heterocedásticas son
los análisis con datos de corte transversal donde los elementos seleccionados, ya sean
empresas, individuos o elementos económicos no tienen un comportamiento
homogéneo entre ellos.

DISCUSIÓN: 
Dudas, desacuerdos, discusiones

 ¿Cómo podemos analizar si existe un problema de multicolinealidad?

 ¿Si eliminamos ciertas observaciones, es posibles que eliminar la
multicolinealidad?
 Asignatura Datos del CIPA Fecha
Nombre CIPA: DIANALUZ@
ECONOMETRIA Viernes, 13 de
FINANCIERA Integrantes: DIANA LUZ BOLAÑO HERNANDEZ enero 2023

BIBLIOGRAFIAS

 Coa Clemente, R. (2019). Consecuencias de alta multicolinealidad en un modelo de

regresión lineal. Revista Varianza, 22.

 Arce, R., & Mahía, R. (2009). Conceptos básicos sobre la heterocedasticidad en el

modelo básico de regresión lineal tratamiento con Eviews. Madrid España:
Departamento de Economía Aplicada, Universidad Autónoma de Madrid.