UNIVERSIDAD TÉCNICA

PARTICULAR DE LOJA

Modelos
Econométricos

ECO. OCHOA
ORDOÑEZ OSWALDO
FRANCISCO ARMAS

VERGARA PRADO MISHELL E.

FORO 1
BI MES TRE 1

Fecha: 08/ 05/ 2023

 FORO 1 Bimestre 1

¿Qué pasa si un modelo de regresión presenta multicolinealidad, heteroscedasticidad

y autocorrelación?

Multicolinealidad

La multicolinealidad es un fenómeno estadístico que ocurre cuando dos o más variables

predictoras en un modelo de regresión están altamente correlacionadas entre sí, lo que
puede afectar la capacidad del modelo para hacer predicciones precisas y afectar la
interpretación de los resultados.

Cuando un modelo de regresión presenta multicolinealidad, esto puede ser un problema ya

que puede hacer que algunos coeficientes de regresión sean estadísticamente no
significativos o incluso tener signos opuestos a los que se esperan. Esto se debe a que la
multicolinealidad hace que las variables predictoras estén altamente correlacionadas, lo que
significa que están explicando la misma variabilidad en la variable de respuesta y dificultan la
identificación precisa de los efectos individuales de cada variable sobre la variable de
respuesta. En resumen, la multicolinealidad puede debilitar la capacidad del modelo para
hacer predicciones precisas y afectar la interpretación de los resultados. Por lo tanto, es
importante detectar y tratar la multicolinealidad antes de interpretar los resultados de un
modelo de regresión.

¿Qué causa la multicolinealidad?

La multicolinealidad en un modelo de regresión puede ser causada por varias razones, entre
las cuales se incluyen:

- La inclusión de variables altamente correlacionadas en el modelo.

- Un tamaño de muestra pequeño en relación al número de variables predictoras.
- La manipulación inadecuada de los datos, como la escalada de variables o la inclusión de
variables redundantes.

Cualquiera de estos factores puede contribuir a la multicolinealidad en un modelo de

regresión y, por lo tanto, puede afectar la precisión y la interpretación de los resultados de
dicho modelo.

Heteroscedasticidad

La heterocedasticidad es un término en estadística utilizado para describir la situación en la

que la varianza de las observaciones en un modelo estadístico varía a lo largo del rango de
valores de una variable predictor a medida que aumenta o disminuye, lo cual puede violar el
supuesto de homocedasticidad del modelo de regresión. En otras palabras, la
heterocedasticidad se produce cuando la dispersión de errores en el modelo no es constante
y se observan patrones sistemáticos de error para diferentes valores de la variable
predictora. La heterocedasticidad puede afectar la precisión y la interpretación de los
resultados en un modelo de regresión, y por lo tanto, es importante tenerla en cuenta al
analizar datos.

Cuando un modelo de regresión presenta heterocedasticidad, esto puede afectar la

capacidad del modelo para hacer predicciones precisas y puede sesgar los resultados de las
pruebas de hipótesis. En particular, la heterocedasticidad puede hacer que los intervalos de
confianza sean demasiado amplios o demasiado estrechos y hacer que los errores estándar
sean demasiado grandes o demasiado pequeños. Además, la heterocedasticidad puede
hacer que la prueba t de los coeficientes de regresión no sea confiable, lo que puede llevar a
la inclusión de variables que no son estadísticamente significativas. En resumen, la
heterocedasticidad es un problema que puede afectar la precisión y la interpretación de los
resultados en un modelo de regresión y, por lo tanto, debe ser abordada antes de analizar
los datos.

¿Qué causa la heterocedasticidad?

La heterocedasticidad puede ser causada por diversas razones. Algunas de ellas son:
- La presencia de valores atípicos (outliers) en los datos.
- Una relación no lineal entre las variables predictoras y la variable de respuesta.
- Un error de medición en las variables predictoras o en la variable de respuesta.
- Un sesgo en la muestra de datos recopilados.
- La presencia de subgrupos dentro de la muestra con diferentes varianzas.
- La influencia de variables no incluidas en el modelo que interactúan con las variables
predictoras.

Es importante tener en cuenta que la heterocedasticidad es un fenómeno común en los datos

y no necesariamente indica una falla en el modelo. Sin embargo, la heterocedasticidad
puede afectar la precisión de los resultados y, por lo tanto, es importante detectarla y, si es
necesario, corregirla antes de realizar inferencias sobre los datos.

Autocorrelación

La autocorrelación es una medida de la correlación entre una variable en una serie de tiempo
y una versión retrasada (comúnmente conocida como "lag") de sí misma en la misma serie
de tiempo. La autocorrelación es un fenómeno común en los datos de series de tiempo, y
puede ser tanto positiva como negativa . Una autocorrelación positiva indica que valores
altos en la serie de tiempo tienden a seguir valores altos en series anteriores, mientras que
una autocorrelación negativa indica que valores altos tienden a seguir valores bajos. La
autocorrelación puede ser evaluada mediante la función de autocorrelación (ACF) y la
función de autocorrelación parcial (PACF). La autocorrelación puede afectar la precisión y el
rendimiento de los modelos que intentan predecir valores futuros en una serie de tiempo, y
puede ser necesario corregirla antes de hacer predicciones precisas.

Si un modelo de regresión tiene autocorrelación en los residuos, esto indica que hay
patrones persistentes en los errores del modelo que no se explican completamente por las
variables predictoras utilizadas. Esto puede resultar en una subestimación de la varianza
residual del modelo y una sobreestimación de la significancia de los coeficientes. En otras
palabras, la autocorrelación puede hacer que los coeficientes parezcan más significativos de
lo que realmente son, lo que puede llevar a la inclusión de variables que no son realmente
importantes en el modelo. La autocorrelación también puede hacer que los intervalos de
predicción sean demasiado estrechos o demasiado amplios, lo que puede afectar la
precisión de las predicciones del modelo. Es importante considerar la autocorrelación en la
selección y validación del modelo, y en la interpretación y comunicación de los resultados.

¿Qué causa la autocorrelación?

La autocorrelación en un modelo de regresión puede ser causada por varias razones. Una
posible causa es la exclusión de variables importantes del modelo. Si se excluyen variables
que están correlacionadas con la variable dependiente y que también están correlacionadas
con los errores del modelo, esto puede generar autocorrelación en los residuos del modelo.
Otra posible causa es la falta de estacionalidad en la variable dependiente. Si la variable
dependiente muestra patrones recurrentes a lo largo del tiempo, como estacionalidad,
tendencias o ciclos, puede haber autocorrelación en los residuos del modelo si estos
patrones no se tienen en cuenta en el modelo. La inclusión de variables irrelevantes o la falta
de transformaciones adecuadas también pueden contribuir a la autocorrelación en el modelo
de regresión. Es importante identificar y corregir la autocorrelación en los residuos del
modelo para asegurar que los resultados sean precisos y confiables.

BIOGRAFÍA:
 De 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.
 Meza Carvajalino, C. A. (2014). Econometría fundamental. Universidad de la Salle.
 Pérez, F., & Fernández, H. (2009). Econometría. Conceptos Básicos (Primera ed.).
Medellín: Ecoe. Ediciones.