Econometrı́a

Flexibilización de los supuestos del modelo clásico

Multicolinealidad

Profesor: Mauricio Leiva del Campo

e-mail: m.leiva@udd.cl

Ingenierı́a Comercial
Universidad del Desarrollo

Primer Semestre 2022

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 1 / 42

Flexibilización de los Supuestos del Modelo Clásico

• Hemos visto el modelo clásico de regresión lineal normal

• Además vimos cómo utilizarlo para manejar dos problemas de inferencia estadı́stica
(pruebas de hipótesis)
• Recordemos que el modelo de regresión lineal se basa en ciertos supuestos.
• ¿Cuáles son?

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 2 / 42

Flexibilización de los Supuestos del Modelo Clásico
Supuestos del Modelo Clásico

1 Modelo de regresión lineal, o lineal en los parámetros

2 Valores fijos de X o valores de X independientes del término de error.
3 Valor medio de la perturbación ui igual a cero.
4 Homocedasticidad o varianza constante de ui
5 No autorrelación entre las perturbaciones.
6 El número de observaciones n debe ser mayor que el número de parámetros a estimar.
7 No debe haber colinealidad exacta entre las variables X .
8 No hay sesgo de especificación: El modelo está correctamente especificado. (supuesto
teórico)

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 3 / 42

Flexibilización de los Supuestos del Modelo Clásico

• ¿Qué pasarı́a si no se cumplen algunos supuestos?

• ¿Podemos corregir, en caso de no cumplirse algún supuesto?
• Principalmente nos enfocaremos en 3 caracterı́sticas que presentan los datos y que pueden
violar los supuestos anteriores:
1 Multicolinealidad
2 Autocorrelación
3 Heterocedasticidad

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 4 / 42

 Multicolinealidad

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 5 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• El término multicolinealidad se atribuye a Ragnar Frisch (1934).

• Originalmente, designaba una relación lineal “perfecta” o exacta entre algunas o todas las
variables explicativas de un modelo de regresión.
• En estricto sentido, la multicolinealidad se refiere a la existencia de más de una relación
lineal exacta, y colinealidad, a la existencia de una sola relación lineal.
• Pero esta distinción pocas veces se mantiene en la práctica, y se hace entonces referencia
a multicolinealidad en ambos casos.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 6 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Para la regresión con k variables que incluye las variables explicativas X1 , X2 , ..., Xk
• Diremos que existe una relación lineal exacta si se satisface la siguiente condición:

λ1 X1 + λ2 X2 + ... + λk Xk = 0 (1)

• Donde: λ1 , λ2 , ..., λk son constantes tales que no todas son simultáneamente iguales a
cero

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 7 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Sin embargo, el término multicolinealidad incluye el caso de multicolinealidad perfecta -

caso anterior, en ecuación (1).
• Un caso en el cual hay X variables intercorrelacionadas, pero no en forma perfecta, es el
siguiente:
λ1 X1 + λ2 X2 + ... + λk Xk + vi = 0 (2)
• Donde vi es un término de error estocástico.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 8 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Veamos la diferencia entre multicolinealidad perfecta y menos que perfecta (imperfecta).

• Supongamos, que λ2 6= 0. Entonces re-escribimos (1) de la siguiente forma:

λ1 λ3 λk
X2i = − X1i − X3i − ... − Xki
λ2 λ2 λ2
• Lo anterior muestra la forma en que X2 está exactamente relacionada de manera lineal
con otras variables, o como se deriva de una combinación lineal de otras variables.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 9 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Veamos ahora, de forma análoga lo que ocurre en la ecuación (2) si λ2 6= 0:

λ1 λ3 λk 1
X2i = − X1i − X3i − ... − Xki − vi
λ2 λ2 λ2 λ
• Lo cual indica que X2 no es una combinación lineal exacta de otras X , ya que está
determinada también por el término del error estocástico vi

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 10 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Veamos un ejemplo, donde tenemos las siguientes observaciones:

X2 X3 X3∗
10 50 52
15 75 75
18 90 97
24 120 129
30 150 152
• Podemos observar que X3i = 5X2i
• ¿Hay colinealidad perfecta entre X2 y X3 ?
• Si, por lo que el coeficiente de correlación serı́a r2,3 = 1

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 11 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Con respecto a la variable X3∗ , esta se construyó sumando 2, 0, 7, 9 y 2 respectivamente a

X3
• Por lo que ahora, existirı́a correlación perfecta entre X2 y X3∗ ?
• X2 y X3∗ no presentan colinealidad perfecta, sin embargo las dos variables están muy
correlacionadas. El coeficiente de correlación serı́a r2,3∗ = 0, 9959
• ¿Cuál será el coeficiente de correlación entre X3 y X3∗ ?
• Veamos de forma intuitiva esto a través de un diagrama de Venn.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 12 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Notar que la multicolinealidad se refiere sólo a relaciones lineales entre las variables X .
• Por lo que este concepto no aplica a las relaciones no lineales entre ellas.
• Por ejemplo, se tiene:

Yi = β0 + β1 Xi + β2 Xi2 + β3 Xi3 + ui

• Donde Y = Costo de producción; X = Producción; X 2 = Producción al cuadrado y

X 3 = Producción al cubo.
• Estas dos últimas, X 2 y X 3 , estarán relacionadas con Xi ?

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 13 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• Las variables X 2 y X 3 están funcionalmente relacionadas con Xi , pero no de manera

lineal?
• Por lo vioları́an el supuesto de No Multicolinealidad?
• No vioları́an este supuesto, sin embargo, el coeficiente de correlación medido de la forma
tradicional, mostrará que Xi , Xi2 y Xi3 están altamente correlacionados, lo que dificultará
la estimación de los parámetros con mayor precisión.
• A qué nos referimos con precisión?
• Nos referimos a errores estándar pequeños.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 14 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• ¿Por qué uno de los supuesto del modelo clásico de regresión lineal supone no
multicolinealidad entre las X ?
• Si la multicolinealidad es perfecta (recordar ecuación (1)), los coeficientes de regresión de
las variables X serán indeterminados.
• Por lo tanto, sus errores estándares serán infinito.
• Por otro lado, si se da el caso de la ecuación (2) (no perfecta o menos que perfecta), los
coeficientes de regresión serán determinados.
• Pero estos coeficientes poseerán errores estándares demasiado altos, con respecto a sus
mismos coeficientes.
• ¿Qué implica esto?
• Que los coeficientes no pueden ser estimados con gran precisión o exactitud.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 15 / 42

Multicolinealidad
Naturaleza de la Multiconlinealidad

• ¿Cuáles son las fuentes o principales motivos de la multicolinealidad?

• Montgomery y Peck plantean que la multicolinealidad puede deberse a los siguientes
factores:
1 El método de recolección de información.
2 Restricciones en el modelo o en la población objeto de muestreo.
3 Especificación del modelo.
4 Un modelo sobredeterminado.
• Otra razón que se da sobre todo en datos de series de tiempo, puede que regresoras
compartan tendencia común (que todas aumenten o disminuyan a lo largo del tiempo),
ejemplo: Gasto de consumo sobre ingreso, riqueza y población.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 16 / 42

Estimación en presencia de multicolinealidad perfecta

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

permanecen indeterminados y sus errores estándar son infinitos.
• Veamos esto a través de un modelo de regresión con 3 variables:

yi = βb2 x2i + βb3 x3i + ubi (3)

• Recordemos de las clases anteriores que como obtenemos los parámetros para βb2 y βb3 ...

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 17 / 42

Estimación en presencia de multicolinealidad perfecta

• Se tiene entonces:

yi x2i )( x3i2 ) − ( yi x3i )( x2i x3i )

P P P P
(
βb2 = (4)
( x2i2 )( x3i2 ) − ( x2i x3i )2
P P P

( yi x3i )( x2i2 ) − ( yi x2i )( x2i x3i )

P P P P
β3 =
b
( x2i2 )( x3i2 ) − ( x2i x3i )2
P P P

• Supongamos que X3i = λX2i , donde λ es una constante diferente de cero.

• Al sustituir en (4), obtenemos:

( yi x2i )(λ2 x2i2 ) − (λ yi x2i )(λ x2i2 )

P P P P
β2 =
b
( x2i2 )(λ2 x2i2 ) − (λ2 x2i2 )2
P P P

0
βb2 = (5)
0

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 18 / 42

Estimación en presencia de multicolinealidad perfecta

• La expresión en la ecuación (5) es indeterminada.

• El procedimiento es análogo para calcular el βb3 y demostrar que también es
indeterminado.
• ¿Por qué se interemina la ecuación anterior?
• Recordemos el significado de βb2 Es el cambio en el valor promedio de Y a medida que
cambia una unidad de X2 , manteniendo X3 constante.
• Al ser X2 y X3 perfectamente colineales, no hay forma de que X3 se mantenga constante.
¿Por qué?
• Porque a medida que X2 cambie, también lo hará X3 por el factor λ.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 19 / 42

Estimación en presencia de multicolinealidad perfecta

• Lo anterior significa que no hay forma de analizar las influencias separadas de X2 y X3 de

una muestra dada.
• En términos prácticos: X2 y X3 son indistinguibles.
• El problema que surge es que en econometrı́a aplicada la idea consiste en separa los
efectos parciales de cada X sobre la variable dependiente.
• El problema lo podemos ver antes de estimar, reemplazando x3i = λX2i en la regresión
(3). Donde se tiene:

yi = α
bx2i + ubi (6)

Con α
b = (βb2 + λβb3 )

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 20 / 42

Estimación en presencia de multicolinealidad perfecta

• Al estimar por MCO la ecuación (6), tenemos:

P
x2 yi
α
b = (β2i + λβ3 ) = P 2
b b
x2i
• Aunque se puede estimar α, qué pasa con los parámetros β2 y β3 ?
• No hay forma de estimar β2 y β3 de forma igualmente única, ya que α b = (βb2i + λβb3i )
entrega una ecuación con dos incógnitas.
• Por lo tanto existen infinidad de soluciones con valores dados para α
b y λ.
• Veamos un ejemplo, en el que se tiene λ = 3 y α b = 0, 6.
• Se tiene un valor único, por ejemplo para βb2 ?

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 21 / 42

Estimación en presencia de multicolinealidad perfecta

• La conclusión es que para el caso de la multicolinealidad perfecta, no se puede obtener

una solución única para los coeficientes de regresión individual.
• Pero si podemos obtener una solución única para la combinación lineal de estos
coeficientes (α).
• Además , las varianzas y los errores estándar de βb2 y βb3 son infinitos.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 22 / 42

Estimación en presencia de multicolinealidad “alta” pero “imperfecta”

• La situación de multicolinealidad perfecta pocas veces ocurre en la práctica.

• Por lo general no existe una relación lineal exacta entre las variables X , en especial en
información económica relacionada con series de tiempo.
• Continuando con el modelo de tres variables, en forma de desviaciones, en lugar de
multicolinealidad exacta, tenemos:

x3i = λx2i + vi (7)

• Donde λ 6= 0 y vi es un término estocástico, tal que

P
x2i vi = 0
• En este caso serı́a posible estimar los coeficientes de regresión β2 y β3
• Al reemplazar (7) en la ecuación para βb2 (ecuación (4)):

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 23 / 42

Estimación en presencia de multicolinealidad “alta” pero “imperfecta”

( yi x2i )(λ2 x2i2 + vi2 ) − (λ yi x2i + yi vi )(λ x2i2 )

P P P P P P
β2 =
b P 2 2P 2 P 2 (8)
x2i + vi ) − (λ2 x2i2 )2
P
x2i (λ

• Por lo tanto, a priori no hay motivo para pensar que la ecuación (8) no pueda estimarse.
• El procedimiento para calcular β3 es similar.
• ¿Qué nos podrı́a indicar un vi bastante pequeño , muy cercano a cero?
• Nos podrı́a indicar colinealidad casi perfecta y los coeficientes podrı́an ser indeterminados.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 24 / 42

Consecuencias teóricas de la multicolinealidad

• Recordemos que si se satisfacen los supuestos cásicos, los estimadores MCO de los
coeficientes de regresión son MELI.
• Se puede demostrar que aunque la multicolinealidad sea muy alta, los estimadores de
MCO conservarı́an las propiedades MELI.
• Entonces...¿Cuáles son los inconvenientes de la multicolinealidad?
• Algunos investigadores plantean que el problema que se presenta con la multicolinealidad
tiene que ver con la dificultad de obtener los coeficientes estimados con errores estándar
pequeños.
• Este problema también puede darse al tener un número reducido de observaciones o al
tener variables independientes con varianzas pequeñas.
• Por tanto, la pregunta “¿qué debe hacerse entonces con la multicolinealidad?” es similar
a “¿qué debe hacerse si no se tienen muchas observaciones?”

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 25 / 42

Consecuencias prácticas de la multicolinealidad

En los casos de que se presente alta multicolinealidad, es posible que se presenten las
siguientes consecuencias:
1 Aunque los estimadores MCO son MELI, presentan varianzas y covarianzas grandes que
dificultan la estimación precisa.
2 Debido a lo anterior, los intervalos de confianza tienden a ser más amplios, lo que darı́a
una aceptación más “fácil” de no rechazar H0 .
3 Es estadı́stico t de uno o más coeficientes tiende a ser estadı́sticamente no significativo.
4 Aunque los parámetros sean estadı́sticamente no significativos, la medida global de
bondad de ajuste (R 2 ) puede ser muy alta.
5 Los estimadores de MCO y sus errores estándar son sensibles a pequeños cambios en los
datos.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 26 / 42

Detección de la multicolinealidad

• Una interrogante interesante al momento de enfrentar alguna estimación es preguntarnos

¿Cómo detectamos la multicolinealidad?
• Hay que distinguir primero 2 cosas:
1 La multicolinealidad es un tema de grado no de clase. La distinción iportante no es la
presencia o no de multicolinealidad, sino entre sus diferentes grados.
2 Como la multicolinealidad ser refiere a la condición de las variables explicativas que no son
estocásticas, esta es una caracterı́stica de la muestra, no de la población.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 27 / 42

Detección de la multicolinealidad

Algunas reglas prácticas para detectar la multicolinealidad:

1 Un R 2 alto pero pocos parámetros estadı́sticamente significativos.
• Este es un sı́ntoma “clásico” de la multicolinealidad.
• Un R 2 alto, por ejemplo, superior a 0,8.
• La prueba F indica en la mayorı́a de los casos que se rechaza H0 .
• Pero las pruebas t de significancia individuales mostraran que ninguno o muy pocos de los
coeficientes son estadı́sticamente diferentes de cero.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 28 / 42

Detección de la multicolinealidad

2 Matriz de correlación (dos variables explicativas)

• Observar la matriz de correlación entre las variables explicativas.
• Para el caso de dos variables es factible evaluar el valor del determinante de esta matriz para
evaluar la existencia de multicolinealidad.
2
 
1 r23
2 =R
r23 1

• Al estimar el determinante de la matriz, se tiene: R = 1 − (r23 2 2

)
• Si el valor tiende a cero, la multicolinealidad será un problema serio.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 29 / 42

Detección de la multicolinealidad

3 Regresiones Auxiliares
• La multicolinealidad surge porque una o más de las regresoras son combinaciones lineales
exactas o aproximadas de las demás regresoras.
• Una forma de determinar cual variable X está relacionada con las demás, es regresionar cada
variable explicativa con respecto a las otras.
• Se procede luego a testear mediante una prueba F la significancia global del modelo de la
regresión auxiliar.
• Si el valor calculado es mayor al F de tabla, entonces se dice que la variable Xi es colineal
con las demás variables.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 30 / 42

Detección de la multicolinealidad

4 Regla o criterio de Klein

• El criterio de Kein sugiere que la multicolinealidad puede ser un problema serio si el R 2
obtenido de una regresión auxiliar es mayor al R 2 global, es decir, el que se obtiene de la
regresión de Y sobre las variables explicativas.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 31 / 42

Detección de la multicolinealidad

5 Factor de Inflación de la Varianza

• Dado el Rj2 en la regresiones auxiliares, sobre la regresora Xj sobre las regresoras restantes
del modelo.
1
VIF =
(1 − Rj2 )
• conforme se incrementa la colinealidad de Xj con las demás regresoras, VIF también
aumenta, y en el lı́mite puede ser infinito.
• Como regla práctica, si el VIF de una variable es superior a 10 (esto sucede si Rj2 excede de
0.90), se dice que esa variable es muy colineal. Dicho de otra forma, estarı́amos ante la
presencia de multicolinealidad (como problema “grave”).

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 32 / 42

Solución al problema de la Multicolinealidad

• ¿Qué podemos hacer si el problema de multicolinealidad es grave?

• Hay 2 posibilidades que se plantean en la literatura:
1 No hacer nada.
2 Seguir algunas reglas prácticas.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 33 / 42

Solución al problema de la Multicolinealidad
No hacer nada

• Algunos autores, principalmente Blanchard plantea que la multicolinealidad es en escencia

una deficiencia de los datos.
• Por lo que plantea que en algunas ocasiones no hay opción respecto de los datos
disponibles para el análisis empı́rico.
• No necesariamente todos los coeficientes en un modelo de regresión serán
estadı́sticamente insignificantes.
• Puede que al estimar α, en algunos casos, esto sea lo mejor que se puede hacer con un
determinado conjunto de datos.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 34 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

1 Mayor número de observaciones

• Dado que la multicolinealidad es un problema muestra, la primera solución práctica consiste
en incorporar mayor información muestral.
• Es decir, aumentar el tamaño de la muestra.
• Es razonable pensar que a medida que sea más grande la muestra, menor será la probabilidad
de que la multicolinealidad sea un problema grave.

• Bajo la misma lógica, se puede combinar información de corte transversal con series de
tiempo (Datos de panel).

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 35 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

2 Información a priori - Modelo restringido

• Otra opción es usar información a priori respecto a la relación entre las variables del modelo.
• De esta forma, lo que se estima es un modelo restringido a la nueva información del modelo.
• ¿Cómo obtenemos la información a priori?
• Esta información puede provenir de trabajos empı́ricos anteriores.
• También esta información puede provenir de la teorı́a económica que soporta el campo de
estudio.
• Por ejemplo en una función tipo Cobb-Douglas, si esperamos que prevalezcan los
rendimientos constantes a escala: (β2 + β3 ) = 1.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 36 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

3 Eliminación de variables y el sesgo de especificación

• Una de las soluciones más “simples” es omitir del modelo una de las variables colineales.
• El problema es que al eliminar variables del modelo, se puede incurrir en un sesgo de
especificación o error de especificación.
• El sesgo de especificación surge de la especificación incorrecta del modelo utilizado en el
análisis.
• Recordar modelo Consumo-Ingreso-Riqueza.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 37 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

4 Transformación de Variables
• Otra alternativa es la transformación de variables, donde se estima el modelo con las
variables expresadas de otra forma.
• Suponga que tenemos información de series de tiempo sobre el gasto de consumo, el ingreso
y la riqueza.
• Una razón de la alta multicolinealidad entre el ingreso y la riqueza en tal información es que,
con el tiempo, las dos variables tienden a mo- verse en la misma dirección.
• Una forma común de expresar las variables es a través de primeras diferencias.
• Otra transformación común en la práctica es la transformación de razón.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 38 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

• Al expresar las variables en primera diferencia, se tiene:

(Yt − Yt−1 ) = β2 (X2t − X2,t−1 ) + β3 (X3t − X3,t−1 ) + vt

Donde Vt = ut − ut−1 .
• Transformación de Razón:
     
Yt 1 X2t ut
= β1 + β2 + β3 +
X3t X3t X3t X3t
• Esta transformación puede reducir la colinealidad de las variables originales.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 39 / 42

Solución al problema de la Multicolinealidad
Reglas prácticas

• Hay que tener la consideración con estas transformaciones con el término del error.
• Puede que en ambos casos no se cumplan los supuestos clásicos por parte del error.
• Por ejemplo en la transformación de razón, el término de error Xut será heterocedastico.
3t
• Por lo tanto hay que tener cuidado con las primeras diferencias o el método de la razón
para transformar los datos a fin de resolver el problema de la multicolinealidad.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 40 / 42

En Resumen

• Un supuesto del modelo clásico de regresión lineal es que no haya multicolinealidad entre
las variables explicativas, las X
• Las consecuencias de la multicolinealidad son las siguientes:
1 Si existe colinealidad perfecta entre las X , sus coeficientes de regresión son indeterminados y
sus errores estándar no están definidos.
2 Si la colinealidad es alta pero no perfecta, es posible la estimación de los coeficientes de
regresión, pero sus errores estándar tienden a ser grandes.
3 Aunque no hay métodos seguros para detectar la colinealidad, existen diversos indicadores.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 41 / 42

En Resumen

• Luego de detectar la presencia de multicolinealidad, hay que encontrar la forma de

deshacerse del problema.
• Aunque la multicolinealidad ha recibido extensa (algunos dirı́an excesiva) atención en la
teorı́a, un problema igualmente importante en la investigación empı́rica es el de la
micronumerosidad, o pequeñez del tamaño de la muestra.

Universidad del Desarrollo Econometrı́a 07 Primer Semestre 2022 42 / 42