ECONOMETRÍA I

Clase N°15
Incumplimiento de los Supuestos de Normalidad de los MCO

Toda información aquí presentada, ha sido recabada del Libro Econometría de Damodar N. Gujarati, 5ta.
Edición Mc Graw Hill.

Multicolinealidad

- Definición
El termino multicolinealidad o colinealidad en Econometría se refiere a una situación en la que
dos o más variables independientes o explicativas están fuertemente correlacionadas y, por
tanto, resulta difícil medir sus efectos individuales sobre la variable dependiente.

Se dice que existe una relación lineal exacta si se satisface:

λ 1 X 1 + λ 2 X 2+...+ λk X k =0, donde λ 1 , λ2 , ... , λ k son constantes tales que no todas ellas son
simultáneamente iguales a cero.

Si la multicolinealidad es perfecta, los coeficientes de regresión de las variables X son

indeterminados y sus errores estándar son infinitos. Si la multicolinealidad es menos que
perfecta, los coeficientes de regresión, aunque sean determinados, poseen grandes errores
estándar, lo cual significa que los coeficientes no pueden ser estimados con gran precisión o
exactitud.

Ejemplo:
X2
X3 X 3*
10 50 52
15 75 75
18 90 97
24 120 129
30 150 152

Donde, X 3 i=5∗X 2i , por consiguiente, hay colinealidad perfecta entre X 2 y X 3 , puesto que el
¿
coeficiente de correlación r 23 es igual a uno. La variable X 3 fue creada a partir de X 3
agregándole los números aleatorios 2, 0, 7, 9, 2. Ahora ya no hay multicolinealidad perfecta entre
X 2 y X ¿3 ; sin embargo, las dos variables están altamente correlacionadas pues los cálculos
indicaran que el coeficiente de correlación entre ellas es 0.9959.

Para un mejor entendimiento, se puede utilizar el Diagrama de Ballentine:

1
- Causas
o El método de recolección de información utilizado, obtención de muestras en un
intervalo limitado de valores.
o Restricciones en el modelo o en la población objeto del muestreo, regresión de
consumo de electricidad sobre el ingreso y el tamaño de las viviendas. Ingresos más
altos igual a viviendas más grandes.
o Especificación del Modelo
o Modelo sobredeterminado, cuando el modelo tiene más variables explicativas que el
número de observaciones.
o Adicionalmente, en el caso de datos de series de tiempo, puede ser que las regresoras
incluidas en el modelo compartan una tendencia común, es decir que todas aumenten o
disminuyan a lo largo del tiempo.

- Estimación de Multicolinealidad Perfecta

Los coeficientes de regresión permanecen indeterminados y sus errores estándar son infinitos.

Para demostrar esto, utilizaremos el modelo de regresión de tres variables, en forma de

desviación (es decir, donde todas las variables están expresadas como desviaciones de sus
medias muestrales):

^β = ( ∑
y i x2 i ) ( ∑ x23 i ) −( ∑ y i x 3i )( ∑ x 2i x 3i )
y i= β^ 2 x2 i + ^β 3 x 3 i + ^μi 2
(∑ x 22i )(∑ x23 i )−( ∑ x 2 i x 3 i )
2

^β = ( ∑
y i x 3i ) ( ∑ x 22i ) −( ∑ y i x 2i )( ∑ x 2i x 3i )
3
(∑ x 22i )(∑ x32i )−( ∑ x 2 i x 3 i )
2

Ahora, supóngase que X 3 i= λ X 2 i, donde λ es una constante diferente de cero, si sustituimos

para ^
β 2:

^β = ( ∑
y i x2 i ) ( λ2 ∑ x22 i ) −( λ ∑ yi x 2i ) ( λ ∑ x 22 i) 0
2 = = indeterminado
(∑ x 22 i )( λ 2 ∑ x 22 i )− λ2 ( ∑ x )
2 2 0
2i

Anteriormente habíamos definido ^β como la tasa de cambio en el valor promedio de Y a medida

2
que X 2 aumentaba / disminuía en una unidad, manteniendo X 3 constante. Pero si X 2 y X 3 son

2
 perfectamente colineales, no hay forma de que X3 se mantenga constante: a medida que X2
cambia, también lo hace X 3 por el factor λ . Esto significa que no hay forma de diferenciar las
influencias separadas de X 2 y X 3 de la muestra dada.
A manera de ilustración, considere el siguiente modelo donde además del ingreso, la riqueza es
también un determinante importante del gasto de consumo:

Consum oi=β 1 + β 2 Ingres o i+ β3 Riquez ai + μi

Es decir, la gente con mayor riqueza generalmente tiende a tener ingresos más altos. Así se
puede notar que en la práctica es difícil distinguir las influencias separadas del ingreso y de la
riqueza sobre el gasto de consumo.

- Consecuencias prácticas de la multicolinealidad

Es probable que se presenten las siguientes consecuencias:
o Los estimadores pueden presentar varianzas y covarianzas grandes que hacen difícil la
estimación precisa.
o Los intervalos de confianza tienden a ser más amplios (resultado de la anterior
consecuencia).
o La razón t de uno o más coeficientes tiende a ser estadísticamente no significativa.
o A pesar de que la razón t sea estadísticamente significativa, R2, la medida global de
bondad de ajuste, puede ser muy alta.
o Los estimadores MCO y sus errores estándar son sensibles a pequeños cambios de
información.

- Detección de la multicolinealidad
No se tiene un método único para detectarla, lo que generalmente se utiliza son reglas prácticas,
cuya utilización se perfecciona con la experiencia:
o Una R2 elevada pero pocas razones t significativas.
o Altas correlaciones entre parejas de regresores.
o Examen de las correlaciones parciales.
o Regresiones auxiliares.
o Valores propios e índice de condición.
o Factores de tolerancia y de inflación de la varianza.

- Medidas Correctivas
Se tienen dos opciones: No hacer nada, o seguir algunas reglas prácticas.
o No hacer nada. La multicolinealidad es en esencia un problema de deficiencia de datos,
y en muchas ocasiones no hay elección respecto a los datos que se tienen disponibles.
o Algunos Procedimientos / Reglas Practicas
 Información a priori
 Combinación de información de corte transversal y de series de tiempo
 Eliminación de una(s) variable(s) y el sesgo de especificación
 Transformación de variables.
 Datos nuevos o adicionales.