VIOLACIONES A LOS SUPUESTOS

DEL MODELO LINEAL GENERAL

Profesor: Mg. William Richard Sánchez Tapia
wsanchezt@mef.gob.pe
VIOLACIONES A LOS SUPUESTOS DEL
MLG
La pregunta más comun que nos podemos plantear es:
¿cómo sabemos que se ha incumplido un supuesto?.
La respuesta no es tan sencilla, debido a que existen muchas consecuencias de violar
un modelo, además de que se pueden violar los supuestos simultáneamente.
Sin bien no hay reglas claras, existen algunos eventos que podrían sugerir que ha
violado algún supuesto:
Los errores que no tienen la característica de ser ruido que se les exige para
representar la parte estocástica del fenómeno en cuestión. Este indicador es el mas
importante de la violación de algún supuesto.
Los parámetros estimados no son congruentes, con los juicios a priori, es decir
presentan signos opuestos, baja significancia o son poco robustos ante cambios en
las condiciones de estimación.
Se presentan problemas con los estadísticos asociados a la regresión, como son R2,
test de correlación serial.
Baja capacidad predictiva del modelo estimado o sesgo sistemático en la predicción.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Problemas de Especificación I: Regresores
Inadecuados
Por lo general la teoría debería sugerir una
especificación completa y las hipótesis a estudiar pero
no siempre las teorías son completas, es decir hay
margen para probar diferentes especificaciones.
En este contexto, hay dos tipos de variables
(pertinentes e irrelevantes) y dos situaciones (incluidas
y excluidas ). Donde las combinaciones pertinentes
excluidas e irrelevantes incluidas son las de mayor
interés.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Omisión de variables pertinentes.
Uno d los problemas econométricos mas importantes
es la omisión de variables que pueden ser
potencialmente importantes (por mala especificación o
por limitaciones de los datos). Consideremos que el
modelo y=xβ+u es particionado en dos grupos de
variables:
y=X1β1+X2β2+u
Donde X1 (n x k1) y X2 (n x k2), supongamos que en la
estimación X2 se excluye Entonces:
VIOLACIONES A LOS SUPUESTOS DEL
MLG
 b1=(X1‘X1)-1X1 (X1β1+X2β2+u)
 b1=β1+(X1‘X1)-1X1‘X2β2 +(X1‘X1)-1X1’u
Expresión, de donde se obtienen un resultado importante:
 E[b1]=β1+E[(X1‘X1)-1X1‘X2β2]
 E[b1]=β1 si X1‘X2=0
 E[b1]≠β1 si X1‘X2 ≠ 0
Pero que pasa con la varianza:
 V[b1]=σ2[(X1‘X1)-1-X1‘X2(X2‘X2)-1X1‘X2] -1
V[b1]= σ2(X1‘X1)-1
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Ahora consideremos el caso mas común en el que
resulta necesario usar el estimador de σ2, σ2=ε’ ε /(n-
k), siendo ε los residuos del modelo estimado
excluyendo X2.
ε = M1 y
ε = M1 (X1β1+X2β2+u)
ε = M1 X2β2+ M1 u
E[ε’ ε] = β2‘X2’M1 X2β2+E[u ‘M1 u]
E[ε’ ε] = β2‘X2’M1 X2β2+ σ2 (n-k)
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Adición de variables irrelevantes
Consideremos que el modelo verdadero es y=xβ+u,
pero se estima el modelo considerando ahora la
variable X2 :
y=X1β1+X2β2+u
Entonces:
 b1=β1+(X1‘X1)-1X1‘X2β2 +(X1‘X1)-1X1’u, pero β2 =0
 b1=β1+ (X1‘X1)-1X1’u
 E[b1]=β1
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Regimén
El rechazo del supuesto de estabilidad de parámetros,
no solo puede presentarse por la presencia de una
cambio de régimen, sino también se podría rechazar tal
cuando el modelo no está bien especificado y tal
deficiencia conduce a que los efectos sistemáticos que
no son recogidos por el modelo afecten al intercepto o
a las pendientes cuando se consideran diferentes
submuestras.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Una forma interesante de violar los supuestos del
MRLC se presenta cuando hay cambio de régimen,
como ocurre en las series temporales.
 VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
En el caso de cambios de régimen, un modelo de la
forma y=xβ+ε es inadecuado.
¿Cuántas forma de cambio de régimen pueden
Tipos de Quiebre Estructural
presentarse?
140 160 200

120
160
120
100

120
80
80
60
80

40
40
40
20

0 0 0
10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60

Quiebre Estructural en intercepto Quiebre Estructural en Tendencia Quiebre Estructural en Intercepto y Tendencia
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
¿Cómo descubrimos que hay un cambio de régimen?,
es decir como detectamos la presencia de parámetros
cambiantes.
Existen tres procedimientos que nos permiten
descubrir la presencia de regimenes distintos en la
muestra:
La pruebas tipo Chow,
Residuos recursivos
La prueba RESET.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow.
El test de Chow o prueba de estabilidad realiza un
análisis de varianza, es decir, compara las sumas de
errores al cuadrado (o suma de cuadrados residual) de
modelos restrictos e irrestrictos para analizar la
existencia de cambio estructural.

β1 ? β2
n1 n2
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow.
Consideremos el siguiente modelo: y=xβ+ε
Dividamos la muestra en dos subconjuntos
independientes y hagamos un estimación en cada
subconjunto con las mismas variables independientes
 n1: y=xβ1+ε n2: y=xβ2+ε
Entonces nuestra hipótesis inicial es:
H0: β1=β2
H1: β1≠β2
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow.

σ1 = σ2

n1 n2

n2>k
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow: Chow Predictivo.
H0: β1=β2 implica que E(ep)=0

y=xβ1+ε e
n1

n2<k
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
La pruebas tipo Chow Predictivo.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Una observación.

Una
Una solución
solución la
la
prueba
prueba de
deWald
Wald
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Test basados en los residuos recursivos
Suponga que la muestra total consta de n observaciones. El residuo
recursivo de la enésima observación se define como el error de
predicción de la variable explicada hallado empleando el estimador
MCO obtenido a partir de las t-1 observaciones anteriores.
et=yt-xt’βt-1mco
Var(et)=σ2[1-xt’(Xt-1’Xt-1)-1xt]
wt=et/[1-xt’(Xt-1’Xt-1)-1xt]1/2~N(0, σ2)

Bajo la hipótesis planteada de estabilidad de parámetros, wt se

distribuye como una Normal
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Test basados en los residuos recursivos

1.6

1.2

0.8

0.4

0.0

-0.4
94 95 96 97 98 99 00 01 02 03

CUSUM of Squares 5% Significance

VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Test basados en los residuos recursivos
Una ventaja del test CUSUM2 sobre el test CUSUM
convencional es que al elevar al cuadrado los errores, se
elimina la distorsión que pueden incluir los signos de los
errores.
El test CUSUM normal sólo agrega los errores de predicción
que se van obteniendo al ir ampliando la muestra en una
observación, pero estos errores pueden tener signos contrarios
y cancelar su efecto, distorsionando el resultado de la prueba.
El test CUSUM2 no es afectado por este problema ya que al
elevar al cuadrado los errores, se elimina el efecto del signo.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Test basados en los residuos recursivos
24 1

20 0

16 -1

12 -2

8 -3

4 -4

0 -5

-4 -6
95 96 97 98 99 00 01 02 03 95 96 97 98 99 00 01 02 03

Recursive C(1) Estimates ± 2 S.E. Recursive C(2) Estimates ± 2 S.E.

1.6 1.0

1.2
0.5

0.8
0.0
0.4

-0.5
0.0

-0.4 -1.0
95 96 97 98 99 00 01 02 03 95 96 97 98 99 00 01 02 03

Recursive C(3) Estimates ± 2 S.E. Recursive C(4) Estimates ± 2 S.E.

 VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Test basados en los residuos recursivos

.20 .20
.15 .15
.10 .10
.05 .05
.00 .00
-.05 -.05
.00 -.10 .00 -.10

.05 .05

.10 .10

.15 .15
94 95 96 97 98 99 00 01 02 03 94 95 96 97 98 99 00 01 02 03

One-Step Probability Recursive Residuals N-Step Probability Recursive Residuals

VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Soluciones
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Soluciones
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Soluciones
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Parámetros Cambiantes: Cambio de Régimen
Prueba Reset
y=xβ+ε, ε~N(0,σ2I)
wt=xtβ+Ztθ+ε
Donde Zt=(xt2, xt3…)
Si el modelo esta bien especificado, θ debería ser
estadísticamente no significativo, caso contrario el
estimador de β sería inconsistente.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS
Consideremos ahora el siguiente modelo:

y=Xβ+u, E(u|x)= σ2 Σ

Donde Σ es una matriz definida positiva de orden n.

Este modelo se denomina de errores no esféricos en
contraposición al previo que asumía E(u|x)= σ2 In.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS
Asumamos que los elementos de Σ es conocida. Entonces,
como Σ es definida positiva, su inversa también lo es. Por lo
que, podemos encontrar una matriz no singular tal que:
Σ-1=P’P
Pre-multipliquemos al modelo y=Xβ+u por P.
Y*=X*β+u*
Donde:
y*=Py
X*=PX; y
u*=Pu
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS
El modelo transformado cumple con el supuesto de
varianza de los constante en los errores.
E(u*u*’)=E(Pu u’P’)
=PE(u u’)P’
=Pσ2 ΣP’
=σ2In
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS
Entonces el estimador MCO del modelo transformado
sería:
b=(X*’X*)-1(X*’Y*)
 =(XP’PX)-1(XP’PY)
 =(X Σ-1 X)-1(X Σ-1 Y)

A este estimador se le denomina mínimos cuadrados

generalizados
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS
La varianza del estimados MCO es :
Var(bmco)=σ2(X’X)-1X’ ΣX(X’X)-1
La varianza del estimados MCG es :
Var(bmcg)=σ2(X’ Σ-1 X)-1
Var(bmcg)<Var(bmco)
VIOLACIONES A LOS SUPUESTOS DEL
MLG
La varianza del estimados MCO es :
Var(bmco)=σ2(X’X)-1X’ ΣX(X’X)-1
La varianza del estimados MCG es :
Var(bmcg)=σ2(X’ Σ-1 X)-1
Var(bmcg)<Var(bmco)
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:Heterocedasticidad.
¿Que sucede cuando se presenta este problema?
Si la varianza de los errores no es constante, las estimaciones
de los parámetros del modelo siguen siendo insesgadas y
consistentes pero pierden la condición de eficiencia.
Tanto las varianzas de los coeficientes estimados como las
covarianzas entre los mismos se estiman en forma sesgada y
no consistente y por lo tanto, cualquier test de hipótesis que
base su estadístico de contraste en estas varianzas y
covarianzas no puede ser aplicado, como es el caso de las
pruebas (t y F).
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
¿Por qué se presenta la heterocedasticidad?
Relación entre los variables explicativas y la varianza del error.
Datos Agregados.
Error de Especificación.
¿Cómo detectar la heterocedasticidad?
Pruebas de detección: Estas pruebas sólo detectan la presencia de
heterocedasticidad pero no sugieren la forma de la varianza.
Pruebas de detección y corrección: Estas pruebas no solo detectan
la presencia de heterocedasticidad sino también nos sugieren la
forma de la varianza por la que debemos ponderar cada una de las
observaciones.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
Test LR (Likelihood Ratio)
Es aplicable cuando el número de observaciones de la muestra es
significativo.
Divida los residuos MCO en k grupos, cada uno con n i observaciones tal que
Σni=n.
Estime la varianza para cada grupo y para toda la muestra
Construya la función λ= (σi)n /σn.; y calcule el estadístico -2 ln λ el cual
se distribuye como una Χ2 (k −1)
 Regla de Decisión: Si el Χ2 tablas es mayor que el Χ2 calculado se acepta la
hipotesis nula de homocedasticidad.
 Observación: Si tiene una variable explicativa orden los residuos
considerando su valor absoluto, si hay mas de dos variables explicativas haga
la ordenación en función de la variable independiente.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
Prueba de Goldfeld y Quandt
Esta prueba considera que la desviación estándar de la distribución del
error (σi) es proporcional al valor de una de las variables explicativas
para cada observación. Asimismo, supone que el error se distribuye
normalmente y no presenta autocorrelación.
Ordenar las observaciones de la variable z de menor a mayor
Omitir las p observaciones centrales
Estime el modelo original para la primera muestra y para la segunda
muestra
Calcule el estadístico λ=SR2/SR1=σ22/σ21 , el cual sigue una
distribución F(m,m), bajo el supuesto de homocedasticidad y
normalidad de los residuos donde m=(T-p)/2-k.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
Prueba de Glesjer
La prueba evalúa la verdadera estructura de la heterocedasticidad, una
limitación de esta prueba es que sólo es útil cuando se cree que dicha
estructura se puede explicar por una sola variable.
La estructura planteada por Glesjer es: |e|=δ 0+δ1+z1h+vt
Evalúe dicha ecuación para distintos valores de h, si los resultados de
la estimación indican que se obtiene un coeficiente significativo y un
buen grado de ajuste se ha encontrado la mejor estructura de la
heterocedasticidad.
Observaciones: Si no hay ningún valor para h que genere una regresión
aceptable el supuesto inicial de que la variable z explique la estructura
la de heterocedasticidad no es correcto, prueba con otras variables.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
Prueba de Park
Esta prueba supone la existencia de una relación entre la varianza del error y
alguna de las variables explicativas. La estructura planteada por Park es:
σi2=σ2Xiβeεi. La cual debe ser lineal para poder estimar el parámetro β.
Estime la ecuación Ln(e2)= α+βLnXi+ εi; si el coeficiente β es significativo se
acepta la hipótesis de heterocedasticidad y esta es causada por la variable X i
Test de White
El test general de White consiste estimar una regresión de los residuos al
cuadrado del modelo original, sobre una constate los regresores del modelo
original sus cuadrados y sus productos cruzados. El estadístico de esta
prueba es nR2 , el cual se distribuye asintóticamente como una chi-cuadrado
con P-1 grados de libertad, donde P es el número de regresores en la
regresión, no incluyendo la constante.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Heterocedasticidad.
Prueba de Park
Esta prueba supone la existencia de una relación entre la varianza del
error y alguna de las variables explicativas. La estructura planteada
por Park es: σi2=σ2Xiβeεi. La cual debe ser lineal para poder estimar el
parámetro β.
Estime la ecuación Ln(e2)= α+βLnXi+ εi; si el coeficiente β es
significativo se acepta la hipótesis de heterocedasticidad y esta es
causada por la variable Xi
Test de White
Este contraste asume que la forma funcional de la heterocedasticidad
es lineal en todas sus variables explicativas del modelo , sus
cuadrados y sus productos cruzados.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Heterocedasticidad.
Test de White
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Heterocedasticidad.
Test de White
El test general de White consiste estimar una regresión
de los residuos al cuadrado del modelo original, sobre
una constate los regresores del modelo original sus
cuadrados y sus productos cruzados. El estadístico de
esta prueba es nR2 , el cual se distribuye
asintóticamente como una chi-cuadrado con P-1 grados
de libertad, donde P es el número de regresores en la
regresión, no incluyendo la constante.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Autocorrelación.
¿Qué consecuencias trae la correlación serial?
Las mismas que la heterocedasticidad. Es decir:
Los estimadores siguen siendo insesgados y consistentes pero dejan
de ser eficientes.
Las varianzas y covarianzas de los estimadores se estiman en forma
sesgada y no consistente y por lo tanto cualquier test que use un
estadístico de contraste basado en estas estimaciones no puede
utilizarse.
A diferencia de lo que ocurría con la heterocedasticidad, pueden
existir varios tipos de correlación serial.
Procesos AR:
Procesos MA:
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Autocorrelación.
¿Por qué se presenta la Autocorrelación?
Presencia de ciclos económicos
Presencia de relaciones no lineales
Mala especificación
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Autocorrelación.
¿Cómo se detecta?
Durbin Watson
Esta prueba permite detectar autocorrelación de primer
orden
ut=ρut-1+et
La prueba supone que no existe una variable dependiente
rezagada dentro de los regresores del modelo, existe un
termino constante y las variables exógenas son
determinísticas.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Autocorrelación.
¿Cómo se detecta?
Durbin Watson Durbin Watson
Ajustado
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Autocorrelación.
¿Qué hacer cuando el Durbin Watson es signifcativo?
Cuando los errores no siguen un proceso autorregresivo
de primer orden AR(1)
Autocorrelación causado por variables omitidas

Autocorrelación causado por una mala especificación

dinámica
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Autocorrelación.
¿Cómo se detecta?
Correlogramas
Es conveniente usar esta prueba cuando el tamaño de
muestra “n” es bajo. El criterio de decisión para poder
detectar la presencia de autocorrelación es que si las
barras de la función de autocorrelación parcial están
dentro de las bandas de confianza no existe evidencia de
autocorrelación, en caso contrario si existirían indicios
de autocorrelación
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Autocorrelación.
¿Cómo se detecta?
Correlogramas
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Autocorrelación.
¿Cómo se detecta?
Prueba de Breusch-Godfrey (BG)
Conocida también como prueba asintótica de multiplicadores
de Lagrange (LM). Permite evaluar correlación serial de
orden superior. Esta prueba es adecuada cuando el modelo
contiene una variable dependiente rezagada.

El criterio para determinar la presencia de autocorrelación es

comparar el estadístico Obs*R-squared con el valor tabular
de la Chi2, según los rezagos seleccionados
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Autocorrelación.
Soluciones
Método de la primera diferencia
Estimación de ρ basada en el estadístico de Durbin-
Watson
Procedimiento iterativo de Cochrane-Orcutt
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS:
Autocorrelación.
Soluciones
3. Procedimiento iterativo de Cochrane-Orcutt
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
Relación lineal perfecta o imperfecta entre algunas o
todas las variables explicativas del modelo de
regresión
La multicolinealidad es una característica de la
muestra utilizada y no de los errores de estimación.
La multicolinealidad se puede presentar cuando:
Las variables explicativas no son linealmente
independientes.
No existen suficientes grados de libertad (n>k)
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
Multicolinealidad Perfecta: X 1=4X5
Cuando existe multicolinealidad perfecta, la matriz (X’X) es singular es
decir no se puede calcular su inversa debido a su determinante es cero con
lo cual se impide el calculo de los ßMCO.

Multicolinealidad Imperfecta: X 1=4X5+3x2+v

En el caso de la multicolinealidad imperfecta no se incumple con los
supuestos del MRLC, por lo que los ß MCO seguirán siendo consistentes e
insesgados ( y por lo tanto MELI), pero presentaran grandes errores
estándar. Si el objetivo es estimar ecuaciones de comportamiento en las
cuales es necesario tener ß confiables el problema seria grave, sin embargo
si el objetivo es realizar solo predicción la presencia de multicolinealidad
no seria necesariamente mala.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Multicolinealidad
Consecuencias de la multicolinealidad imperfecta severa

Los estimadores MCO presentaran varianzas y covarianzas

grandes, lo que hace difícil su estimación precisa
Los intervalos de confianza serán mas amplios por lo que
se tendera a aceptar mas fácilmente la hipótesis nula.
El R2 como medida global de la bondad de ajuste presentara
valores altos.
Los estimadores MCO y sus errores estándar pueden ser
bastante sensibles a pequeños cambios en la información.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
PERTURBACIONES ESFERICAS: Multicolinealidad
¿Cómo detectar la multicolinealidad?
 t’ s poco significativas y R2 alto: Con alta colinealidad entre variables,
los errores estándar estimados aumentarán mucho, reduciendo el valor de
las pruebas t.
Alta sensibilidad de los parámetros: El valor de los βmco y sus errores
estándar asociados se vuelven extremadamente sensibles al agregar u
omitir una observación (parámetros estimados poco robustos). Si se
reestima el modelo excluyendo una observación y se notan
grandes cambios en el valor y en el signo de los β’s estimados, será un
indicio de multicolinealidad.
Altas correlaciones entre los regresores: Si el coeficiente de correlación
simple, entre dos o mas regresores, es alto (mayor a 0.8) entonces la
multicolinealidad constituye un problema grave.
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
VIOLACIONES A LOS SUPUESTOS DEL
MLG
Multicolinealidad
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG
VIOLACIONES A LOS SUPUESTOS DEL
MLG