La multicolinealidad se refiere a una relación lineal perfecta o casi perfecta entre variables explicativas en un modelo de regresión lineal. Puede ocurrir cuando las variables están altamente correlacionadas o comparten tendencias comunes, lo que dificulta determinar la influencia individual de cada variable. Algunas fuentes comunes de multicolinealidad incluyen métodos de recolección de datos que producen valores similares de variables y especificaciones de modelos con más variables que observaciones. La multicolinealidad viola los supuestos de un modelo de regresión de que las

1. Multicolinealidad
Multicolinealidad significa
regresión lineal perfecta o
exacta entre una o todas las
variables explicativas

2. Naturaleza
• El término multicolinealidad se le atribuye a Ragnar Frish.
• Originalmente significó la existencia de una “PERFECTA” o
exacta relación entre algunas o todas las variables
explicativas.
• Hoy en día no necesariamente tiene que ser perfecta

3. Generalidades
• Es un hecho real que muchas de nuestras variables
explicativas son altamente colineales.
• La información no reunida bajo experimentos formales
algunas veces no ofrece mucha claridad sobre los
parámetros de interés

4. Grado de colinealidad

5. Fuentes de multicolinealidad
1. Métodos de recolección de información: Obtención de muestras
en un intervalo limitado de valores
2. Restricciones en el modelo o en la población objeto de muestreo
3. Especificación del modelo
4. Modelos sobre determinados: Cuando el modelo tiene más
variables explicativas que el número de observaciones.
5. Las variables del modelo comparten una tendencia en común: Es
que estos aumenten o disminuyen a lo largo del tiempo

6. Supuestos
• El supuesto No. 10
o No hay multicolinalidad perfecta: Es decir, no hay relaciones
perfectamente lineales entre las variables explícitas.
• El supuesto No. 7 y No. 8 son complementarios con el No. 10
o No. 7: El número de observaciones n debe ser mayor que el número de
parámetros por estimar. Alternativamente el número de observaciones n
debe ser mayor que el número de variables explícitas.
o No. 8: Variabilidad en los valores de X. No todos los valores de X en una
muestra dada deben ser iguales.

7. Consecuencias Teóricas de la Multicolinealidad
• Los modelos siguen siendo MELI
• Micronumerosidad. Relación con el tamaño de la muesta
• En las investigaciones falta atención al tamaño de la muestra
• Estimar cuando existe multicolinealidad perfecta, no permite desenredar las
influencias separadas de las X de las muestra dada y por ende obtener una
solución única para los coeficientes de regresión individual
• El defecto que presenta la multicolinealidad es obtener coeficientes de ee
demasiado grandes
• La multicolinealidad es un fenómeno muestral, en el sentido que en que aún
si las variables x no están linealmente relacionadas en la población, pueden
estarlo en la muestra particular disponible

8. Ejemplo
• La gente con mayor riqueza por lo general tiende a tener ingresos
más altos
• Puede suceder que cuando se tome la información, las variables
estén altamente correlacionadas
• Es difícil determinar la influencia individual de las variables

9. Ejemplo de detección de la multicolinealidad