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
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
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