Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 6 vistas

    Consulta Multicolinealidad

    Cargado por

    Joselyn Chasipanta
    La multicolinealidad ocurre cuando hay una alta correlación entre dos o más variables explicativas en un modelo econométrico, lo que dificulta estimar por separado los efectos individuales de cada variable. Existen varias soluciones como eliminar variables correlacionadas, agrupar variables, aplicar transformaciones matemáticas, o usar técnicas de regularización, pero cada una tiene beneficios y desventajas en términos de precisión y facilidad de interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Consulta Multicolinealidad

    Cargado por

    Joselyn Chasipanta
    6 vistas4 páginas
    La multicolinealidad ocurre cuando hay una alta correlación entre dos o más variables explicativas en un modelo econométrico, lo que dificulta estimar por separado los efectos individuales de cada variable. Existen varias soluciones como eliminar variables correlacionadas, agrupar variables, aplicar transformaciones matemáticas, o usar técnicas de regularización, pero cada una tiene beneficios y desventajas en términos de precisión y facilidad de interpretación.

    Descripción original:

    consulta d emulticolinealida

    Título original

    consulta Multicolinealidad

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La multicolinealidad ocurre cuando hay una alta correlación entre dos o más variables explicativas en un modelo econométrico, lo que dificulta estimar por separado los efectos individuales de cada variable. Existen varias soluciones como eliminar variables correlacionadas, agrupar variables, aplicar transformaciones matemáticas, o usar técnicas de regularización, pero cada una tiene beneficios y desventajas en términos de precisión y facilidad de interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    6 vistas4 páginas

    Consulta Multicolinealidad

    Cargado por

    Joselyn Chasipanta
    La multicolinealidad ocurre cuando hay una alta correlación entre dos o más variables explicativas en un modelo econométrico, lo que dificulta estimar por separado los efectos individuales de cada variable. Existen varias soluciones como eliminar variables correlacionadas, agrupar variables, aplicar transformaciones matemáticas, o usar técnicas de regularización, pero cada una tiene beneficios y desventajas en términos de precisión y facilidad de interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 4

    Multicolinealidad

    Nombre: Joselyn Allauca Materia: Econometría I


    ¿Qué es la multicolinealidad?
    La es una alta correlación que existe entre dos o mas variables explicativas en un
    modelo econométrico.
    ¿Principales características?
    Cuando se presenta multicolinealidad es muy difícil separar el efecto parcial de cada
    una de estas variables sobre la variable dependiente. La información muestral que
    incorpora una de estas variables es casi la misma que el resto de las correlacionadas con
    ella. Además, en el caso extremo de multicolinealidad exacta no es posible estimar
    separadamente estos efectos sino una combinación lineal de ellos.
    Tipos de multicolinealidad
    Multicolinealidad perfecta
    Una vez se obtenga la especificación del modelo y los datos de las variables, si
    por lo menos una de las variables explicativas se puede obtener como
    combinación lineal exacta de alguna o algunas de las otras variables, se dice que
    existe multicolinealidad exacta o perfecta.
    Multicolinealidad de grado alto
    Cuando hay un alta multicolinealidad en un modelo de regresión, es común
    encontrar las siguientes características:

    • Pequeños cambios en los datos o la especificación del modelo provocan


    grandes cambios en las estimaciones de los coeficientes.
    • Las estimaciones de los coeficientes pueden presentar signos distintos a
    los esperados y magnitudes poco razonables.
    • La existencia de alta multicolinealidad aumenta las varianzas de los
    coeficientes estimados por Mínimos Cuadrados Ordinarios (MCO).
    Como resultado, es difícil estimar de manera precisa los efectos
    marginales o individuales de cada variable explicativa, lo que conduce a
    estimaciones poco precisas.
    • Los contrastes de significatividad individual tienden a dar resultados no
    significativos debido a la falta de precisión en la estimación de los
    efectos individuales de las variables.
    • A pesar de tener valores bajos para los estadísticos t de significatividad
    individual, el R2 del modelo puede ser alto. Esto se debe a que la
    identificación del efecto individual de cada variable explicativa es el
    problema, no tanto su explicación en conjunto.
    Si se observan estos síntomas, es posible que la multicolinealidad esté afectando
    los resultados del análisis, especialmente en lo que respecta a la interpretación de
    los efectos individuales de cada variable explicativa. Es importante abordar estos
    problemas con cuidado y analizar adecuadamente los resultados sin llegar a
    conclusiones apresuradas. (Esteban González et al., 08-09)

    Detección
    1. Una estrategia inicial implica calcular los coeficientes de correlación muestral
    entre todas las combinaciones de variables independientes y luego analizar si
    hay una fuerte correlación entre ellas.
    2. Otra manera de identificar la multicolinealidad es a través de la regresión de
    cada variable independiente con respecto al resto de las variables. Al analizar los
    coeficientes de determinación (R2) de cada regresión, si alguno de estos
    coeficientes (R2j) es alto, podría indicar la posible presencia de un problema de
    multicolinealidad.
    3. En el estudio realizado por Neter et al. (1990), se proponen varios indicadores
    para evaluar el nivel de multicolinealidad entre las variables independientes de
    un modelo. Entre estos indicadores, destacan el Tolerancia (TOL) y el Factor de
    Inflación de la Varianza (VIF), los cuales se definen de la siguiente manera:

    (Esteban González et al., 08-09)


    Soluciones:
    Para solventar la multicolinealidad en un modelo de regresión, existen diversas
    soluciones, cada una con sus beneficios y desventajas. A continuación, se describen
    algunas de las estrategias más comunes:

    • Eliminación de variables: Una opción es eliminar una o varias variables


    explicativas altamente correlacionadas. Al eliminar las variables redundantes, se
    puede reducir la multicolinealidad y mejorar la interpretación de los coeficientes
    restantes.
    Beneficios: Simplifica el modelo y elimina la redundancia en las variables, lo
    que facilita la interpretación.
    Desventajas: Puede perder información importante al descartar variables que
    podrían tener un impacto significativo en el resultado.

    • Agrupación de variables: Otra estrategia es combinar variables correlacionadas


    para crear índices o variables compuestas que representen mejor la información
    conjunta.
    Beneficios: Reduce la multicolinealidad al reducir el número de variables
    originales.
    Desventajas: La interpretación de los coeficientes puede volverse más
    complicada al utilizar variables compuestas.

    • Transformación de variables: Se pueden aplicar transformaciones matemáticas a


    las variables para reducir la correlación entre ellas.
    Beneficios: Puede reducir la multicolinealidad sin perder información.
    Desventajas: La interpretación de los coeficientes transformados puede ser más
    compleja.

    • Regularización: Técnicas como la regresión ridge o la regresión LASSO pueden


    controlar la multicolinealidad al introducir una penalización en la estimación de los
    coeficientes.
    Beneficios: Ayuda a reducir la multicolinealidad y mejora la estabilidad de los
    coeficientes.
    Desventajas: La interpretación de los coeficientes se complica debido a la
    penalización.

    • Recolección de más datos: Si es posible, obtener más datos puede ayudar a reducir
    la multicolinealidad al aumentar la variabilidad de las variables explicativas.
    Beneficios: Puede mejorar la precisión de las estimaciones y reducir la
    multicolinealidad.
    Desventajas: Puede ser costoso o inviable obtener más datos.

    • Análisis de componentes principales (PCA): PCA es una técnica que permite


    transformar las variables originales en un conjunto de variables no correlacionadas
    (componentes principales) que explican la mayor parte de la varianza.
    Beneficios: Reduce la multicolinealidad al utilizar componentes principales no
    correlacionados.
    Desventajas: La interpretación de los componentes puede ser complicada.
    (Rodó, 2019)

    Bibliografia:
    Rodó, P. (Autor). Sevilla Arias, A. (Revisor). (18 junio 2019). Multicolinealidad.
    Economipedia. Recuperado de
    https://economipedia.com/definiciones/multicolinealidad.html
    Esteban González, M. V., Moral Zuazo, M. P., Orbe Mandaluniz, S., Regúlez Castillo,
    M., Zarraga Alonso, A., & Zubia Zubiaurre, M. (08-09). Econometría Básica Aplicada
    con Gretl. Recuperado de https://addi.ehu.es/bitstream/handle/10810/12496/08-
    09est.pdf

    También podría gustarte