ECONOMETRA I

Prof. Manuel Otrola Bedoya

CUANDO NO SE CUMPLEN LOS REQUISITOS BSICOS PARA EL USO
DE LOS MNIMOS CUADRADOS ORDINARIOS

MODELOS ECONOMTRICOS CON

MULTICOLINEALIDAD SIGNIFICATIVA

DEFINICIN DE MULTICOLINEALIDAD
Textualmente significa mltiple relacin lineal entre las

variables predeterminadas o regresores

Siempre existe multicolinealidad, dado que las
variables predeterminadas siempre tienen relacin
entre s. Sin embargo no siempre esa relacin es
elevada tal que merezca la pena estudiarla.
Por eso se dice que la multicolinealidad no es un
asunto de existencia, sino de grado.
Tampoco representa un problema. Solo es una
caracterstica del modelo. El problema se da cuando
esta no se toma en cuenta.

CAUSAS DE LA MULTICOLINEALIDAD
CAUSA LGICA: Llamada tambin natural. Todas las
variables econmicas tienen relacin entre si y muchas veces
grande. Un modelo con elevada multicolinealidad no es
necesariamente malo si responde a objetivos claros y la lgica
econmica respalda la especificacin. Debe aprenderse a
convivir con la multicolinealidad si esta es lgica.

CAUSA POR ERROR: Sin embargo, si la multicolinealidad

existente no responde a los aspectos anteriormente
mencionados como lgicos, esta puede ser catalogada como
un error y el problema se debe solucionar corrigiendo el
modelo mal especificado. Ejemplos, exceso de variables sin
sustento lgico en una ecuacin, redundancia
en la
representacin de los efectos

CONSECUENCIAS DE LA MULTICOLINEALIDAD EN
LOS MODELOS QUE NO LA TOMAN EN CUENTA
Sobrevaluacin de las varianzas y covarianzas de

los coeficientes, dado que el determinante de la

matriz (XX) tiende a cero.
Prdida de precisin en la estimacin por intervalo
de los parmetros (porque est sobrevaluada)
Maximizacin de la probabilidad beta en las
pruebas de relevancia individual, dado que los
indicadores t-Student
y FWALD estarn
subvaluados.
Sobrevaluacin de los indicadores R y R ajustado
de la ecuacin.

CASO INEQUVOCO DE MULTICOLINEALIDAD

EXTREMADAMENTE ALTA
Indicadores de relevancia global exagerados: Ajustes
corregidos y sin corregir al 99% y estadstico F de
Fisher-Snedecor elevadsimo y significativo a ms del
99.99999% de confianza.
Indicadores de relevancia individual dbiles: Pruebas tStudent no significativas y contrastes complementarios
como FWALD y LR indicando falta de relevancia en la
sustraccin y redundancia respectivamente.
Tericamente lo anterior no debera darse en conjunto,
a menos por una situacin extrema de
multicolinealidad.

PASOS PARA UN EFECTIVO CONTRASTE DE

MULTICOLINEALIDAD
Existen diversos contrastes, todos expuestos en la literarura

economtrica sobre el particular. Pero ninguno es seguro,

por lo que se recomienda seguir dos pasos muy simples:
PASO N1: INDAGACION PREVIA.
Observar con
atencin los resultados del modelo estimado y tratar de
descubrir en estos, algunas contradicciones conducentes
a una sospecha de multicolinealidad.
PASO N2:
CONFIRMACION FINAL. Comparar los
resultados de relevancia individual del modelo con los
obtenidos en trminos netos. Si hay contradicciones, se
habr confirmado que hay fuerte multicolinealidad.

MTODOS PARA TRABAJAR CON

MULTICOLINEALIDAD
METODOS DE ELIMINACION

METODOS DE ATENUAMIENTO DE SUS

EFECTOS.
METODOS DE CONSIDERACION DE LA
MULTICOLINEALIDAD EN LA ESTIMACION.
METODOS DE CONSIDERACION DE LA

MULTICOLINEALIDAD EN EL ANALISIS DE
RESULTADOS.

MTODOS DE ELIMINACIN
Como su nombre lo seala, estos mtodos consisten

en eliminar la multicolinealidad de la ecuacin

mediante la eliminacin de los regresores colineales.
Solo deben emplearse cuando se trata de un caso de
multicolinealidad por error de especificacin, en
donde hay duplicidad de efectos. As eliminado uno
de los regresores que compiten al reprersentar un
efecto, se evita el problema.
Pero NUNCA debe eliminarse regresores solo porque
producen multicolinealidad, el resultado es peor:
estimadores sesgados y estimaciones erradas.

MTODOS DE ATENUAMIENTO
Estos mtodos pretenden que el modelo reduzca

su nivel de relacin entre sus regresores, mediante

algunas transformaciones aplicadas a los datos.
No son seguros. Es decir, puede que no logren su
cometido. Y si lo hacen, puede que incluso vayan en
contra del objetivo. Entre los ms conocidos estn:
Cambios en las unidades de las variables.
Cambios en la periodicidad de las variables.
Cambios en el tamao muestral.
Cambios en el tipo de serie.

MTODOS DE CONSIDERACIN EN LA ESTIMACIN

Estn basados en la puesta en prctica de

algunas variantes en el mtodo MCO, o en su

defecto, utilizar otros mtodos que tengan en
cuenta a la relacin entre los regresores,
como parte de la estimacin.
Como ejemplos tenemos:
Estimacin con el uso de informacin previa
Regresin ortogonal.
Estimacin cresta (mtodos de cordillera)

METODOS DE CONSIDERACION EN LOS RESULTADOS

Consisten en estimar la ecuacin que posee alta
multicolinealidad, pero no dejando que los
resultados generen falsas interpretaciones de los
verdaderos efectos individuales de las variables.
Un instrumento importante es aquel que apoya
la ecuacin estimada con todas sus variables, en
los datos netos hallados luego de estimar
ecuaciones bivariables anexas.
En sntesis, NO HACER NADA (con el modelo)
actuar ms bien con la cabeza empleando
criterio.