Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Una regla emprica, citada por Kleinbaum, consiste en considerar que existen
problemas de colinealidad si algn FIV es superior a 10, que corresponde a algn
R2i 0,9 y Ti < 0,1.
Aunque puede existir colinealidad con FIV bajos, adems puede haber colinealidades
que no impliquen a todas las variables independientes y que, por tanto, no son bien
detectadas por el FIV.
Otra manera, ms completa, de detectar colinealidad es realizar un anlisis de
componentes principales de las variables independientes. Esta tcnica es
matemticamente compleja y aqu se hace slo un resumen de la misma necesario
para entender el diagnstico de la colinealidad.
Se denominan componentes principales de un conjunto de variables a otras variables,
combinacin lineal de las originales y que tienen tres propiedades caractersticas:
i) son mutuamente independientes (no estn correlacionadas entre s).
ii) mantienen la misma informacin que las variables originales.
iii) tienen la mxima varianza posible con las limitaciones anteriores.
De hecho, para modelos predictivos los componentes principales son las variables
independientes ideales.
La varianza de cada componente principal es un autovalor (nmero asociado a una
matriz) de la matriz de varianzas-covarianzas de las variables originales.
El nmero de autovalores nulos indica el nmero de variables que son combinacin
lineal de otras (el nmero de colinealidades exactas) y autovalores prximos a cero
indican problemas graves de colinealidad.
El clculo de los autovalores permite, por lo tanto, determinar no slo la existencia de
colinealidad, sino tambin el nmero de colinealidades.
Para determinar cundo un autovalor pequeo est suficientemente prximo a cero se
usa su valor relativo con respecto al mayor, en este sentido, para cada autovalor se
define elndice de condicin como la raz cuadrada del cociente entre el mayor de ellos
y dicho autovalor y se denomina nmero de condicin al mayor de los ndices de
condicin.
Para Belsley ndices de condicin entre 5 y 10 estn asociados con una colinealidad
dbil, mientras que ndices de condicin entre 30 y 100 sealan una colinealidad
moderada a fuerte.
Ejemplo 10
Realizar el estudio de colinealidad en los datos del ejemplo 5, usando los FIV, los
ndices de condicin y la matriz de proporcin de descomposicin de la varianza de los
estimadores.
Realizando los anlisis de regresin de cada una de las variables independientes con
todas las dems, se obtienen los siguientes coeficientes de determinacin, tolerancia y
factores de inflacin de la varianza
Hay un ndice de condicin alto (50,781) y asociado con el mismo hay cinco variables
(el trmino constante, GRASAS, GRASA2, EDAD y GRAXED) con proporcin de varianza
alta.
Nos indica, por tanto, que GRASAS es colineal con GRASA2, GRAXED (no nos
sorprende), EDAD y con la constante.
Al existir esta ltima colinealidad, el centrado de variables podra mejorar el problema,
se podra tambin renunciar a estudiar los trminos no lineales GRASA2 y GRAXED.
Empecemos por centrar las variables continuas.
GRASAC = GRASAS - 39,7
EDADC = EDAD - 36,25
GRASC2 = GRASAC x GRASAC
GRXEDC = GRASAC x EDADC
GRXEJC = GRASAC x EJERC
y, para ellas, el diagnstico de colinealidad queda: