Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


Problema de Multicolinealidad en Econometría: Causas y Consecuencias, Guías, Proyectos, Investigaciones de Introducción a la Econometría

El documento discute sobre el problema de multicolinealidad en econometría, una situación en la que muchas variables explicativas presentan un alto grado de colinealidad. Se explica cómo detectar este problema y sus consecuencias, como estimaciones imprecisas y amplios intervalos de confianza. Se mencionan diferentes fuentes de multicolinealidad y se presentan varias medidas correctivas.

Tipo: Guías, Proyectos, Investigaciones

2020/2021

Subido el 18/02/2022

juansebastian-machado-castro
juansebastian-machado-castro 🇨🇴

3 documentos

1 / 6

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
ECONOMETRÍA D.GUJARATI - CAPITULO 10
Paula Juliana Gómez Giraldo - 1420191023
Diego Alejandro Fierro Monroy - 1420191002
Sebastian Machado Castro - 1320192007
Tanto en los libros de texto de econometría como en la bibliografía aplicada, existe
un problema o error econométrico latente, que es el “problema de multicolinealidad”.
Esto expone el hecho de que muchas variables explicativas presentan un alto grado
de colinealidad, pero de la misma manera resulta muy claro que existen diseños
experimentales de matriz de datos que serían mucho más convenientes que los
diseños que proporciona la experimentación natural o la muestra disponible.
El problema de la multicolinealidad hace referencia a la existencia de relaciones
lineales entre las variables explicativas del modelo de regresión. En los datos de
series de tiempo, puede ser que las regresoras del modelo compartan una
tendencia común; es decir, que todas aumenten o disminuyan a lo largo del tiempo.
Por ejemplo, en la regresión del total del consumo sobre el ingreso, la riqueza y la
población, las regresoras ingreso, riqueza y población tal vez todas crezcan con el
tiempo a una tasa aproximadamente igual, con lo cual se presentaría la colinealidad
entre dichas variables.
No es nada constructivo poner queja y apelación de la aparente mala voluntad de la
naturaleza, y de los llamados remedios de ad hoc para un mal diseño como una
regresión por pasos o una regresión en cadena pueden ser desastrosamente
inapropiados. Siempre será mucho más viable aceptar que los datos que no se
recopilaron mediante experimentos diseñados y que a veces no proporcionan
mucha información sobre los parámetros de interés. Todo apunta al supuesto del
modelo clásico de regresión lineal que plantea que no existe multicolinealidad entre
las regresoras incluidas en el modelo de regresión.
pf3
pf4
pf5

Vista previa parcial del texto

¡Descarga Problema de Multicolinealidad en Econometría: Causas y Consecuencias y más Guías, Proyectos, Investigaciones en PDF de Introducción a la Econometría solo en Docsity!

ECONOMETRÍA D.GUJARATI - CAPITULO 10

Paula Juliana Gómez Giraldo - 1420191023

Diego Alejandro Fierro Monroy - 1420191002

Sebastian Machado Castro - 1320192007

Tanto en los libros de texto de econometría como en la bibliografía aplicada, existe un problema o error econométrico latente, que es el “problema de multicolinealidad”. Esto expone el hecho de que muchas variables explicativas presentan un alto grado de colinealidad, pero de la misma manera resulta muy claro que existen diseños experimentales de matriz de datos que serían mucho más convenientes que los diseños que proporciona la experimentación natural o la muestra disponible. El problema de la multicolinealidad hace referencia a la existencia de relaciones lineales entre las variables explicativas del modelo de regresión. En los datos de series de tiempo, puede ser que las regresoras del modelo compartan una tendencia común; es decir, que todas aumenten o disminuyan a lo largo del tiempo. Por ejemplo, en la regresión del total del consumo sobre el ingreso, la riqueza y la población, las regresoras ingreso, riqueza y población tal vez todas crezcan con el tiempo a una tasa aproximadamente igual, con lo cual se presentaría la colinealidad entre dichas variables. No es nada constructivo poner queja y apelación de la aparente mala voluntad de la naturaleza, y de los llamados remedios de ad hoc para un mal diseño como una regresión por pasos o una regresión en cadena pueden ser desastrosamente inapropiados. Siempre será mucho más viable aceptar que los datos que no se recopilaron mediante experimentos diseñados y que a veces no proporcionan mucha información sobre los parámetros de interés. Todo apunta al supuesto del modelo clásico de regresión lineal que plantea que no existe multicolinealidad entre las regresoras incluidas en el modelo de regresión.

En términos matriciales el problema de multicolinealidad se aborda a partir del comportamiento de la matriz de regresores. La condición de que el rango de la matriz coincida con el número de variables explicativas del modelo permite la obtención de estimaciones más o menos precisas de sus parámetros. Sin embargo cuando el rango de dicha matriz sea menor que el número de regresores no se

podrán estimar los parámetros porque la matriz no será invertible.

¿Cómo detectar la multicolinealidad? Siendo un problema de tipo muestral, no hay estadísticas específicas aplicables para su detección. Pero, se han desarrollado reglas prácticas formales y otras informales para determinar cómo afecta la estimación y contraste del modelo y qué variable o variables son las causantes del mismo:

  1. Un coeficiente de determinación elevado con pocos estadísticos t-Student significativos.
  2. Altas correlaciones de orden cero entre las variables explicativas.
  3. Regresiones auxiliares.
  4. Factor de agrandamiento de la varianza
  5. El número de condiciones El término multicolinealidad se atribuye a Ragnar Frisch.3 Originalmente, designaba una relación lineal “perfecta” o exacta entre algunas o todas las variables explicativas de un modelo de regresión, hoy en día, sin embargo, el término multicolinealidad incluye el caso de multicolinealidad perfecta, como lo indica y también el caso en el cual hay X variables intercorrelacionadas pero no en forma

insesgadas y sus errores estándar se estimaron en la forma correcta. El único efecto de la multicolinealidad tiene que ver con la dificultad de obtener los coeficientes estimados con errores estándar pequeños. Sin embargo, se presenta el mismo problema al contar con un número reducido de observaciones o al tener variables

independientes con varianzas pequeñas.

Para referirse a la importancia del tamaño de la muestra, Goldberger acuñó el término micronumerosidad, como contraparte del exótico nombre polisílabo de multicolinealidad. De acuerdo con Goldberger, la micronumerosidad exacta (la contraparte de multicolinealidad exacta) surge cuando n, el tamaño de la muestra, es cero, en cuyo caso es imposible cualquier clase de estimación. La casi micronumerosidad, igual que la casi multicolinealidad, surge cuando el número de observaciones escasamente excede al número de parámetros que se va a estimar. Leamer, Achen y Goldberger están en lo correcto al lamentar la falta de atención al problema del tamaño de la muestra, lo mismo que al problema de multicolinealidad. Por desgracia, en el trabajo aplicado que comprende información secundaria (es decir, información recopilada por alguna institución, como la información del PNB recopilada por el gobierno), es posible que un investigador por sí solo no pueda hacer gran cosa sobre el tamaño de la información muestral, y quizá deba enfrentar “la estimación de problemas lo bastante importantes para justifi car su tratamiento [por ejemplo, la multicolinealidad] como una violación del modelo CRL [clásico de regresión lineal]” Existen diversas fuentes de multicolinealidad y puede deberse a los siguientes factores:

  1. El método de recolección de información.
  2. Restricciones en el modelo o en la población objeto de muestreo.
  1. Especificación del modelo.
  2. Un modelo sobre determinado. (el modelo tiene más variables explicativas que el número de observaciones). CONSECUENCIAS DE LA MULTICOLINEALIDAD El único efecto de la multicolinealidad tiene que ver con la dificultad de obtener los coeficientes estimados con errores estándar pequeños. En los casos de casi o alta multicolinealidad es probable que se presenten las siguientes consecuencias:
  3. Los estimadores presentan varianzas y covarianzas grandes que dificultan la estimación precisa.
  4. Los intervalos de confianza tienden a ser mucho más amplios, lo cual propicia una aceptación más fácil de la “hipótesis nula cero”.
  5. La razón t de uno o más coeficientes tiende a ser estadísticamente no significativa.
  6. La medida global de bondad de ajuste, puede ser muy alta.
  7. Los estimadores de MCO y sus errores estándar son sensibles a pequeños cambios en los datos. Siempre que la multicolinealidad no sea perfecta, es posible la estimación de los coeficientes de regresión; sin embargo, las estimaciones y sus errores estándar se tornan muy sensibles aun al más ligero cambio de los datos. Detección de la multicolinealidad La multicolinealidad es una cuestión de grado y no de clase. La distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados. La multicolinealidad