¡Descarga Multicolinealidad y más Apuntes en PDF de Estadística solo en Docsity! Multicolinealidad Consecuencias más importantes del incumplimiento de las hipótesis La multicolinealidad se produce cuando hay relación entre las variables independientes del modelo. Aunque difícilmente habrá una correlación perfecta (no podrían estimarse los parámetros del modelo), la presencia de multicolinealidad inexacta o imperfecta indica que las variables independientes están compartiendo información y a la hora de utilizarlas para predecir una variable dependiente se produce un fenómeno de redundancia: estamos usando varias veces lo mismo para pronosticar algo. Esto se traduce en una mayor imprecisión en las estimaciones. La solución sería proponer un modelo en el que las variables independientes no l ió ( áli i d i i l )presentaran re ac n an s s e componentes pr nc pa es . Sección Departamental de Estadística e I.O. II. EUEE Consecuencias de la presencia de multicolinealidad: • Alguno o todos los coeficientes del modelo son no significativos de manera i di id l l d l lt i ifi ti l fi i t dn v ua pero e mo e o resu a s gn ca vo y e coe c en e e determinación alto. Esta consecuencia se suele usar como método para sospechar la presencia de multicolinealidad • Los coeficientes de correlación simple entre pares de variables, son grandes, mayores de 0,7-0,8. Esta consecuencia también se usa como indicio de multicolinealidad. En todo caso es una condición suficiente pero i d í b j i l lti li lid dno necesar a ya que po r an ser a os s a mu co nea a no es por parejas sino por grupos. • El modelo es poco estable, gran fluctuación de las estimaciones. Sección Departamental de Estadística e I.O. II. EUEE Construcción del modelo de regresión: Regresión por pasos En la estimación de un modelo de regresión podemos introducir inicialmente todas las variables independientes y posteriormente depurar el modelo li i d l i bl i ifi i D b li i l i ble m nan o as var a es no s gn cat vas. e en e m narse as var a es una a una: eliminamos la primera variable no significativa y reestimamos el modelo con el resto de variables. Si de esta forma conseguimos un modelo en el que todas las variables sean significativas obtendríamos una ecuación de regresión válida. En caso contrario, tendríamos que eliminar la siguiente variable no significativa. El proceso termina cuando todas las variables son estadísticamente significativas. Otra forma de proceder es la estimación del modelo “PASO A PASO” Es un procedimiento de estimación en el que se van introduciendo en el modelo las variables independientes, paso a paso, hasta completar el mejor modelo posible. S d d l d ió li l i l l i bl i d die parte e un mo e o e regres n nea s mp e con a var a e n epen ente más correlacionada con la variable dependiente. A este modelo se le van añadiendo, una a una, el resto de variables independientes. Las variables que entran en la ecuación tienen que satisfacer un “criterio de entrada” que garantice un incremento de la variabilidad explicada de la variable dependiente que sea significativo. Es importante tener en cuenta que en cualquiera de los pasos del proceso hay la posibilidad de extraer una variable que anteriormente se había introducido. Por ejemplo, supongamos que en los pasos anteriores se habían introducido las variables X4 y X6. Cuando introduce, por ejemplo, X2, si el procedimiento observa que consigue mejores resultados sacando del modelo la variable X4 que fue la, variable introducida en primer lugar, el modelo final incluiría como variables independientes a X6 y X2. El proceso se detiene cuando no entra ni sale ninguna i bl á l d l Sección Departamental de Estadística e I.O. II. EUEE var a e m s en e mo e o.
