Conceptos Clave de Econometría: Multicolinealidad y Modelos de Datos Panel

Fuentes de la Multicolinealidad

Existen cuatro fuentes principales que originan la multicolinealidad en un modelo:

• Método de recolección de información.
• Modelo sobreestimado.
• Especificación del modelo.
• Restricción en el modelo.
• Representación en el modelo.

Mitos y Realidades sobre la Multicolinealidad

¿Los estimadores MCO son MELI a pesar de la multicolinealidad?

Falso. Si la relación lineal es exacta, no se puede estimar el modelo; la multicolinealidad debe ser imperfecta para que el modelo sea estimable.

¿Es posible evaluar la significancia individual con alta multicolinealidad?

Falso. En casos de alta multicolinealidad, no es posible evaluar con precisión la significancia individual de uno o más coeficientes de regresión parcial.

Relación entre el FIV y las varianzas de MCO

Falso. Entre mayor sea el Factor de Inflación de la Varianza (FIV), más grandes serán las varianzas de MCO. La fórmula es: Varianza = (1 / 1 - R²) * VIF.

Tolerancia vs. FIV

Falso. La tolerancia no es una medida superior al FIV, ya que son equivalentes (TOL = 1/VIF).

Datos Panel y Diferencias

¿Por qué no se pueden usar diferencias con cortes transversales independientes en dos años?

No es posible porque no se observan los mismos individuos en las primeras diferencias; al aplicar este método, se elimina la información de un individuo específico.

Modelos de Efectos Aleatorios (EA) y Efectos Fijos (EF)

Supuesto clave de efectos aleatorios

El estimador de efectos aleatorios es útil si asumimos que la heterogeneidad no observada no está correlacionada con los controles. El supuesto formal es: Cov(Xit, ai) = 0, donde ai está incorrelacionada con cada una de las variables de control.

Ventaja práctica de los efectos aleatorios

La principal ventaja es la capacidad de incluir variables que no cambian en el tiempo, lo cual es posible cuando N > T.

Test de Hausman

Cuando se rechaza la prueba de Hausman, implica que no se cumple el supuesto Cov(vi + ai) = 0. Solo se debe utilizar el modelo de efectos aleatorios si no se rechaza dicha prueba.

• H0 (r=0): Si es significativo, se rechaza a favor de efectos fijos (EF).
• H0 (r≠0): A favor de efectos fijos.

Derivación de Primeras Diferencias

Dada la ecuación yit = β0 + β1Xit + ai + uit con t=2:

yi2 = (β0 + δ0) + β1xi2 + ai + ui2
yi1 = β0 + β1xi1 + ai + ui1

Al restar ambas ecuaciones (primeras diferencias):
(yi2 - yi1) = (β0 + δ0) - β0 + β1(xi2 - xi1) + (ai - ai) + (ui2 - ui1)
Δyi = δ0 + β1Δxi + Δui

Detección de Correlación Serial

Para determinar si existe correlación serial, se sigue este proceso:

1. Estimar la regresión de MCO por datos agrupados y obtener los residuales ρit.
2. Correr la regresión simple por datos agrupados de ρit sobre ρit-1.
3. Calcular el estadístico t para el coeficiente en ρi, t-1 (puede ser robusto).