Fundamentos de Regresión Múltiple y Multicolinealidad en Modelos Econométricos

Fundamentos de Regresión Múltiple

La regresión múltiple más sencilla involucra tres variables. Es fundamental recordar que el término lineal se refiere a la linealidad en los parámetros y no necesariamente en las variables.

Al igual que en el modelo de dos variables, la regresión múltiple es una herramienta eficaz para fines de predicción de media o predicción individual.

La Multicolinealidad: Definición y Supuestos

Un supuesto esencial del modelo clásico de regresión lineal es la ausencia de multicolinealidad entre las variables explicativas (X). En términos generales, esta ocurre cuando existe una relación lineal exacta o aproximadamente exacta entre dichas variables.

• Multicolinealidad perfecta: Relación lineal exacta entre variables.
• Multicolinealidad imperfecta: Relación lineal que incluye un error estocástico.

Este fenómeno se considera un problema únicamente cuando impide separar las influencias individuales de las variables explicativas sobre la variable dependiente (Y).

Fuentes de la Multicolinealidad

1. Método de recolección de la información.
2. Restricciones en el modelo o en la población objeto de muestreo.
3. Especificación del modelo (ej. modelos sobredeterminados con más variables que observaciones).
4. Tendencias comunes: las variables regresoras aumentan o disminuyen simultáneamente.

Consecuencias

• Los estimadores siguen siendo MELI (Mejores Estimadores Lineales Insesgados), pero presentan varianzas y covarianzas elevadas.
• Los intervalos de confianza son excesivamente amplios.
• Las razones t resultan no significativas.
• El coeficiente de determinación (R²) es alto, a pesar de la falta de significancia estadística individual.

Detección

1. R² elevada con pocas razones t significativas.
2. Altas correlaciones entre pares de regresoras.
3. Uso de regresiones auxiliares.
4. Examen de correlaciones parciales.
5. Diagramas de dispersión para evaluar la relación entre variables.

Estrategias de Corrección

1. Obtención de datos nuevos o adicionales.
2. Transformación de variables.
3. Combinación de información de corte transversal y series de tiempo.
4. Eliminación de variables: precaución con el sesgo de especificación, que surge al omitir variables relevantes del modelo.

¿Es la Multicolinealidad siempre un problema?

La gravedad de la multicolinealidad depende del objetivo del estudio:

• Para pronóstico o predicción: No es un problema grave; de hecho, una R² alta suele favorecer la capacidad predictiva del modelo.
• Para estimación de parámetros: Es un problema crítico, ya que genera grandes errores estándar en los estimadores, dificultando la inferencia confiable.