PACTICA DE MULTICOLINEALIDAD

PRACTICA DE MULTICOLINEALIDAD
Dependent Variable: TRATAMIENTOS
Method: Least Squares
Date: 05/02/06 Time: 16:49
Sample: 1 52
Included observations: 52
Variable Coefficient Std. Error t-Statistic Prob.
C 589.0181 354.6794 1.660706 0.1033
G_RIESGO 0.135640 0.056686 2.392816 0.0207
POBLACION -0.005473 0.003800 -1.440226 0.1563
RENTA 0.001550 0.001255 1.235633 0.2226
R-squared 0.972690 Mean dependent var 7050.991
Adjusted R-squared 0.970984 S.D. dependent var 9295.738
S.E. of regression 1583.457 Akaike info criterion 17.64641
Sum squared resid 1.20E+08 Schwarz criterion 17.79651
Log likelihood -454.8067 F-statistic 569.8737
Durbin-Watson stat 1.097095 Prob(F-statistic) 0.000000
1) Detección de Multicolinealidad
1) matriz de correlaciones
Seleccionar las variables explicativas ⇒ open as group ⇒ view ⇒
correlations
RENTA POBLACION G_RIESGO
RENTA 1.000000 0.989643 0.994350
POBLACION 0.989643 1.000000 0.997783
G_RIESGO 0.994350 0.997783 1.000000
2) Determinante de la matriz de correlaciones:
Det c = 0 multicolinealidad
Det c =1 no multicolinealida
Para calcular esto en el Eviews
- Guardar el grupo de las exógenas (group01)
- Sym cor = @cor(group01)
- Scalar detcor = @det(cor)

2) Regresiones auxiliares y Contraste de Farrar Glauber
Se trata de estimar la regresión auxiliar
Dependent Variable: RENTA
Method: Least Squares
Date: 05/02/06 Time: 17:23
Sample: 1 52
Included observations: 52
Variable Coefficient Std. Error t-Statistic Prob.
C 8456.515 40364.59 0.209503 0.8349
POBLACIÓN -1.072825 0.404600 -2.651569 0.0108
G_RIESGO 32.63488 4.463243 7.311921 0.0000
R-squared 0.990146 Mean dependent var 1274865.
Adjusted R-squared 0.989743 S.D. dependent var 1780180.
S.E. of regression 180287.4 Akaike info criterion 27.09845
Sum squared resid 1.59E+12 Schwarz criterion 27.21103
Log likelihood -701.5598 F-statistic 2461.708
Durbin-Watson stat 1.575716 Prob(F-statistic) 0.000000
R2=0.990
Fav=2461,78
Tanto el R2 como el Fav indican la presencia de multicolinealidad aproximada
de alto grado.
2) Corregir el problema de multicolinealidad
Parece ser que la variable población es la causante de la multicolinealida. Para
solucionar el problema estimamos el siguiente modelo:
( Tratamientos / pob) = β + β ( renta / pob) + β ( G _ riesgo / pob) +
u
i 1 1 i 1
i i

Dependent Variable: TRATAMIENTOS/POBLACION
Method: Least Squares
Date: 05/02/06 Time: 17:26
Sample: 1 52
Included observations: 52
Variable Coefficient Std. Error t-Statistic Prob.
C -0.013833 0.002762 -5.008580 0.0000
RENTA/POBLACIÓN 0.003158 0.001080 2.923004 0.0052
G_RIESGO/POBLAC
IÓN
0.215306 0.038798 5.549416 0.0000
R-squared 0.587790 Mean dependent var 0.008416
Adjusted R-squared 0.570965 S.D. dependent var 0.002671
S.E. of regression 0.001750 Akaike info criterion -9.802674
Sum squared resid 0.000150 Schwarz criterion -9.690102
Log likelihood 257.8695 F-statistic 34.93578
Durbin-Watson stat 1.677384 Prob(F-statistic) 0.000000
Sobre el modelo resultante volveremos a analizar si todavía presenta
problemas de multicolinealidad:
GENERAMOS LAS VARIABLES TRANSFORMADAS:
En El Menu Del Archivo De Trabajo⇒Gen
Escribimos
G_RIESGO=G_RIESGO/POBLACIÓN
RENTAC=RENTA/POBLACIÓN
Matriz de correlaciones
G_RIESGOC RENTAC
G_RIESGOC 1.000000 0.468462
RENTAC 0.468462 1.000000
Se observa que la matriz de correlaciones de las variables transformadas
presenta correlaciones relativamente bajas. Por tanto, parece que el problema está
solucionado.
Det de la matriz de correlaciones
- Guardar el grupo de las exógenas transformadas (group02)

- Sym cor2 = @cor(group02)
- Scalar detcor2 = @det(cor2)
Det =0,788 diferente de cero y bastante más grande que el calculado
anteriormente
N_condicoón=1,66