You are on page 1of 4

PRACTICA DE MULTICOLINEALIDAD

Dependent Variable: TRATAMIENTOS Method: Least Squares Date: 05/02/06 Time: 16:49 Sample: 1 52 Included observations: 52 Variable C G_RIESGO POBLACION RENTA R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 589.0181 0.135640 -0.005473 0.001550 0.972690 0.970984 1583.457 1.20E+08 -454.8067 1.097095 Std. Error 354.6794 0.056686 0.003800 0.001255 t-Statistic 1.660706 2.392816 -1.440226 1.235633 Prob. 0.1033 0.0207 0.1563 0.2226 7050.991 9295.738 17.64641 17.79651 569.8737 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

1) Detección de Multicolinealidad
1) matriz de correlaciones Seleccionar las variables explicativas ⇒ open as group ⇒ view ⇒ correlations
RENTA RENTA POBLACION G_RIESGO 1.000000 0.989643 0.994350 POBLACION G_RIESGO 0.989643 1.000000 0.997783 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) Corregir el problema de multicolinealidad Parece ser que la variable población es la causante de la multicolinealida. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 8456.708 0.000000 Mean dependent var S.990 Fav=2461. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) R2=0.311921 Prob.209503 -2.4 1.404600 4.0108 0. 1780180.5598 1.575716 Std.072825 32.651569 7.21103 2461.2) 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 C POBLACIÓN G_RIESGO R-squared Adjusted R-squared S.59 0.59E+12 -701.E.8349 0.515 -1.0000 1274865.989743 180287. 0.09845 27. 27.78 Tanto el R2 como el Fav indican la presencia de multicolinealidad aproximada de alto grado.63488 0.463243 t-Statistic 0.990146 0. Error 40364.D. Para solucionar el problema estimamos el siguiente modelo: (Tratamientos / pob)i = β1 + β1 (renta / pob)i + β1 (G _ riesgo / pob)i + ui .

dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 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 G_RIESGOC RENTAC 1.215306 0.690102 34.E.013833 0.002671 -9.677384 Std.D.923004 5.0052 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.001080 0.000000 0.802674 -9.468462 1. Por tanto.000000 Mean dependent var S.008416 0. Det de la matriz de correlaciones Guardar el grupo de las exógenas transformadas (group02) .8695 1.0000 0.570965 0. Error 0.93578 0.003158 0.008580 2.038798 t-Statistic -5.0000 0.587790 0. parece que el problema está solucionado.468462 RENTAC 0. 0.001750 0.Dependent Variable: TRATAMIENTOS/POBLACION Method: Least Squares Date: 05/02/06 Time: 17:26 Sample: 1 52 Included observations: 52 Variable C RENTA/POBLACIÓN G_RIESGO/POBLAC IÓN R-squared Adjusted R-squared S.549416 Prob.000000 Se observa que la matriz de correlaciones de las variables transformadas presenta correlaciones relativamente bajas.000150 257.002762 0.

66<20 no multicolinealidad .- 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.