Beruflich Dokumente
Kultur Dokumente
DW
n i2
, 0 DW 4
i
e 2
Heterocedasticidad:
Consecuencias de la heterocedasticidad:
Perturbaciones autocorrelacionadas:
¿Qué es la multicolinealidad?
Los coeficientes pueden parecer insignificantes incluso cuando exista una relación
significativa entre el predictor y la respuesta.
Los coeficientes de los términos muy correlacionados incluso pueden tener el signo
equivocado.
Si está ajustando polinomios, reste la media del predictor a los valores de los predictores.
Elimine del modelo los predictores muy correlacionados. Puesto que suministran
información redundante, su eliminación no suele reducir drásticamente el R2. Considere
usar la regresión escalonada, la regresión de los mejores subconjuntos o el conocimiento
especializado del conjunto de datos para eliminar estas variables.
Por ejemplo, un fabricante de juguetes desea predecir la satisfacción del cliente e incluye
"resistencia" y "falta de roturas" como variables predictoras en el modelo de regresión.
El investigador determina que estas dos variables tienen una fuerte correlación negativa
y un FIV mayor que 5. En este punto, el investigador podría intentar eliminar cualquiera
de las dos variables. El investigador también podría usar o Análisis de los componentes
principales para usar estas variables relacionadas para crear un componente de
"durabilidad".
Existen una serie de métodos para corregir este problema. Es importante señalar que si
nuestro modelo es predictivo (no estructural) la multicolinealidad no se consideraría un
problema ya que la relación entre variables puede mantenerse en el futuro. Las técnicas
más utilizadas si queremos solucionar esto son:
Eliminar variables: el hecho de suprimir variables puede acabar con el problema, pero
cuidado, tenemos que tener en cuenta si el hecho de omitirlas puede ser un problema más
grave por su relevancia.
2. Cuando los modelos tienen más de dos variables explicativas los coef de correlación
de orden cero no son una herramienta segura para determinar si existe o no
multicolinealidad, a diferencia si hay solo 2 variables. explicativas donde si lo son.
Sesgo de especificación: