ECONOMETRIA

Prof. Patricia Maria Bortolon, D. Sc.

Cap. 10 Multicolinearidade: o que

acontece se os regressores so
correlacionados?

Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.

Rio de Janeiro. Elsevier- Campus, 2006

 Premissa 10 do modelo de regresso linear clssico

que no h multicolinearidade entre os regressores.
1.
2.
3.
4.
5.

Qual a natureza da multicolinearidade?

A multicolinearidade realmente um problema?
Quais so as suas consequncias prticas?
Como possvel detect-las?
Que medidas prticas podemos tomar para amenizar o
problema da multicolinearidade?

Tambm examinaremos a premissa 7 (no. de

observaes da amostra deve ser maior que o nmero
de regressores) e a premissa 8 (deve haver suficiente
variabilidade nos valores dos regressores).

A natureza da multicolinearidade
Multicolinearidade perfeita
1 1 + 2 2 + + = 0
2

1 = 2 + X uma combinao
1
1
1

linear exata das demais

variveis

Multicolinearidade imperfeita
1 1 + 2 2 + + + = 0
2

1
1 = 2 +
1
1
1
X1 no mais uma combinao
linear exata porque tambm
determinada por um termo de
erro estocstico

A natureza da multicolinearidade
Multicolinearidade perfeita
Coeficientes indeterminados e erros padro infinitos

Multicolinearidade imperfeita
Coeficientes com erros padro grandes, ou seja, sero
estimados com pouca preciso

Lembrar de 7.4.12

2
2

o R2 da regresso de
Xj contra as outras variveis
explicativas

1
12

A natureza da multicolinearidade
Fontes de multicolinearidade
Mtodo de coleta de dados: coleta limitada a uma faixa de
valores dos regressores
Restries nos prprios dados: ex: empresas maiores tm
maior endividamento
Especificao do modelo: acrscimo de termos polinomiais
Modelo superdeterminado: muitas variveis para poucas
observaes
No caso de sries temporais quando os regressores tm uma
tendncia comum, ou seja, todos aumentam ou diminuem ao
longo do tempo

Estimao na presena de
multicolinearidade perfeita
3 = 2
= + 1 2 + 2 3 +
= + 1 2 + 2 (2 ) +
= + (1 + 2 )2 +
Esse valor ser estimado e no se poder
determinar 1 e 2 separadamente

Consequncias tericas da multicolinearidade

Os estimadores de MQO ainda so os melhores
estimadores no tendenciosos.
Ento qual o problema?
mais difcil estimar coeficientes com erros-padro
pequenos.
Mas isso tambm ocorre quanto h (i) poucas observaes e
(ii) variveis independentes com pequena varincia
Exemplo: = 1 + 2 + 3 +
Pessoas com renda elevada tm riqueza elevada
Para estimar precisaramos ter na amostra pessoas ricas com
renda baixa, e pessoas com renda alta e pouca riqueza
Aumentar a amostra pode ajudar

Consequncias prticas da multicolinearidade

1. Embora sejam melhores estimadores lineares no tendenciosos,
os estimadores de MQO tm grande varincia e covarincia,
tornando difcil uma estimao exata.
2. Em decorrncia de 1, os intervalos de confiana tendem a ser
mais amplos, facilitando a aceitao da hiptese nula igual a
zero
3. Tambm com efeito de 1, a razo t de um ou mais coeficientes
tende a ser estatisticamente insignificante
4. Embora a razo t de um ou mais coeficientes seja
estatisticamente insignificante, R2, a medida geral da qualidade
do ajustamento, pode ser muito alto.
5. Os estimadores MQO e seus erros-padro podem ser sensveis a
pequenas alteraes nos dados.

Consequncias prticas da multicolinearidade

Grandes varincias e covarincias dos estimadores
MQO
em: = 2 2 + 3 3 +
2 =

2
2 (1 2 )
2
23

3 =

2
2 (1 2 )
3
23

A varincia dos coeficientes aumenta a uma velocidade

1
igual a
2
(123 )

FIV = fator de inflao da varincia

2 =

2
2
2

3 =

2
2
3

Consequncias prticas da multicolinearidade

Grandes varincias e covarincias dos estimadores
MQO
1
=
2
(1 23
)
se r23 = 1 => FIV
se r23 = 0 => FIV 1
Quanto mais prximo de 1 melhor.

Ver figura 10.2.

Consequncias prticas da multicolinearidade

Grandes varincias e covarincias dos estimadores
MQO
2
1
=
2 1 2
2
=
2

Ou seja, a () depende de:

2 => deve haver variabilidade suficiente nos valores
assumidos pelos regressores (Premissa 8)
2. FIV
3. 2

1.

Consequncias prticas da multicolinearidade

Grandes varincias e covarincias dos estimadores
MQO
Tolerncia = inverso do FIV
1
=
= (1 2 )

Consequncias prticas da multicolinearidade

Intervalos de confiana mais amplos
Com intervalos mais amplos os dados amostrais podem ser
compatveis com um conjunto mais amplo de hipteses
Logo, a chance de aceitar uma hiptese nula sendo ela falsa
aumentada. Esse o erro do tipo II.

Consequncias prticas da multicolinearidade

Razes t insignificantes
A razo t

2
(2 )

que ser comparada com o tcrtico para

rejeio ou no da hiptese de que 2 = 0.

Com o aumento de (2 ) teremos razes t pequenas o que

torna mais difcil rejeitar H0: 2 = 0.

Consequncias prticas da multicolinearidade

Alto valor de R2, mas com poucas razes t
significativas
Com R2 alto => o teste F rejeitar H0: 1 = 2 = ... = k = 0,
ou seja, a regresso como um todo significativa mas com
poucos valores t significantes
um sintoma de multicolinearidade.

Rodar regresss em multi1.txt. Comando estat vif.

Deteco da Multicolinearidade
Kmenta: A multicolinearidade uma questo de grau,
e no de tipo
No h um mtodo nico para detect-la ou medir sua
fora. Temos alguma regras prticas:
1. R2 alto, mas com poucas razes t significativas.

Deteco da Multicolinearidade
2. Altas correlaes entre pares de regressores (> 0,8)

Problema: uma baixa correlao de ordem 0 no garante que no h

multicolinearidade
= 1 + 2 2 + 3 3 + 4 4 +
E imaginemos que 4 = 2 2 + 3 3
Ou seja, X4 uma combinao linear exata de X2 e X3, de modo que
2
4.23
= 1 o coeficiente de determinao da regresso X4 contra X2 e X3.
2
2

242 43 23
42
43
2
4.23 =
2
1 23
2
Mas como 4.23
= 1 devido colinearidade perfeita, obtemos:
2
2
42
+ 43
242 43 23
1=
2
1 23
Que pode ser satisfeita por r42=0,5, r43=0,5 e r23= -0,5, que so valores
no muito altos.
Ento, em modelos com mais de 2 variveis explanatrias a correlao
simples no um indicador infalvel da presena de multicolinearidade.
Ver comandos em correlaes.txt

Deteco da Multicolinearidade
3. Exame das correlaes parciais
4. Regresses auxiliares
1.
2.

Fazer a regresso de uma varivel explicativa com as demais

Se o teste F apontar significncia da regresso auxiliar, h
multicolinearidade
3. Se for significativo decidir se Xi deve ser mantido no modelo
Regra prtica de Klien: a multicolinearidade s ser um problema srio
se o R2 de todas as regresses auxiliares for maior que o R2 da regresso
de Y contra X. (como qualquer regra prtica use com cautela)
4. Tolerncia e fator de inflao da varincia:
Regra prtica: se o FIV > 10, o que acontece quando 2 > 0,90 diz-se
que essa varivel altamente colinear.

Ver comandos em correlaes.txt

Deteco da Multicolinearidade
Crtica: =

mostra que um FIV alto no

necessariamente implicar uma alta, pois este aumento pode ser

contrabalanado por 2 maior ou 2 menor.
Outra regra: quanto mais prxima de zero estiver a TOLj, maior o grau
de colinearidade dessa varivel com os demais regressores.

Ver comandos em correlaes.txt

Medidas Corretivas
No fazer nada
Blanchard: vontade divina
Se no posso estimar o coeficiente individualmente estimo
uma combinao linear dos mesmos, melhor que nada
= (1 + 2 )2 +

Excluso de variveis e vis de especificao

Excluir a varivel com correlao alta
Pode levar ao vis de especificao
Se a teoria estipula a varivel ela no deve ser retirada

Medidas Corretivas
Informaes a priori
Se trabalhos anteriores estipulam a relao entre os
coeficientes ele pode ser usado
Ex: se sabe-se que 3 = 0,102
= 1 + 2 2 + 3 3 +
= 1 + 2 2 + 0,102 3 +
= 1 + 2 (2 + 0,103 ) +
= 1 + 2 +

Medidas Corretivas
Transformao de variveis
Se a srie temporal
Ex: consumo, renda e riqueza => renda e riqueza podem
evoluir no tempo de forma semelhante levando correlao
= 1 + 2 2 + 3 3 +
Vale tambm em t-1:
1 = 1 + 2 21 + 3 31 +
Soluo: forma de primeira diferena
( 1 ) = 2 (2 21 ) + 3 (3 31 ) +
Problema: perda de
uma observao

Problema: este procedimento

no se aplica a dados
em corte transversal.

Problema: na maioria dos casos

correlacionado serialmente
violando a premissa 5

Medidas Corretivas
Transformao de variveis
Soluo: transformao proporcional

1
2

= 1
+ 2
2 + 3 +
3
3
3
3
Onde:
Yt = consumo
X2t = PNB
X3t = populao

Problema: esse termo de erro

ser heterocedstico

Medidas Corretivas
Dados adicionais ou novos
Testar outra amostra
Aumentar o tamanho da amostra
2
2 =
2
2
2
(1 23
)
Com o aumento da amostra
esse termo aumenta.

Outros mtodos
Anlise fatorial
Componentes principais

A multicolinearidade necessariamente
algo ruim?
Se o objetivo a previso, a mulicolinearidade no
ruim.
Se a estimao dos parmetros importante ento
teremos problemas.

Exemplo aplicado: os dados de Longley