multicolinealidad
¿Qué es la multicolinealidad?
La multicolinealidad es la ocurrencia de altas intercorrelaciones entre dos o más variables independientes en un modelo de regresión múltiple. La multicolinealidad puede conducir a resultados sesgados o engañosos cuando un investigador o analista intenta determinar qué tan bien se puede usar cada variable independiente de manera más efectiva para predecir o comprender la variable dependiente en un modelo estadístico.
En general, la multicolinealidad puede generar intervalos de confianza más amplios que producen probabilidades menos confiables en términos del efecto de las variables independientes en un modelo.
Comprender la multicolinealidad
Los analistas estadísticos utilizan modelos de regresión múltiple para predecir el valor de una variable dependiente específica en función de los valores de dos o más variables independientes. La variable dependiente a veces se denomina variable de resultado, objetivo o criterio.
Un ejemplo es un modelo de regresión multivariable que intenta anticipar los rendimientos de las acciones en función de elementos como la relación precio-beneficio (relación P/E), la capitalización de mercado, el rendimiento anterior u otros datos. El rendimiento de las acciones es la variable dependiente y los diversos bits de datos financieros son las variables independientes.
La multicolinealidad en un modelo de regresión múltiple indica que las variables independientes colineales están relacionadas de alguna manera, aunque la relación puede ser casual o no. Por ejemplo, el desempeño pasado podría estar relacionado con la capitalización de mercado,. ya que las acciones que han tenido un buen desempeño en el pasado tendrán valores de mercado crecientes.
En otras palabras, la multicolinealidad puede existir cuando dos variables independientes están altamente correlacionadas. También puede ocurrir si una variable independiente se calcula a partir de otras variables en el conjunto de datos o si dos variables independientes proporcionan resultados similares y repetitivos.
Consideraciones Especiales
Una de las formas más comunes de eliminar el problema de la multicolinealidad es identificar primero las variables independientes colineales y luego eliminar todas menos una.
También es posible eliminar la multicolinealidad combinando dos o más variables colineales en una sola variable. A continuación, se puede realizar un análisis estadístico para estudiar la relación entre la variable dependiente especificada y una única variable independiente.
Las inferencias estadísticas de un modelo que contiene multicolinealidad pueden no ser confiables.
Ejemplos de multicolinealidad
En Invertir
Para invertir, la multicolinealidad es una consideración común cuando se realiza un análisis técnico para predecir probables movimientos futuros de precios de un valor, como una acción o un futuro de materias primas.
analistas de mercado quieren evitar el uso de indicadores técnicos que sean colineales en el sentido de que se basan en datos muy similares o relacionados; tienden a revelar predicciones similares con respecto a la variable dependiente del movimiento de precios. En cambio, el análisis de mercado debe basarse en variables independientes marcadamente diferentes para garantizar que analizan el mercado desde diferentes puntos de vista analíticos independientes.
Un ejemplo de un posible problema de multicolinealidad es realizar un análisis técnico solo con varios indicadores similares.
El destacado analista técnico John Bollinger, creador del indicador de las Bandas de Bollinger,. señala que "una regla cardinal para el uso exitoso del análisis técnico requiere evitar la multicolinealidad entre los indicadores". Para resolver el problema, los analistas evitan utilizar dos o más indicadores técnicos del mismo tipo. En su lugar, analizan un valor utilizando un tipo de indicador, como un indicador de impulso, y luego realizan un análisis separado utilizando un tipo de indicador diferente, como un indicador de tendencia.
Por ejemplo, el estocástico,. el índice de fuerza relativa (RSI) y el %R de Williams son todos indicadores de impulso que se basan en entradas similares y es probable que produzcan resultados similares. En este caso, es mejor eliminar todos menos uno de los indicadores o encontrar una manera de fusionar varios de ellos en un solo indicador, mientras se agrega un indicador de tendencia que probablemente no esté altamente correlacionado con el indicador de impulso.
en biología
La multicolinealidad también se observa en muchos otros contextos. Uno de esos contextos es la biología humana. Por ejemplo, la presión arterial de un individuo no es colineal con la edad, sino también con el peso, el estrés y el pulso.
Reflejos
La multicolinealidad es un concepto estadístico en el que se correlacionan varias variables independientes en un modelo.
La multicolinealidad entre variables independientes dará lugar a inferencias estadísticas menos fiables.
Es mejor utilizar variables independientes que no estén correlacionadas o sean repetitivas cuando se construyan modelos de regresión múltiple que utilicen dos o más variables.
Se considera que dos variables son perfectamente colineales si su coeficiente de correlación es +/- 1,0.
La existencia de multicolinealidad en un conjunto de datos puede generar resultados menos confiables debido a errores estándar más grandes.
PREGUNTAS MÁS FRECUENTES
¿Por qué la multicolinealidad es un problema?
La multicolinealidad es un problema porque produce resultados del modelo de regresión que son menos confiables. Esto se debe a intervalos de confianza más amplios ( errores estándar más grandes ) que pueden reducir la significación estadística de los coeficientes de regresión.
¿Cómo se puede lidiar con la multicolinealidad?
Para reducir la cantidad de multicolinealidad que se encuentra en un modelo, se pueden eliminar las variables específicas que se identifican como las más colineales. También puede intentar combinar o transformar las variables ofensivas para reducir su correlación. Si eso no funciona o es inalcanzable, existen modelos de regresión modificados que tratan mejor la multicolinealidad, como la regresión de cresta, la regresión de componentes principales o la regresión de mínimos cuadrados parciales.
¿Cómo se detecta la multicolinealidad?
Se utiliza una técnica estadística llamada factor de inflación de varianza (VIF) para detectar y medir la cantidad de colinealidad en un modelo de regresión múltiple.
¿Qué es la colinealidad perfecta?
La colinealidad perfecta existe cuando hay una correspondencia exacta de 1:1 entre dos variables independientes en un modelo. Esto puede ser una correlación de +1.0 o -1.0.
