Multicolinearidade perfeita e seu modelo econométrico
Obtendo uma compreensão sobre multicolinearidade perfeita, o que é incomum, é mais fácil se você pode imaginar um modelo econométrico que utiliza duas variáveis independentes, como o seguinte:
Conteúdo
Suponha-se que, neste modelo,
Video: 06 Tópico 04 03 - Multicolinearidade
onde os alfas são constantes. Por substituição, você obtém
o que indica que o modelo entra em colapso e não pode ser estimado como originalmente especificado.
Video: 07 Tópico 05 02 - Heterocedasticidade
multicollinearity perfeito ocorre quando duas ou mais variáveis independentes em um modelo de regressão exibem um determinista (perfeitamente previsível ou não contendo qualquer aleatoriedade) relação linear.
O resultado da perfeita multicolinearidade é que você não pode obter quaisquer inferências estruturais sobre o modelo original usando dados de amostra para a estimativa. Em um modelo com multicolinearidade perfeita, seus coeficientes de regressão são indeterminados e seus erros padrão são infinitas.
multicollinearity perfeito usualmente ocorre quando os dados foram construídos ou manipulado pelo pesquisador. Por exemplo, você tem multicolinearidade perfeita se você incluir uma variável dummy para cada grupo possível, ou categoria de uma característica qualitativa em vez de incluir uma variável para todos, mas um dos grupos.
Na figura a seguir, STATA® é usado para criar uma variável que é uma combinação linear de uma outra variável. Em seguida, o gráfico das duas variáveis é plotado e inclui tanto deles como variáveis independentes em um modelo de regressão. Observe, entretanto, que os resultados não contêm estimativas dos parâmetros para ambas as variáveis. Obtenção de coeficientes de regressão individuais para cada variável é impossível se você tem multicolinearidade perfeita.
Video: Tópicos em Regressão linear: Multicolinearidade, Variáveis Dummy
A maioria dos programas de software econométricos identificar multicolinearidade perfeita e soltar um (ou mais) variáveis antes de fornecer os resultados da estimação, cuidar do problema para você. A boa notícia é que você pode evitar multicolinearidade perfeita, exibindo alguns cuidados na criação de variáveis e cuidadosamente escolher quais as que incluem como variáveis independentes.