Originalmente a multicolinearidade era entendida como a existência de uma relação linear
perfeita entre as variáveis, porém agora ela já foi expandida para abranger os casos em que as variáveis x estão intercorrelacionadas.
Correlação alta entre as variáveis explicativas.
Exemplos de multicolinearidade:
O que pode causar o problema de multicolinearidade?
> Faixa limitada de dados. > Restrições ao modelo, ou seja variáveis que impõe uma condição para outras variáveis. > Especificação de modelo. > Regressores com tendência comum. Sobem ou descem juntas.
● A multicolinearidade é realmente um problema?
Queremos saber o efeito marginal de uma determinada variável sobre Y ceteris paribus, se há multicolinearidade, quando uma variável aleatória varia, outra(s) também varia(m), tornando impossível separar o efeito da variável estudada sobre Y.
No caso de multicolinearidade perfeita, os coeficientes de regressão são incalculáveis e seus
erros padrão são infinitos. Quando temos por exemplo, uma variável X que possui uma relação linear perfeita com outro X, teremos 0/0, e será impossível calcular o coeficiente de regressão. A presença de um problema de multicolinearidade traz consequências para MQO, mas este continua sendo BLUE, best linear unbiased estimator. Não há problema de viés nos estimadores, nem de destruição da hipótese de variância mínima, as propriedades estatísticas de MQO continuam sendo válidas.
A multicolinearidade é um fenômeno amostra, mesmo que as variáveis não estejam
relacionadas linearmente entre si na população, elas podem estar na amostra.
● Quais são suas consequências práticas?
> Causará grande variância e covariância dos estimadores. Estimação imprecisa.
Devido a isso os intervalos de confiança tendem a ser muitos mais amplos, facilitando a aceitação da hipótese nula. Da mesma forma, a razão t do coeficiente tende a ser mais insignificante.
> Pode causar um R² artificialmente alto, uma vez que um aumento no número de variáveis sempre aumenta o R² ou pelo menos não o altera.
> Os estimadores de MQO podem ser sensíveis a pequenas alterações nos dados. Nesse caso, caso haja uma correlação nula entre x2 e x3, a variância vai ser igual ao erro padrão sobre o somatório da variável ao quadrado. Porém se houver correlação perfeita, a base tenderá a 0, levando a variância para o infinito.
● Como se detecta isso?
A velocidade com que a variância e a covariância aumenta pode ser vista a partir do fator de inflação da variância o FIV:
Também temos o TOL, que é basicamente 1 sobre o FIV, 1/FIV.
Há algumas maneiras práticas de se detectar a multicolinearidade, dentre elas:
> Um R² alto embora haja poucas estatísticas t significantes.
> Altas correlações entre pares de regressores, no entanto esse fator não abrange a relação entre mais de duas variáveis . > Exame de correlações parciais
> Regressões auxiliares: Uma vez que a multicolinearidade surge quando um X possui uma relação linear muito forte com um ou mais outros X, uma forma de detectar qual variável X está relacionada com qual outra variável X é rodando uma regressão para cada X em função dos outros X e calcular o R² de cada! Exemplo: É um teste F, no qual a hipótese nula é que o X testado não é colinear com os demais, já a hipótese alternativa é que X testado é colinear com os demais. Se você rejeita H0 então há correlação entre essa variável testada e as demais variáveis do seu modelo.
Em geral, apenas haverá problema de multicolinearidade se o R² encontrado na regressão
auxiliar for maior que o R² encontrado na regressão geral.
> FIV e TOL: Um FIV maior que 10 pode começar a sinalizar multicolinearidade, e um TOL perto de 0 também pode indicar.
● Que medidas corretivas podem ser tomadas para aliviar o problema de
multicolinearidade?
> Pode-se simplesmente não fazer nada, uma vez que a multicolinearidade é um problema amostral e não de MQO em si. Como alguns problemas não são possíveis de serem corrigidos, mas se a multicolinearidade não for muito forte, também não haverá grandes problemas.
> Pode-se usar um conhecimento a priori para designar relações lineares entre as variáveis, possibilitando que transformemos a variável que causa problemas em uma nova variável:
> Combinando dados de corte transversal e séries temporais. Suponha que queremos estimar uma regressão de séries temporais, porém temos a expectativa que haverá multicolinearidade entre os termos da regressão, para resolver esse problema podemos fazer uma proxy para estimar uma das variáveis por meio de corte transversal, depois usamos esse valor obtido para subtrair do Y da nova equação e retirar a variável, assim teremos excluído uma variável, mas levado em conta seu efeito sobre Y. >Exclusão de variável(is): Isso é arriscado pois pode causar vício em MQO, enquanto a multicolinearidade não o causa.
> Transformação de variáveis: Para contornar esse problema de multicolinearidade, podemos
usar o processo de transformação de variáveis, na qual usamos a série de um período anterior para subtrair com a do momento analisado, com isso criamos novas variáveis. Essa técnica é conhecida como técnica de primeiras diferenças, na qual as novas variáveis são expressas em termos da diferença entre o valor na variável no período com a do valor da mesma em um período anterior.
A vantagem de usar esse método é que as séries temporais são não estacionárias, e por isso possuem variância muito alta, por meio da utilização da técnica de primeiras diferenças, transformamos a série um uma estacionária.
Existem outras formas além da técnica de primeiras diferenças, como por meio da divisão de todos os termos da regressão por uma variável específica.
Um problema do uso de transformação de variáveis é que algumas vezes podemos estar
dependendo da variação do erro ao longo do tempo, e caso o erro do presente esteja relacionado com o erro do passado passaremos a quebrar algumas hipóteses de MQO.
> Aumento do número de dados: A medida que a amostra aumenta a variância dos estimadores tende a diminuir.
Para predição e previsão a multicolinearidade não necessariamente é um problema, no entanto
para fazer teste de hipóteses elas passam a representar empecilhos.
