Qué es la multicolinealidad?
La multicolinealidad es la aparición de altas intercorrelaciones entre dos o más variables independientes en un modelo de regresión múltiple. La multicolinealidad puede dar lugar a resultados sesgados o engañosos cuando un investigador o analista intenta determinar en qué medida cada variable independiente puede utilizarse con mayor eficacia para predecir o comprender la variable dependiente en un modelo estadístico.
En general, la multicolinealidad puede dar lugar a intervalos de confianza más amplios que producen probabilidades menos fiables en cuanto al efecto de las variables independientes en un modelo.
Puntos clave
- La multicolinealidad es un concepto estadístico en el que varias variables independientes de un modelo están correlacionadas.
- Se considera que dos variables son perfectamente colineales si su coeficiente de correlación es +/- 1.0.
- 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 construyen modelos de regresión múltiple que utilizan dos o más variables.
- La existencia de multicolinealidad en un conjunto de datos puede dar lugar a resultados menos fiables debido a los mayores errores estándar.
Comprender la multicolinealidad
Los analistas estadísticos utilizan modelos de regresión múltiple para predecir el valor de una determinada variable dependiente en función de los valores de dos o más variables independientes. La variable dependiente se denomina a veces variable de resultado, objetivo o criterio.
Un ejemplo es un modelo de regresión multivariante que intenta anticipar la rentabilidad de las acciones basándose en elementos como la relación precio-beneficio (P/E), la capitalización del mercado, los resultados anteriores u otros datos. La rentabilidad de las acciones es la variable dependiente y los distintos 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, los resultados anteriores pueden estar relacionados con la capitalización bursátil, ya que las acciones que han tenido un buen rendimiento en el pasado tendrán valores de mercado crecientes.
En otras palabras, puede existir multicolinealidad cuando dos variables independientes están muy correlacionadas. También puede ocurrir si una variable independiente se calcula a partir de otras variables del 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. Se puede realizar un análisis estadístico para estudiar la relación entre la variable dependiente especificada y una sola variable independiente.
Las inferencias estadísticas de un modelo que contiene multicolinealidad pueden no ser fiables.
Ejemplos de multicolinealidad
En la inversión
En el ámbito de la inversión, la multicolinealidad es una consideración común cuando se realiza un análisis técnico para predecir los probables movimientos futuros de los precios de un valor, como una acción o un futuro de una materia prima.
Los 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 los precios. En cambio, el análisis del mercado debe basarse en variables independientes muy diferentes para garantizar que analizan el mercado desde distintos puntos de vista analíticos independientes.
Un ejemplo de un posible problema de multicolinealidad es realizar un análisis técnico utilizando únicamente varios indicadores similares.
El célebre analista técnico John Bollinger, creador del indicador de las Bandas de Bollinger, señala que „una regla fundamental para el uso exitoso del análisis técnico es 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 hacen 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 Williams %R son indicadores de impulso que se basan en datos similares y es probable que produzcan resultados similares. En este caso, es mejor eliminar todos los indicadores menos uno o encontrar una forma de fusionar varios de ellos en un solo indicador, añadiendo también un indicador de tendencia que probablemente no esté muy correlacionado con el indicador de impulso.
En biología
La multicolinealidad también se observa en muchos otros contextos. Uno de estos 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.
Cómo se detecta la multicolinealidad?
Una técnica estadística llamada factor de inflación de la varianza (VIF) se utiliza para detectar y medir la cantidad de colinealidad en un modelo de regresión múltiple.
Cómo se puede tratar la multicolinealidad?
Para reducir la cantidad de multicolinealidad encontrada en un modelo, se pueden eliminar las variables específicas que se identifican como las más colineales. También puede intentar combinar o transformar las variables en cuestión para reducir su correlación. Si esto no funciona o no es posible, 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.
Qué es la colinealidad perfecta?
La colinealidad perfecta existe cuando hay una correspondencia exacta 1:1 entre dos variables independientes en un modelo. Puede tratarse de una correlación de +1.0 o -1.0.
Por qué la multicolinealidad es un problema?
La multicolinealidad es un problema porque produce resultados del modelo de regresión que son menos fiables. Esto se debe a los intervalos de confianza más amplios (errores estándar más grandes) que pueden reducir la importancia estadística de los coeficientes de regresión.