Hola a todos de nuevo. En esta entrada os presento una compañera de trabajo que normalmente acompaña a todos los/las analistas. Es una compañera un poco pesada pero suele ayudarnos a simplificar mucho las cosas cuando tenemos que enfrentarnos al análisis de una cantidad ingente de variables. Se llama Multicolinealidad y es hija directa de la Regresión Múltiple.
Casi todos lo analistas están acostumbrados a encontrarse con cantidades ingentes de información redundante, esto es, información que aparece en una u otra fuente de maneras diferentes pero que básicamente es la misma. En el análisis cualitativo, para un analista entrenado, resulta casi instintivo saber lo que debes descartar. Pero no es tan sencillo cuando tenemos que lidiar con información cuantitativa o análisis estadístico.
Muchas veces, cuando tenemos una variable que queremos explicar mediante otras, casi de manera automática realizamos una regresión simple de la variable a explicar con cada una de las variables explicativas. Observamos el coeficiente de determinación y los residuos para decidir si la variable es o no es significativa. Hasta aquí todo bien. Pero seguramente os habrá pasado más de una vez que una variable que en la regresión simple daba como significativa, a la hora de hacer la regresión múltiple (en la que se incluyen todas las variables explicativas) nos aparece como no significativa. ¿Qué está pasando?
Lo que está pasando es que, aunque esa variable era significativa por sí sola, la información que aporta está embebida en la información de las otras variables y al ponerlas en conjunto resulta que su información ya no resulta tan significativa. A esto se le llama Multicolinealidad.
La solución más habitual es olvidarnos de esas variables, al menos por el momento, y trabajar solo con las que son significativas en la Regresión Múltiple. Y dicho esto os dejo con......ALF!!!!!!
No hay comentarios:
Publicar un comentario