Na construção de um modelo de regressão linear múltipla devem ser testadas algumas hipóteses do modelo clássico de regressão linear e uma delas é a hipótese de que não existe uma relação exata entre as variáveis explicativas, ou seja, a não existência de multicolinearidade perfeita.
Este estudo aborda de forma prática o problema de multicolinearidade, com um caso prático em software R e Stata.
Mulicolinearidade em análise de r. multipla emanuel ramos correia borges
1. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
MULTICOLINEARIDADE EM AN ´ALISE DE
REGRESS ˜AO M ´ULTIPLA
Emanuel De Jesus Ramos Correia Borges
Universidade de Cabo Verde, campus de Palmarejo
Licenciatura em Estat´ıstica e Gest˜ao de Informac¸ ˜ao
emanuelramos31@hotmail.com
04 de Dezembro, 2015
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 1/ 25
2. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Resumo
1 Introduc¸ ˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
2 Aplicac¸ ˜oes e Resultados
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
3 Conclus˜ao
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 2/ 25
3. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Introduc¸ ˜ao
Na construc¸ ˜ao de um modelo econom´etrico algumas suposic¸ ˜oes
devem ser levados em conta. Destacam-se os considerados ide-
ais:
Linearidade: Y = Xβ + u.
Valor m´edio do termo de erro ´e zero: E(ei |xi ) = 0;
N˜ao existˆencia de multicolinearidade exata: det(X X) = 0;
Homocedasticidade: Var(ei ) = σ2
.
Ausˆencia de autocorrelac¸ ˜ao: Cov(ei , ej ) = 0.
E a violac¸ ˜ao de uma das condic¸ ˜oes ideias faz com que o estima-
dor de m´ınimo quadrado ordin´arios (MQO) perca uma das suas
propriedades.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 3/ 25
4. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Definic¸ ˜ao de Multicolinearidade
Quando existe uma associac¸ ˜ao forte/exata entre mais de duas
vari´aveis. Podendo ser:
Perfeita: quando umas das vari´aveis explicativas podem ser
escrito como combinac¸ ˜ao linear perfeita das demais vari´aveis.
x1 =
−λ2x2 − ... − λk xk
λ1
(1)
N˜ao perfeita: neste caso pode ser escrito como combinac¸ ˜ao
linear n˜ao perfeita.
x1 =
−λ2x2 − ... − λk xk
λ1
−
vi
λ1
= 0 (2)
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 4/ 25
5. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Consequˆencias de multicolinearidade
Consequˆencias de multicolinearidade n˜ao perfeita
´E muito prov´avel que nos depararmos com as seguintes consequˆencias:
Consequˆencias:
os estimadores de MQO tˆem variˆancias grandes (erros padr˜oes);
erro padr˜oes grandes levam a intervalos de confianc¸a a ser muito
mais amplos (erro do tipo II);
R2 alto mas raz˜ao t dos coeficientes tende a ser insignificante;
Emboras todas as consequˆencias o estimador de MQO ´e MELNV (BLUE).
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 5/ 25
6. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Consequˆencias de multicolinearidade
Consequˆencias de multicolinearidade n˜ao perfeita
´E muito prov´avel que nos depararmos com as seguintes consequˆencias:
Consequˆencias:
os estimadores de MQO tˆem variˆancias grandes (erros padr˜oes);
erro padr˜oes grandes levam a intervalos de confianc¸a a ser muito
mais amplos (erro do tipo II);
R2 alto mas raz˜ao t dos coeficientes tende a ser insignificante;
Emboras todas as consequˆencias o estimador de MQO ´e MELNV (BLUE).
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 5/ 25
7. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Segundo Quintana e Mendoza (2008) os diagn´osticos s˜ao:
Coeficiente de correlac¸ ˜ao.
Fator de inflac¸ ˜ao da variˆancia (FIV): ´e uma medida em que a
variˆancia aumenta por existir colinearidade entre as vari´aveis
explicativas. FIV = 1
1−r2
23
Regra de Kleina: se o R2
i de uma regress˜ao auxiliar ´e maior com
o R2 geral indicar´a a problema de multicolinearidade.
a
Klein, L. R. (1962), An Introduction to Econometrics, Prentice-Hall : New Jersey.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 6/ 25
8. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Segundo Quintana e Mendoza (2008) os diagn´osticos s˜ao:
Coeficiente de correlac¸ ˜ao.
Fator de inflac¸ ˜ao da variˆancia (FIV): ´e uma medida em que a
variˆancia aumenta por existir colinearidade entre as vari´aveis
explicativas. FIV = 1
1−r2
23
Regra de Kleina: se o R2
i de uma regress˜ao auxiliar ´e maior com
o R2 geral indicar´a a problema de multicolinearidade.
a
Klein, L. R. (1962), An Introduction to Econometrics, Prentice-Hall : New Jersey.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 6/ 25
9. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
Segundo Quintana e Mendoza (2008) os diagn´osticos s˜ao:
Coeficiente de correlac¸ ˜ao.
Fator de inflac¸ ˜ao da variˆancia (FIV): ´e uma medida em que a
variˆancia aumenta por existir colinearidade entre as vari´aveis
explicativas. FIV = 1
1−r2
23
Regra de Kleina: se o R2
i de uma regress˜ao auxiliar ´e maior com
o R2 geral indicar´a a problema de multicolinearidade.
a
Klein, L. R. (1962), An Introduction to Econometrics, Prentice-Hall : New Jersey.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 6/ 25
10. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Resumo
1 Introduc¸ ˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
2 Aplicac¸ ˜oes e Resultados
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
3 Conclus˜ao
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 7/ 25
11. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Vari´aveis a ser utilizados
As vari´aveis utilizadas s˜ao:
Vari´avel explicada:
Y: Satisfac¸ ˜ao com o servic¸o de sa´ude;
Vari´avel explicativa:
X1: Equipamentos (+);
X2: Rapidez de consulta (+);
X3: Conforto de sala de espera (+);
X4: Atenc¸ ˜ao dada pelo m´edico (+);
X5: Ru´ıdo de comunicac¸ ˜ao (-);
X6: Conforto geral (+);
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 8/ 25
12. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Modelo constr´ıdo com todas as vari´aveis
A Tabela exibe as estat´ısticas do modelo constru´ıdo.
Tabela: Modelo 1
Estimativa Erro padr˜ao t value Pr(> |t|)
Intercepto -0,367 0,533 -0,69 0,497
X1 (Equip.) 0,11 0,136 0,807 0,427
X2 (Rap. cons.) 0,728 0,156 4,663 0,0001 ***
X3 (Conf. sal.) 0,055 0,1 0,547 0,589
X4 (Aten. m´ed.) 0,502 0,158 3,174 0,004 **
X5 (Ru´ıd. com.) 0,013 0,218 0,063 0,95
X6 (Conf. geral) -0,317 0,23 -1,378 0,181
0 -***, 0.001 -**, 0.01 -*, 0.05 -., 0.1-
R2 78,38% R
2
72,74%
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 9/ 25
13. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Regra de Klein
Para a utilizac¸ ˜ao de Regra de Klein foi ajustado seis modelos, cor-
respondente a:
x1i = b0 + b1x2i + b2x3i + b3x4i + b4x5i + b5x6i + e1i
x2i = b0 + b1x1i + b2x3i + b3x4i + b4x5i + b5x6i + e2i
x3i = b0 + b1x2i + b2x2i + b3x4i + b4x5i + b5x6i + e3i
x4i = b0 + b1x1i + b2x2i + b3x3i + b4x5i + b5x6i + e4i
x5i = b0 + b1x1i + b2x2i + b3x3i + b4x4i + b5x6i + e5i
x6i = b0 + b1x1i + b2x2i + b3x3i + b4x4i + b5x5i + e6i
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 10/ 25
14. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Obtendo o seguinte resultado descrito na Tabela 3.
Tabela: Coeficientes de determinac¸ ˜ao para regress˜oes auxiliares
%
R2
1 36,90%
R2
2 46,90%
R2
3 21,90%
R2
4 56,20%
R2
5 81,33%
R2
6 78,50%
R2
5 e R2
6 > R2 (78,38%)
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 11/ 25
15. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Matrix de correlac¸ ˜ao
A Tabela ostenta a matriz correlac¸ ˜ao constru´ıda para a detenc¸ ˜ao da
poss´ıvel existˆencia de colinearidade.
Tabela: Matrix de correlac¸ ˜ao para vari´aveis explicativas
X1 X2 X3 X4 X5 X6
X1 1 0,552 0,183 0,458 0,262 0,271
X2 0,552 1 0,303 0,426 0,273 0,42
X3 0,183 0,303 1 0,16 0,317 0,437
X4 0,458 0,426 0,16 1 0,643 0,484
X5 0,262 0,273 0,317 0,643 1 0,844
X6 0,271 0,42 0,437 0,484 0,844 1
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 12/ 25
16. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Fator de inflac¸ ˜ao da variˆancia (FIV)
O fator de inflac¸ ˜ao de variˆancia (VIF) mede o quanto a variˆancia
dos coeficientes de regress˜ao estimados est´a inflada em comparac¸ ˜ao
a quando as vari´aveis preditoras n˜ao s˜ao relacionadas linearmente.
Tabela: Fator de inflac¸ ˜ao da variˆancia (FIV) para modelo
FIV TOL
X1 19,21 0,052
X2 23,63 0,042
X3 10,44 0,096
X4 31,41 0,031
X5 63,99 0,014
X6 67,08 0,015
M´edia 34,15
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 13/ 25
17. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Rem´edios para multicolinearidade
Aumentar tamanho de amostra
Um dos rem´edios muito sugeridos pela literatura e mais f´acil para
superar o problema de multicolinearidade ´e aumentar o tamanho de
amostra. Aumentando o tamanho da amostra podemos se enfraquecer
a colinearidade. (Farrar e Glauber, 1964).
N˜ao fazer nada
Blanchard sugere n˜ao fazer nada (vontade divina), pois a multicoli-
nealidade ´e uma deficiˆencia dos dados, n˜ao dos m´etodos estat´ısticos.
E melhor obter estimativas sendo MELNV do que n˜ao ter nada.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 14/ 25
18. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Omitindo uma das vari´aveis
Como as vari´aveis X5 e X6 est˜ao altamente correlacionados tentou ajustar um novo modelo
sem a presenc¸a da vari´avel X6 (Conforto de forma geral).
Tabela: Modelo omitindo uma das vari´aveis altamente correlaciondo
Estimativa Erro padr˜ao t value Pr(> |t|)
Intercepto -0,447 0,539 -0,828 0,415
X1 (Equip.) 0,119 0,138 0,859 0,398
X2 (Rap. cons.) 0,646 0,147 4,393 0,0001 ***
X3 (Conf. sal.) 0,024 0,099 0,244 0,809
X4 (Aten. m´ed.) 0,558 0,156 3,579 0,001 **
X5 (Ru´ıd. com.) -0,228 0,132 -1,729 0,096 .
0 -***, 0.001 -**, 0.01 -*, 0.05 -., 0.1-
R2 76,60% R
2
71,72%
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 15/ 25
19. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
An´alise de componentes principal (ACP)
ACP ´e um dos modos mais comuns para reduzir/excluir correlac¸ ˜oes
em um conjunto de vari´avel altamente correlacionados, redu-
zindo/excluindo colinearidade entre vari´aveis explicativas.
An´alise de componente principal
Segundo Hair, et al. (1995) ACP ´e um m´etodo estat´ıstico que per-
mite transformar um conjunto de vari´aveis inicias correlacionadas entre
si, num outro conjunto de vari´aveis n˜ao correlacionadas.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 16/ 25
20. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
An´alise de componentes principal
Como KMO ´e 0,635, indica que a t´ecnica de an´alise fatorial ´e razo´avel
para o tratamento de dados. Pelo teste de esfericidade de Bartlett’s1
conclui-se que existe correlac¸ ˜ao entre as vari´aveis.
Tabela: Medida de Adequabilidade de KMO
KMO 0,635
Teste de Bartlett’s
Qui-quadrado 76,66
Grau de liberdade 15
Sig. 0
1
Baseia-se na distribuic¸ ˜ao estat´ıstica de qui-quadrado, testando a hip´otese da matriz correlac¸ ˜ao ser uma matriz
identidade, isto ´e, n˜ao correlac¸ ˜ao entre as vari´aveis.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 17/ 25
21. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
An´alise de componentes principal
A Tabela exibe o resultado da aplicac¸ ˜ao de an´alise fatorial: autovalores inicias, as percenta-
gens das variˆancias que os fatores s˜ao capazes de explicar.
Tabela: Variˆancia total explicada
Fat.
Valores pr´oprios iniciais Somas de extrac¸ ˜ao
Total % variˆan. % acum. Total % variˆan. % acum.
1 3,075 51,252 51,252 3,075 51,252 51,252
2 1,091 18,176 69,427 1,091 18,176 69,427
3 ,885 14,743 84,170
4 ,461 7,681 91,851
5 ,388 6,472 98,323
6 ,101 1,677 100,000
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 18/ 25
22. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
An´alise de componentes principal
A Figura apresenta o gr´afico de scree-plot2 Observa-se que pelo
crit´erio scree-plot reter 3 fatores3 (84,1%).
Figura: Gr´afico de scree-plot.
2
O crit´erio associado para determinar no
fatores considerando o no
de autovalores a esquerda onde ocorre
uma forte mudanc¸a da inclinac¸ ˜ao da linha que une as representac¸ ˜oes dos autovalores.
3
Segundo Hair et al. (1995) quando o no
de vari´aveis ´e superior a 30, deve-se utilizar o m´etodo de scree-plotEmanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 19/ 25
23. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
An´alise de componentes principal
ura apresenta o gr´afico de scree-plot2 Observa-se q
cree-plot reter 3 fatores3 (84,1%).
Figura: Gr´afico de scree-plot.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 19/ 25
24. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
Modelo ajustado com fatores retidos
Tabela apresenta o modelo obtido ap´os o uso de ACP, onde as vari´aveis explicativas s˜ao os
fatores retidos pela ACP.
Tabela: Modelo com ap´os aplicac¸ ˜ao de an´alise de componente principal
Estimativa Erro padr˜ao t value Pr(> |t|)
Intercepto 3,366 0,126 26,64 < 2e-16 ***
Fator 1 0,219 0,128 1,71 0,099 .
Fator 2 0,922 0,128 7,175 1,03E-07 ***
0 − ∗ ∗∗, 0.001 − ∗ ∗, 0.01 −∗, 0.05 −., 0.1−
R2 66,8% R
2
64,4%
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 20/ 25
25. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
FIV para modelo ajustado com fatores
Tabela 12 exibe os valores de FIV e TOL para o modelo ajustado
com os dois fatores retidos. De onde observa que n˜ao existe colinea-
ridade entre as vari´aveis em estudo por FIV ser menor que 10 e TOL
ser aproximadamente 1.
Tabela: Fator de inflac¸ ˜ao da variˆancia (FIV) para modelo ap´os o uso de ACP
FIV TOL
Fator 1 1 0,9997
Fator 2 1 0,9997
M´edia 1
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 21/ 25
26. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Resumo
1 Introduc¸ ˜ao
Definic¸ ˜ao de Multicolinearidade
Consequˆencias de multicolinearidade
Detenc¸ ˜ao de multicolinearidade
2 Aplicac¸ ˜oes e Resultados
Regress˜ao M´ultipla
Detenc¸ ˜ao de multicolinearidade
R´emedios para multicolinearidade
3 Conclus˜ao
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 22/ 25
27. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Conclus˜ao do trabalho
1 Descoberta de multicolinearidade ´e muito relevante, pois uma vez descoberto, ´e necess´ario introduzir mudanc¸as apro-
priadas na especificac¸ ˜ao modelo.
2 A forma como lidar com multicoliearidade depende do objetivo do investigador. Se a objetivo da construc¸ ˜ao do modelo ´e
simplesmente predizer a vari´avel explicada pelas vari´aveis explicativas a multicolinearidade n˜ao ´e um problema.
3 H´a v´arios rem´edios para multicolinearidade como aumentar tamanho da amostra, omiss˜ao de uma das vari´aveis al-
tamente correlacionados, an´alise de componente principal, por´em a eliminac¸ ˜ao completa de multicolinearidade n˜ao ´e
poss´ıvel mas n´os possa reduzir o grau de presente de multicolinearidade nos dados.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 23/ 25
28. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Conclus˜ao do trabalho
1 Descoberta de multicolinearidade ´e muito relevante, pois uma
vez descoberto, ´e necess´ario introduzir mudanc¸as apropriadas na
especificac¸ ˜ao modelo.
2 A forma como lidar com multicoliearidade depende do objetivo do investigador. Se a objetivo da construc¸ ˜ao do modelo ´e
simplesmente predizer a vari´avel explicada pelas vari´aveis explicativas a multicolinearidade n˜ao ´e um problema.
3 H´a v´arios rem´edios para multicolinearidade como aumentar tamanho da amostra, omiss˜ao de uma das vari´aveis al-
tamente correlacionados, an´alise de componente principal, por´em a eliminac¸ ˜ao completa de multicolinearidade n˜ao ´e
poss´ıvel mas n´os possa reduzir o grau de presente de multicolinearidade nos dados.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 23/ 25
29. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Conclus˜ao do trabalho
1 Descoberta de multicolinearidade ´e muito relevante, pois uma vez descoberto, ´e necess´ario introduzir mudanc¸as apro-
priadas na especificac¸ ˜ao modelo.
2 A forma como lidar com multicoliearidade depende do objetivo do
investigador. Se a objetivo da construc¸ ˜ao do modelo ´e simples-
mente predizer a vari´avel explicada pelas vari´aveis explicativas a
multicolinearidade n˜ao ´e um problema.
3 H´a v´arios rem´edios para multicolinearidade como aumentar tamanho da amostra, omiss˜ao de uma das vari´aveis al-
tamente correlacionados, an´alise de componente principal, por´em a eliminac¸ ˜ao completa de multicolinearidade n˜ao ´e
poss´ıvel mas n´os possa reduzir o grau de presente de multicolinearidade nos dados.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 23/ 25
30. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Conclus˜ao do trabalho
1 Descoberta de multicolinearidade ´e muito relevante, pois uma vez descoberto, ´e necess´ario introduzir mudanc¸as apro-
priadas na especificac¸ ˜ao modelo.
2 A forma como lidar com multicoliearidade depende do objetivo do investigador. Se a objetivo da construc¸ ˜ao do modelo ´e
simplesmente predizer a vari´avel explicada pelas vari´aveis explicativas a multicolinearidade n˜ao ´e um problema.
3 H´a v´arios rem´edios para multicolinearidade como aumentar tama-
nho da amostra, omiss˜ao de uma das vari´aveis altamente corre-
lacionados, an´alise de componente principal, por´em a eliminac¸ ˜ao
completa de multicolinearidade n˜ao ´e poss´ıvel mas n´os possa re-
duzir o grau de presente de multicolinearidade nos dados.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 23/ 25
31. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
Bibiografia
D. Gujarati
Basic Econometrics.
4. ed., 2004..
D. Gujarati
Essentials of econometrics. 3. ed., New York.
Mc Graw-Hill International, 2006.
DHAIR, J., et al.
Multivariate Data Analysis.
Macmillan Publishing Company, 1995.
J. Johnston
Econometric Methods. 3rd edn.
McGraw-Hill Publishing Company, New York, 1984.
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 24/ 25
32. Introduc¸ ˜ao
Aplicac¸ ˜oes e Resultados
Conclus˜ao
FIM
Emanuel De Jesus Ramos Correia Borges Multicolinearidade em An´alise de Regress˜ao 25/ 25