Errores Comunes en Modelos de Regresión Múltiple

Correlación entre variables explicativas

Verdadero

Una fuerte correlación entre las variables explicativas de un modelo de regresión múltiple implica que las varianzas de los parámetros estimados son muy altas.

Sesgo de especificación

Falso

Para analizar si un modelo de regresión presenta sesgo de especificación, se debe aplicar un test de RESET. El uso de variables dicotómicas para medir quiebre estructural no guarda relación con el sesgo de especificación.

Predicción de la media de Y

Falso

Mientras más nos alejemos del valor medio de la variable X para realizar una predicción de la media del valor de Y, más preciso será el pronóstico. El intervalo de confianza de un pronóstico de E(y/x) disminuye a medida que X0 se acerca a x.

Heteroscedasticidad

Falso

La heteroscedasticidad hace que los parámetros estimados pierdan la propiedad de varianza mínima y, por lo tanto, la propiedad de mejor estimador lineal insesgado (MELI). Esto invalida la inferencia estadística de los parámetros.

Análisis de regresión

Falso

El análisis de regresión estima el valor medio de la población de la variable dependiente (y) a partir de variables independientes (x) fijas en muestreo referido. No mide la contribución del término de error sobre el valor de la variable explicada.

Normalidad de los errores

Falso

La normalidad de los errores permite definir una distribución a los parámetros estimados, lo que permite realizar inferencia estadística de los parámetros poblacionales.

Inferencia estadística de los parámetros poblacionales

Incierto

Si la inferencia es sobre los parámetros individuales, se utilizan los t-student. Si la inferencia es sobre más de un parámetro (igualdad de parámetros, significancia global, restricciones lineales o contribución marginal de una o más X), se debe utilizar el test de Fisher.

Problemas con la heteroscedasticidad

Las estimaciones habituales de las desviaciones estándar de los parámetros B hechas a partir de MCO no están sesgadas pero son inconsistentes. La varianza no es mínima y los estimadores MCO no son eficientes.

Solución a la heteroscedasticidad

Si se conoce el patrón de heteroscedasticidad, se resuelve con mínimos cuadrados generalizados (MCG). Si no se conoce el patrón, se asume uno y se ajusta a la regresión para utilizar MCG. Luego se evalúa la matriz de varianzas y covarianzas.