Para el modelo planteado se podemos observar las siguientes conclusiones:
- El coeficiente de determinación R2=0.9551
- : Parámetro estadísticamente significativo
: Parámetro estadísticamente significativo
: Parámetro estadísticamente significativo
: Parámetro estadísticamente significativo
: Parámetro estadísticamente significativo
: Parámetro estadísticamente significativo
Como podemos observar existen cinco parámetros significativos; todos estos relacionados con las variables independientes . Se observa que el coeficiente de determinación es alto, por lo que, no se puede asegurar la presencia o indicios de multicolinealidad. Pero para confirmar la existencia o no podemos hallar los coeficientes de correlación parcial y el estadístico F que nos mide la significancia global del modelo:
- El estadístico calculado es F = 25.9445
- La matriz de correlación es:
Como no todos los
<
entonces podemos señalar que existen indicios de multicolinealidad por lo que, se deberían realizar las correcciones correspondientes ya que la multicolinealidad es un problema de la muestra.


Las soluciones que se utilizan para corregir el modelo son las siguientes:
~ Mejorar el diseño muestral: optimizar los datos una vez tomada la muestra, para ello es necesario subdividir la muestra en dos partes; pero en el presente caso se disponen de pocos datos, por ello no es posible dividir la muestra.
~ Eliminar una variable: Este método descarta a la variable que tenga la menor correlación con la variable dependiente.
~ Mezclar la información
No hay comentarios:
Publicar un comentario