•

1 © Asturias Corporación Universitaria

Índice

1 Multicolinealidad .................................................................................................................. 3

2 Multicolinealidad Exacta .................................................................................................... 3

2.1 Multicolinealidad de Grado .................................................................................... 3

2.2 Diagnóstico de la Multicolinealidad.....................................................................4

2.3 Soluciones para la Multicolinealidad ................................................................... 5

3 Heterocedasticidad ............................................................................................................. 5

4 Tratamiento de la Heterocedasticidad ..........................................................................6

4.1 Contraste de Significatividad Individual de los Parámetros ........................8

5 Autocorrelación .................................................................................................................. 10

6 Consecuencias de la Autocorrelación ........................................................................... 11

7 Mínimos Cuadrados Generalizados (MCG) .................................................................. 11

8 Resumen ............................................................................................................................... 12

9 Bibliografía........................................................................................................................... 13

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 Objetivos:
• Conocer los problemas más habituales de la correlación lineal al tratar con
datos observacionales.
• Conocer los elementos básicos de las técnicas utilizadas para resolver las
limitaciones del método de estimación por Mínimos Cuadrados Ordinarios.

1 Multicolinealidad
El término colinealidad (o multicolinealidad) en Econometría se refiere a una
“Situación en la que dos o más variables situación en la que dos o más variables explicativas se parecen mucho y, por
explicativas se parecen mucho y resulta tanto, resulta difícil medir sus efectos individuales sobre la variable explicada.
difícil medir sus efectos individuales sobre Este fenómeno puede presentarse con frecuencia en un contexto de series
la variables explicada” temporales y con series macroeconómicas. Por ejemplo, la población y el PIB
en general suelen estar altamente correlacionados.
Podemos encontrar:
• Multicolinealidad exacta: Se da cuando los valores de una variable
explicativa se obtienen como combinación lineal exacta de otras.
• Multicolinealidad de grado: Se da cuando los valores de diferentes
variables están tan correlacionados que se hace casi imposible estimar con
precisión los efectos individuales de cada uno de ellos.

2 Multicolinealidad Exacta
En el caso de la multicolinealidad exacta, el determinante:

|𝑋 ′ 𝑋| = 0

Lo que significa que el sistema de ecuaciones de los estimadores MCO,

̂ = 𝑋′𝑌
𝑋 ′𝑋 Β

tiene infinitas soluciones.

2.1 Multicolinealidad de Grado

Cuando dos o más variables explicativas en un modelo están altamente

correlacionadas en la muestra, es muy difícil separar el efecto parcial de cada una
de estas variables sobre la variable dependiente. La información muestral que

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 incorpora una de estas variables es casi la misma que la del resto de las
correlacionadas con ella.
En este caso, el determinante |𝑋 ′ 𝑋| ≅ 0. Matemáticamente, existirá una solución
única al problema de la mínima suma de cuadrados, pero también existirán
muchas soluciones casi iguales a ella.
Los síntomas de este problema que podemos encontrar son fundamentalmente:
• Las estimaciones de los parámetros MCO son muy sensibles a la muestra:
pequeños cambios en los datos o en la especificación provocan
grandes cambios en las estimaciones de los coeficientes.
• Las estimaciones de los coeficientes presentan signos distintos a los
esperados o magnitudes poco razonables.
• El efecto más pernicioso de la existencia de un alto grado de
multicolinealidad es el de incrementar las varianzas de los coeficientes
estimados por MCO. Como consecuencia, los test de significatividad de
los parámetros individuales no son fiables (se tiende a concluir que las
variables no son significativas individualmente).
• Se obtienen valores altos del 𝑅2 aun cuando los valores de los
estadísticos t de significatividad individual son bajos. El problema reside en
la identificación del efecto individual de cada variable explicativa, no
tanto en su conjunto. Por eso, si se realiza un contraste de significatividad
conjunta de las variables explicativas, se concluirá normalmente que las
variables son significativas en conjunto, aunque individualmente cada
una de ellas no lo sea.

2.2 Diagnóstico de la Multicolinealidad

Para decidir si la colinealidad de grado constituye un problema debemos tener en

cuenta los objetivos de nuestro análisis concreto. Por ejemplo, la colinealidad no
“La colinealidad no es problema si
nos preocupa demasiado si nuestro objetivo es predecir, pero es un problema
nuestro objetivo es predecir, pero es un
muy grave si el análisis se centra en interpretar las estimaciones de los
problema grave si queremos interpretar
parámetros.
las estimaciones de los parámetros”
Una primera aproximación para diagnosticarla consiste en obtener los
coeficientes de correlación muestral simples para cada par de variables
explicativas y ver si el grado de correlación entre estas variables es alto. Pero
se puede dar el caso de tener una relación lineal casi perfecta entre tres o más
variables y sin embargo, las correlaciones simples entre pares de variables no ser
mayores que 0,5.
Otro método consiste en realizar la regresión de cada variable explicativa
sobre el resto. Se realizan j regresiones, y se obtienen los coeficientes de
determinación 𝑅𝑗2. Si alguno de ellos es alto, podemos sospechar la existencia de
colinealidad.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 2.3 Soluciones para la Multicolinealidad

El problema de colinealidad se reduce a que la muestra no contiene suficiente

información para estimar todos los parámetros. Por ello, resolver el problema
requiere añadir nueva información, sea muestral o extramuestral, o cambiar la
especificación. Algunas posibles soluciones en esta línea son:
• Añadir nuevas observaciones. Si realmente es un problema muestral, una
posibilidad es cambiar de muestra porque puede ser que con nuevos datos
el problema se resuelva, aunque esto no siempre ocurre. La idea consiste
en conseguir datos menos correlacionados que los anteriores, bien
cambiando toda la muestra o simplemente incorporando más datos en la
muestra inicial. No siempre resulta fácil obtener mejores datos por lo que
muy probablemente debamos convivir con el problema teniendo cuidado
con la inferencia realizada y las conclusiones de la misma.
• Restringir parámetros. Si la Teoría Económica o la experiencia sugieren
algunas restricciones sobre los parámetros más afectados por la
colinealidad, imponerlas permitirá reducir el problema. Obviamente, se
corre el riesgo de imponer restricciones que no son ciertas.
• Suprimir variables. Si se suprimen variables que están correlacionadas
con otras, la pérdida de capacidad explicativa será pequeña y la
colinealidad se reducirá. Esta medida puede provocar otro tipo de
problemas, ya que si la variable que eliminamos del modelo realmente sí es
significativa, estaremos omitiendo una variable relevante, lo que hará que
los estimadores de los coeficientes del modelo y de su varianza sean
sesgados por lo que la inferencia realizada no sería válida.
• Transformar las variables del modelo. Si la colinealidad se debe a que se
están relacionando series temporales con tendencia, puede convenir
transformar las variables para eliminar esta tendencia.

3 Heterocedasticidad
Uno de los supuestos del modelo de regresión lineal es la homocedasticidad de
la perturbación aleatoria, es decir, que todos los términos de la perturbación
se distribuyen de la misma forma alrededor de la recta de regresión: tienen
la misma varianza (varianza constante):
𝑉𝑎𝑟[𝑢𝑖 ] = 𝑉𝑎𝑟[𝑢𝑗 ] = 𝜎 2 , ∀i ≠ j

Cuando no se cumple esta condición, es decir, cuando la dispersión de los

“Se da cuando la dispersión de los términos de perturbación es diferente para diferentes valores de la variable
términos de perturbación es diferente explicativa, nos encontramos con la heterocedasticidad.
para diferentes valores de la variable
La heterocedasticidad tiene importantes consecuencias en el método de
explicativa” estimación MCO. Los estimadores de los coeficientes siguen siendo insesgados,

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
pero la estimación de los errores estándar de esos parámetros no es válida (que
denotaremos SE estimado). Por esta razón, no podemos construir intervalos de
confianza ni hacer pruebas de hipótesis correctas, pues para hacerlos se utiliza el
error estándar.
Tratar con la heterocedasticidad no es fácil, porque puede seguir muchos
patrones diferentes. Un Ejemplo, es el caso en el que la dispersión de los
términos de perturbación alrededor de la línea de regresión va creciendo a
medida que el valor de la variable explicativa X crece, como se muestra en el
siguiente gráfico:

Figura 5. 1 Figura 5. 2

Ejemplo:
Supongamos que tenemos datos del nivel de renta y el gasto en alimentación
para un número grande de familias. Si representamos en un gráfico el gasto en
alimentación frente a la renta, es de esperar que encontremos
heterocedasticidad, ya que, probablemente, la dispersión en el gasto en
alimentación para diferentes niveles de renta aumente con la renta.
• Las familias con nivel de renta bajo tienen menos flexibilidad en su nivel de
gasto en alimentación, de manera que veremos poca dispersión en el gasto
de alimentación para dichas familias.
• Por el contrario, entre las familias con nivel de renta alto, encontraremos
unas que gasten mucho en alimentación y otras con preferencias diferentes
que gasten menos en alimentación, destinando su renta a otros usos.

4 Tratamiento de la Heterocedasticidad
Una solución utilizada habitualmente para resolver el problema de la
heterocedasticidad consiste en utilizar los estimadores calculados mediante el
método de mínimos cuadrados ordinarios (MCO), pero no sus Errores Estándar

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
(SE), sino en su lugar los llamados Errores Estándar Robustos (o errores
estándar de Eicker-White, que denotaremos RSE). Esta técnica tiene la ventaja de
que puede aplicarse sin necesidad de conocer el patrón concreto que sigue la
heterocedasticidad en cada caso.
Los RSE son estimadores de los errores estándar de los coeficientes
estimados que tienen en cuenta la heterocedasticidad de la muestra de datos, de
forma que pueden utilizarse para realizar inferencia estadística inmune a la
heterocedasticidad. Lo vemos con más detalle en el caso del modelo
econométrico de dos variables:

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝑢𝑖

En el que cada término de perturbación aleatoria 𝑢𝑖 tiene una desviación típica

𝑆𝐷(𝑢𝑖 ).
El cálculo del estimador MCO de la pendiente 𝛽̂1 se puede expresar como una
suma ponderada:
𝑛

𝛽̂1 = ∑ 𝑝𝑒𝑠𝑜𝑖 𝑦𝑖
𝑖=1

Donde cada peso viene dado por la fórmula:

(𝑥𝑖 − 𝑥̅ )
𝑝𝑒𝑠𝑜𝑖 = 𝑛
∑𝑖=1(𝑥𝑖 − 𝑥̅ )2

Esta fórmula dice que el peso de cada observación es la desviación del valor de 𝑥
correspondiente a esa observación respecto de la media de los valores de 𝑥,
1
dividida por la varianza de 𝑥 (recordamos que 𝑉𝑎𝑟(𝑥) = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ) por el
número de observaciones).
Dado que asumimos que todos los 𝑢𝑖 son independientes, y no están
correlacionados con los valores de 𝑥, que son fijos en todas las muestras,
podemos calcular la varianza (que es el cuadrado del Error Estándar) de 𝛽̂1, como:
𝑛

𝑉𝑎𝑟(𝛽̂1 ) = ∑ 𝑝𝑒𝑠𝑜𝑖2 ⋅ 𝑆𝐷 (𝑢𝑖 )2

𝑖=1

Y el Error Estándar del estimador 𝛽̂1 es la raíz cuadrada:

𝑆𝐸(𝛽̂1 ) = √∑ 𝑝𝑒𝑠𝑜𝑖2 ⋅ 𝑆𝐷 (𝑢𝑖 )2

𝑖=1

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
En caso de homocedasticidad, la 𝑆𝐷(𝑢𝑖 ) es la misma en todas las observaciones, y
podemos expresarla simplificadamente 𝑆𝐷(𝑢).
En el método MCO, se utiliza el valor llamado RMSE (raíz del error cuadrático
medio, o Root-mean-square error, también llamado error estándar de la
regresión) para medir la dispersión de los datos observados respecto de la línea
de regresión:

𝑛
(𝑦̂𝑖 − 𝑦𝑖 )2
𝑅𝑀𝑆𝐸 = √∑
𝑛−𝑘−1
𝑖=1

En otras palabras, el RMSE es una medida del tamaño típico de los residuos, y
se utiliza como estimador de la desviación estándar 𝑆𝐷(𝑢𝑖 ), ya que el verdadero
valor de la SD es desconocido.
Así pues, el RMSE nos sirve para calcular un estimador del SE de los coeficientes:

𝑆𝐸𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜(𝛽̂1 ) = √∑ 𝑝𝑒𝑠𝑜𝑖2 ⋅ 𝑅𝑀𝑆𝐸2

𝑖=1

Nuestro problema es que el RMSE es un valor fijo, y si hay heterocedasticidad, no

podemos tomar un valor fijo para estimar la 𝑆𝐷(𝑢𝑖 ), pues precisamente en cada
observación la desviación será diferente, y la estimación que resulte no será
válida.
Para estimar el Error Estándar Robusto, no utilizaremos como estimador de cada
𝑆𝐷(𝑢𝑖 ) un valor del residuo típico, sino el residuo 𝑢̂𝑖 correspondiente a cada
observación, y de esta forma sí tenemos en cuenta las diferencias:

𝑢̂𝑖 = 𝑦𝑖 − 𝑦̂𝑖 = 𝑦𝑖 − (𝛽̂0 + 𝛽̂1 𝑥𝑖 )

𝑅𝑆𝐸𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜(𝛽̂1 ) = √∑ 𝑝𝑒𝑠𝑜𝑖2 ⋅ 𝑢̂𝑖 2

𝑖=1

4.1 Contraste de Significatividad Individual de los Parámetros

Una vez que tenemos estimadores del Error Estándar de los parámetros que son
inmunes a la heterocedasticidad (el RSE), se puede demostrar (la demostración
queda fuera del alcance de este curso) que el estadístico definido como:

𝛽̂1 − 𝛽1
𝑡=
𝑅𝑆𝐸𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜(𝛽̂1 )

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
tiene una distribución t-student, que tiende a una distribución normal al crecer el
tamaño de la muestra. Por tanto, podemos usarlo como estadístico de contraste
para verificar la hipótesis de que el valor del parámetro estimado 𝛽̂1 sea un cierto
dado 𝛽1 para un nivel de confianza dado.
Una de las pruebas más comunes es verificar la hipótesis de partida (H 0) de que
el parámetro 𝛽1 sea igual a cero (y si es así, entonces la variable 𝑥
correspondiente no interviene para explicar 𝑦, por lo que ha de ser eliminada del
modelo), o bien sea diferente de cero (y entonces se descarta la hipótesis de
partida H 0, y se concluye que sí es una variable significativa para explicar 𝑦).
El procedimiento consiste en calcular el estadístico de prueba:

𝛽̂1 − 0
𝑡0 =
𝑅𝑆𝐸𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜(𝛽̂1 )

y compararlo con el valor en las tablas de la distribución t-student para un nivel

de significatividad (𝛼) dado (por ejemplo 𝛼 = 0,05, que corresponde a un nivel de
confianza del 95%), y para 𝑛 − 𝑘 grados de libertad (siendo 𝑛 el tamaño de la
muestra y 𝑘 el número de variables explicativas).
⁄
𝛼 2
Si |𝑡0 | > 𝑡𝑛−𝑘 , entonces rechazo la hipótesis H 0, y la acepto en caso contrario.
Nótese, que hemos tomado el valor en tablas correspondiente a 𝛼⁄2, porque el
valor puede estar fuera de la zona de aceptación por la izquierda o por la derecha,
como se muestra en la figura:

Figura 5. 3
Por otro lado, es importante advertir que en presencia de heterocedasticidad no
tiene sentido considerar el error estándar de la regresión (RMSE) o el R 2 como
medidas de bondad del ajuste.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
 5 Autocorrelación
Hay situaciones, como con frecuencia ocurre al tratar con datos de series
temporales, en las que no se cumple el supuesto del modelo de que los términos
de perturbación aleatoria son independientes unos de otros. Al contrario, hay una
correlación entre la perturbación de un período y la del período anterior
(denotaremos el período con el subíndice t).
Ejemplo:
Supongamos que tenemos datos anuales de la cantidad de cigarrillos demandada
(C) y su precio en ese año, en el período 1960 – 1990, según el modelo:

𝐶𝑡 = 𝛽0 + 𝛽1 𝑃𝑟𝑒𝑐𝑖𝑜 𝑡 + 𝑢𝑡 , t = 1960, 1961, …, 1990

Los factores que influyen en la demanda recogidos en 𝑢𝑡 , como la moda de fumar

o el gasto en publicidad cambian lentamente, de forma que los de 1960 serán
similares a los de 1961, y los de 1985 a los de 1986. Si esto es cierto, y esos
factores influyen significativamente en la demanda de cigarrillos, entonces los
términos 𝑢𝑡 no serán independientes entre sí.
Se utiliza el término Autorregresión para referirse a un modelo de regresión en
“La autorregresión se refiere a un modelo el que hay autocorrelación, esto es, un modelo en el que una variable se expresa
de regresión en el que hay autocorrelación” en términos de ella misma. El orden de la autorregresión indica el número de
observaciones utilizadas:

Autorregresión de primer orden: 𝑍𝑡 = 𝛽0 + 𝛽1 𝑍𝑡−1 + 𝑢𝑡

Autorregresión de segundo orden: 𝑍𝑡 = 𝛽0 + 𝛽1 𝑍𝑡−1 + 𝛽2 𝑍𝑡−2 + 𝑢𝑡

Nos centraremos en el modelo de autorregresión de primer orden (AR1), en el que

están correlacionadas las perturbaciones aleatorias. El modelo AR1 más simple se
puede expresar con las dos ecuaciones:

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑢𝑡
siendo 𝑢𝑡 = 𝜌 𝑢𝑡−1 + 𝑣𝑡 , con −1 < 𝜌 < 1

En las que 𝑣𝑡 son términos aleatorios independientes, y podemos interpretar 𝜌

como un coeficiente de correlación entre el término de perturbación 𝑢 de un
período y el del período anterior. Así expresamos el significado de la
autocorrelación: que los valores actuales están influidos por los valores pasados.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
6 Consecuencias de la Autocorrelación
Si tenemos autocorrelación de la perturbación aleatoria:
• Los estimadores MCO siguen siendo insesgados (su valor medio
esperado sigue siendo el verdadero valor del parámetro).
• Los errores estándar de los estimadores MCO son inconsistentes (si la
correlación es positiva, se estimarán sistemáticamente demasiado bajos, y
a la inversa): Este sesgo no se soluciona con tamaños muestrales mayores.
• Los estimadores MCO ya no serán los mejores posibles. Veremos que
se pueden encontrar otros con menor error estándar.
En definitiva, la inferencia estadística se ve afectada, y los contrastes de
hipótesis, al depender de los errores estándar de los estimadores, no serán
fiables, con lo que las pruebas pierden validez.

7 Mínimos Cuadrados Generalizados (MCG)

Podemos expresar el modelo AR1 con una sola ecuación, sustituyendo la
expresión de la perturbación en la primera ecuación:

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜌 𝑢𝑡−1 + 𝑣𝑡

Para resolver los problemas que causa la autocorrelación, deseamos eliminar el

término 𝜌 𝑢𝑡−1 , de forma que nos quedemos solo con 𝑣𝑡 , y así poder volver a
contar con la validez de los supuestos del modelo econométrico clásico.
Todos los 𝑦𝑡 se estiman con la misma ecuación, de modo que el valor de la
variable en el instante t-1 es:

𝑦𝑡−1 = 𝛽0 + 𝛽1 𝑥𝑡−1 + 𝑢𝑡−1

Que multiplicada por 𝜌, es:

𝜌 𝑦𝑡−1 = 𝜌𝛽0 + 𝜌𝛽1 𝑥𝑡−1 + 𝜌𝑢𝑡−1

Y, restando esta ecuación de la primera:

𝑦𝑡 − 𝜌 𝑦𝑡−1 = 𝛽0 (1 − 𝜌) + 𝛽1 𝑥𝑡 − 𝜌𝛽1 𝑥𝑡−1 + 𝑣𝑡

Definimos ahora las nuevas variables 𝑦𝑡∗ y 𝑥𝑡∗ de la siguiente forma:

𝑦𝑡∗ = 𝑦𝑡 − 𝜌 𝑦𝑡−1

𝑥𝑡∗ = 𝑥𝑡 − 𝜌 𝑥𝑡−1

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
Y obtenemos finalmente la ecuación:

𝑦𝑡∗ = 𝛽0 (1 − 𝜌) + 𝛽1 𝑥𝑡∗ + 𝑣𝑡

La estimación de mínimos cuadrados sobre este nuevo modelo transformado se

conoce como Mínimos Cuadrados Generalizados. El nombre viene del hecho de
que es un caso más general, del que el MCO es un caso particular para 𝜌 = 0.
En la práctica, como no conocemos el valor de 𝜌, tendremos también que
estimarlo, lo que da lugar al método de Mínimos Cuadrados Generalizados
Factible (MCGF). Hay diversas formas de estimar 𝜌, por lo que resultan varios
estimadores conocidos como MCFG.
Una de las formas de estimar 𝜌 es la de Prais y Winsten. En este método,
calculamos la regresión lineal auxiliar de los residuos en el periodo t sobre los
residuos en el periodo t-1 en el origen (es decir sin término independiente).
El estimador 𝜌̂ de 𝜌 será la pendiente de esta regresión auxiliar. Con este valor de
𝜌̂ podemos calcular el modelo transformado, y hallar los estimadores de los
parámetros 𝛽̂ (que ya hemos visto que son los mismos que los obtenidos por
MCO) y sus errores estándar correspondientes (que son necesarios para poder
realizar inferencias y contrastes válidos). Una vez que tenemos estos resultados,
ya no necesitamos utilizar los datos transformados 𝑥𝑡∗ e 𝑦𝑡∗, sino los originales.

8 Resumen
• El término colinealidad (o multicolinealidad) en Econometría se refiere a
una situación en la que dos o más variables explicativas se parecen mucho
y, por tanto, resulta difícil medir sus efectos individuales sobre la variable
explicada.
• Uno de los supuestos del modelo de regresión lineal es la
homocedasticidad de la perturbación aleatoria, es decir, que todos los
términos de la perturbación se distribuyen de la misma forma alrededor de
la recta de regresión: tienen la misma varianza.
• Hay situaciones, como con frecuencia ocurre al tratar con datos de series
temporales, en las que no se cumple el supuesto del modelo de que los
términos de perturbación aleatoria son independientes unos de otros. Al
contrario, hay una correlación entre la perturbación de un período y la del
período anterior (denotaremos el período con el subíndice t).

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
9 Bibliografía
• Goldberger, A.S.: Introducción a la econometría, Barcelona, Ariel, 2001.
• Wooldridge, F.M: Introducción a la econometría: un enfoque moderno,
Madrid : Thomson, 2006

ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.