PIR 2021 · Pregunta 30
Análisis multivariado¿Cuál de los siguientes estadísticos se emplea como indicador de multicolinealidad en los modelos de regresión lineal múltiple?:
Ver respuesta sin contestar
Respuesta correcta: B (clave oficial publicada)
Explicación
La multicolinealidad en regresión múltiple se diagnostica mediante la tolerancia (y su inverso, el VIF), que cuantifica la proporción de varianza de un predictor no explicada por los demás predictores. Valores bajos de tolerancia (habitualmente < 0,10 o < 0,20) indican colinealidad problemática. Las otras opciones miden fenómenos distintos: Durbin-Watson evalúa autocorrelación de residuos, la distancia de Cook mide influencia de observaciones y la correlación de Pearson solo asociación bivariada.
B. La tolerancia se calcula como 1 − R² de la regresión de cada predictor sobre los restantes. Mide la varianza de un predictor que no es explicada por los demás. Si un predictor es casi combinación lineal de los otros, su tolerancia se acerca a 0 (criterio habitual: tolerancia < 0,10, equivalente a VIF > 10), lo que indica multicolinealidad. Es el indicador multivariado estándar en paquetes estadísticos.
- A. Durbin-Watson evalúa la autocorrelación de primer orden de los residuos, verificando la independencia de los errores, no la relación entre predictores.
- C. La distancia de Cook mide la influencia de cada observación individual sobre los coeficientes del modelo, detectando casos atípicos o influyentes, no colinealidad entre variables.
- D. La correlación de Pearson mide asociación lineal entre dos variables. Aunque correlaciones bivariadas altas pueden sugerir colinealidad, no detecta dependencias lineales complejas entre tres o más predictores, por lo que no es el indicador multivariado adecuado.
Fuentes
- Penn State Eberly College of Science – STAT 501: Regression Methods
- UCLA IDRE – Regression Analysis | SPSS Annotated Output
- NIST/SEMATECH e-Handbook of Statistical Methods
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5.ª ed.). SAGE.
Explicación generada con IA y verificada por consenso entre modelos de distintas familias.