Por que essa regressão NÃO falha devido à perfeita multicolinearidade, embora uma variável seja uma combinação linear de outras?

15

Hoje, eu estava brincando com um pequeno conjunto de dados e realizei uma regressão OLS simples que esperava falhar devido à perfeita multicolinearidade. No entanto, não. Isso implica que meu entendimento da multicolinearidade está errado.

Minha pergunta é: onde estou errado?


Eu acho que posso mostrar que uma das minhas variáveis ​​é uma combinação linear das outras. Isso deve levar a uma matriz regressora que não possui classificação completa e, portanto, os coeficientes não devem ser identificados.

Gerei um pequeno conjunto de dados reproduzível (código abaixo) :

   exporter importer      flow     dist intraUS
1    Canada   Canada  996.8677 6.367287       0
2   Florida   Canada  995.8219 9.190562       0
3     Texas   Canada 1001.6475 4.359063       0
4    Mexico   Canada 1002.4371 7.476649       0
5    Canada  Florida 1002.8789 5.389223       0
6   Florida  Florida 1007.5589 6.779686       1
7     Texas  Florida  996.8938 1.570600       1
8    Mexico  Florida 1005.6247 5.910133       0
9    Canada    Texas  999.9190 7.887672       0
10  Florida    Texas 1004.1061 7.187803       1
11    Texas    Texas 1004.5949 7.564273       1
12   Mexico    Texas 1000.3728 2.021297       0
13   Canada   Mexico 1003.0991 5.887743       0
14  Florida   Mexico  999.2210 3.058495       0
15    Texas   Mexico  997.6092 6.835883       0
16   Mexico   Mexico 1006.7934 5.794425       0

Cada vez que exportador e importador são estados dos EUA, o manequim intraUSé 1.

Agora eu faço uma regressão de (troca) flows exportere importermanequins, distance e intraUSmanequim. A alimentação de R com a seguinte fórmula lm(flow ~ dist + exporter + importer + intraUS, data = dat)retorna estimativas para todos os coeficientes, sem valores ausentes ou avisos sobre singularidade:

(Intercept)            dist exporterFlorida   exporterTexas  exporterMexico importerFlorida   importerTexas  importerMexico        intraUS1 
995.1033157       0.5744661      -1.2340338      -1.8792073       3.7375783       3.0361727       1.3256032       3.3225512       4.2429599

Este quebra-me, porque a matriz regressor indica claramente que intraUSé uma combinação linear de exporterFlorida, importerFlorida, exporterTexase importerTexas:

> mmat <- data.frame(model.matrix(lm(flow ~ dist + exporter + importer + intraUS, data = dat)))

   X.Intercept.     dist exporterFlorida exporterTexas exporterMexico importerFlorida importerTexas importerMexico intraUS1
1             1 6.367287               0             0              0               0             0              0        0
2             1 9.190562               1             0              0               0             0              0        0
3             1 4.359063               0             1              0               0             0              0        0
4             1 7.476649               0             0              1               0             0              0        0
5             1 5.389223               0             0              0               1             0              0        0
6             1 6.779686               1             0              0               1             0              0        1
7             1 1.570600               0             1              0               1             0              0        1
8             1 5.910133               0             0              1               1             0              0        0
9             1 7.887672               0             0              0               0             1              0        0
10            1 7.187803               1             0              0               0             1              0        1
11            1 7.564273               0             1              0               0             1              0        1
12            1 2.021297               0             0              1               0             1              0        0
13            1 5.887743               0             0              0               0             0              1        0
14            1 3.058495               1             0              0               0             0              1        0
15            1 6.835883               0             1              0               0             0              1        0
16            1 5.794425               0             0              1               0             0              1        0

O cálculo exporterFlorida * importerFlorida + exporterFlorida * importerTexas + exporterTexas * importerFlorida + exporterTexas * importerTexasfornece - sem surpresa - exatamente os valores em intraUS1.

Portanto, minha pergunta é : novamente, por que essa regressão não falha, dado que uma variável é uma combinação linear das outras?


Abaixo do código completo, reproduza a estimativa:

## Generate data ####

set.seed(1)
states <- c("Canada", "Florida", "Texas", "Mexico")
dat <- expand.grid(states, states)
colnames(dat) <- c("exporter", "importer")

dat[, "flow"] <- NA
dat[, "dist"] <- NA
dat[, "intraUS"] <- 0

for (i in 1:nrow(dat)) {
  dat[i, c("flow", "dist")] <- c(rnorm(1, mean = 1000, sd = 5), rnorm(1, mean = 6, sd = 2))
  if (dat[i, "exporter"] %in% states[2:3] && dat[i, "importer"] %in% states[2:3]) {
    dat[i, "intraUS"] <- 1
  }
}
dat$intraUS <- factor(dat$intraUS)

## Run regression - works! ####

summary(lm(flow ~ dist + exporter + importer + intraUS, data = dat))

## Show that "intraUS1" is a linear combination of the dummies. ####

mmat <- data.frame(model.matrix(lm(flow ~ dist + exporter + importer + intraUS, data = dat)))

cbind(mmat, test = with(mmat,
                        exporterFlorida * importerFlorida + exporterFlorida * importerTexas +
                        exporterTexas * importerFlorida + exporterTexas * importerTexas
                        ))[, c("intraUS1", "test")]
CL.
fonte
9
Downvoters, você se importaria de explicar o que eu fiz de errado? Eu não estou tão familiarizado com o Crossvalidated e gostaria de saber o que há de errado com essa pergunta, para que eu possa fazer melhor da próxima vez.
CL.

Respostas:

30

exporterFlorida * importerFlorida + exporterFlorida * importerTexas + exporterTexas * importerFlorida + exporterTexas * importerTexas

Isso é não uma combinação linear de exporterFlorida, importerFlorida, importerTexase exporterTexas. Em uma combinação linear, os coeficientes dos vetores devem ser constantes . Então, algo como

2*importerFlorida + 3*importerTexas - exporterFlorida - 2*exporterTexas

é uma combinação linear.

O que você tem poderia ser chamado de combinação quadrática, mas isso está estendendo a terminologia para a terra "Estou inventando coisas".

Matthew Drury
fonte
2
Droga ... este é o castigo por nunca ter participado de um curso de matemática, mas começando pelas estatísticas. Obrigado!
CL.
4
Não se preocupe. É para isso que estamos aqui!
Matthew Drury