¹Profesor Titular, Postgrado en estadística, Universidad Central de Venezuela (UCV), E-Mail:guiram@cantv.net
²Profesor Titular, Postgrado en estadística, Universidad Central de Venezuela, (UCV), E-Mail: mauravasquez@cantv.net
³Profesor Titular, Postgrado en estadística, Universidad Central de Venezuela (UCV), E-Mail:acamar@reacciun.ve
⁴Profesor Titular, Instituto de Investigaciones Económicas y Sociales, UCV, E-Mail: mariusa@telcel.net
⁵Profesor Titular, Departamento de Estadística y Matemática Aplicadas, Universidad de Salamanca, E-Mail: pgalindo@aida.usal.es

La multicolinealidad origina imprecisión en los estimadores de los coefi cientes de un modelo lineal. En este trabajo proponemos un gráfico basado en la representación h-plot de la inversa de la matriz de correlaciones, que permite visualizar con cierto grado de aproximación las relaciones lineales entre las variables predictoras. En este dispositivo se obtienen representacio nes aproximadas de los coeficientes de inflación de varianza de cada variable y de las correlaciones parciales entre ellas. Con el objeto de ilustrar el méto do, éste se aplicó en una investigación sobre la caracterización morfológica de jóvenes nadadores venezolanos.

Palabras Clave: Multicolinealidad, h-plot, correlación parcial, coeficiente de inflación de varianza.

Multicollinearity generates imprecision in the estimates of the coefficients in linear models. We propose to use the h-plot of the inverse of the corre lation matrix to obtain a representation of the linear relations between the predictor variables. In the resulting plot the variance inflation factor of each variable and the partial correlation between them area roughly displayed. In order to illustrate the method it was applied in an anthropometric study of young Venezuelan swimmers.

Keywords: Multicollinearity, h-plot, partial correlation, variance inflation factor.

Texto completo disponible en PDF

Referencias

1. Belsley, D. (1991), Conditioning Diagnostics, Collinearity and Weak Data in Re gression, Wiley, New York.        [ Links ]

2. Cornsten, L. & Gabriel, K. (1976), "Graphical exploration in comparing variance matrices",Biometrics 32(851-863).        [ Links ]

3. Farrar, D. & Glauber, R. (1967), "Multicollinearity in regression analysis: The problem revisited", Review of Economic Statistics 49, 92-107.        [ Links ]

4. Gabriel, K. (1971), "The biplot graphic display of matrices with application to principal component analysis, Biometrika 58, 453-467.        [ Links ]

5. Glantz, S. & Slinker, B. (2001), Primer of Applied Regression and Analysis of Variance, McGraw-Hill, New York.        [ Links ]

6. Gleason, T. & Staelin, R. (1975), "A proposal for handling missing data", Psycho metrika 40, 229-252.        [ Links ]

7. Jackson, J. (1991), A User"s Guide to Principal Components, Wiley, New York.        [ Links ]

8. Kendall, M. (1957), A Course in Multivariate Analysis, Griffin, London.        [ Links ]

9. Mandell, J. (1982), "Use of the singular value decomposition in regression analysis", The American Statistician 36(1), 15-24.        [ Links ]

10. Mason, R., Gunst, R. & Webster, J. (1975), "Regression analysis and the problem of multicollinearity", Communications in Statistics 4, 277-292.        [ Links ]

11. Pérez, B., Vásquez, M., Tomei, C., Landaeta, M. & Ramírez, G. (2004), Anthropometrics characteristics of young venezuelan male swimmers according with biological maturity status, International Congress of Auxology, Florencia, Italia.        [ Links ]

12. Raveh, A. (1985), "On the use of the inverse of the correlation matrix in multivariate data analysis", The American Statistician 39(1), 39-42.        [ Links ]

13. Silvey, S. (1969), "Multicollinearity and imprecise estimation", Journal of the Royal Statistical Society Series B(31), 751-754.        [ Links ]

14. Whitakker, J. (1990),Graphical Models in Applied Multivariate Analysis, Wiley, New York.        [ Links ]

15. Yu, C. (1998), Multi-collinearity, variance inflation and orthogonalization in regression.         [ Links ]