As determinantes locais da paradiplomacia: o caso dos municípios ...
As determinantes locais da paradiplomacia: o caso dos municípios ...
As determinantes locais da paradiplomacia: o caso dos municípios ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
O último pressuposto é o <strong>da</strong> não perfeita multicolineari<strong>da</strong>de. De forma simples, isso<br />
significa que não deve existir relação linear perfeita entre duas ou mais VI, ou seja, as VI não<br />
devem ser fortemente correlaciona<strong>da</strong>s. Uma correlação perfeita acontece quando há uma<br />
relação linear perfeita entre duas variáveis preditivas. Quando ela está presente é impossível<br />
obter estimativas únicas <strong>dos</strong> coeficientes de correlação porque existem infinitos números de<br />
combinação de coeficientes que funcionariam igualmente bem, ou seja, os valores de b são<br />
intercambiáveis.<br />
A boa notícia é que dificilmente existe correlação perfeita entre <strong>da</strong><strong>dos</strong> retira<strong>dos</strong> <strong>da</strong><br />
reali<strong>da</strong>de. Em compensação, correlações quase perfeitas são praticamente inevitáveis entre<br />
<strong>da</strong><strong>dos</strong>. O baixo nível de colineari<strong>da</strong>de ameaça pouco os modelos, mas se ela aumenta podem-<br />
se ter alguns problemas como a falta de confiança em b, a limitação do tamanho do R e a não<br />
identificação <strong>da</strong> importância <strong>dos</strong> previsores.<br />
A falta de confiança acontece porque quando a colineari<strong>da</strong>de aumenta, o erro padrão<br />
do b também cresce. Grandes erros padrões de b significam que há maior variabili<strong>da</strong>de de b<br />
entre as amostras, ou seja, o b <strong>da</strong> amostra tende a representar menos a população. Se os b são<br />
mais instáveis de amostra para amostra, isso implica que as equações do modelo resultante<br />
também o serão.<br />
A limitação do tamanho do R se relaciona à própria definição do que R representa.<br />
Foi visto anteriormente que R é a medi<strong>da</strong> <strong>da</strong> correlação múltipla entre as VI e a VD e que R²,<br />
por sua vez, indica a variância <strong>da</strong> VD devi<strong>da</strong> à VI. Suponha que uma variável sozinha prevê<br />
bem a quanti<strong>da</strong>de de variância de um resultado (R=0,750). Uma segun<strong>da</strong> variável também<br />
com um alto R, então, é adiciona<strong>da</strong> ao modelo, mas a variância por qual ela responde é a<br />
mesma variância <strong>da</strong> primeira variável. A partir do momento que a variância explica<strong>da</strong> pela<br />
primeira variável é retira<strong>da</strong>, a segun<strong>da</strong> responde por bem pouco <strong>da</strong> variância restante. A<br />
variância total explica<strong>da</strong> pelas duas variáveis em conjunto é apenas um pouco maior do que<br />
quando somente existe uma (ela pode ter aumentado, por exemplo, para R=0,780), ou seja, a<br />
colineari<strong>da</strong>de limita o tamanho do R.<br />
A não identificação <strong>da</strong> importância <strong>dos</strong> previsores é o ultimo problema <strong>da</strong><br />
multicolineari<strong>da</strong>de apresentado. Ela é bem simples, representa apenas que a colineari<strong>da</strong>de<br />
entre duas VI dificulta a tarefa de identificar a importância individual de ca<strong>da</strong> uma. Quando as<br />
duas variáveis são altamente correlaciona<strong>da</strong>s e as variâncias que explicam são similares fica<br />
difícil distinguir qual é a mais importante, porque o modelo pode incluir qualquer uma delas<br />
de forma intercambiável.<br />
Existem algumas formas de identificar a multicolineari<strong>da</strong>de. Uma <strong>da</strong>s mais populares<br />
é o fator de inflação <strong>da</strong> variância (VIF, em inglês). Ele indica se uma variável independente<br />
185