As determinantes locais da paradiplomacia: o caso dos municípios ...

O último pressuposto é o da não perfeita multicolinearidade. De forma simples, isso
significa que não deve existir relação linear perfeita entre duas ou mais VI, ou seja, as VI não
devem ser fortemente correlacionadas. Uma correlação perfeita acontece quando há uma
relação linear perfeita entre duas variáveis preditivas. Quando ela está presente é impossível
obter estimativas únicas dos coeficientes de correlação porque existem infinitos números de
combinação de coeficientes que funcionariam igualmente bem, ou seja, os valores de b são
intercambiáveis.
A boa notícia é que dificilmente existe correlação perfeita entre dados retirados da
realidade. Em compensação, correlações quase perfeitas são praticamente inevitáveis entre
dados. O baixo nível de colinearidade ameaça pouco os modelos, mas se ela aumenta podem-
se ter alguns problemas como a falta de confiança em b, a limitação do tamanho do R e a não
identificação da importância dos previsores.
A falta de confiança acontece porque quando a colinearidade aumenta, o erro padrão
do b também cresce. Grandes erros padrões de b significam que há maior variabilidade de b
entre as amostras, ou seja, o b da amostra tende a representar menos a população. Se os b são
mais instáveis de amostra para amostra, isso implica que as equações do modelo resultante
também o serão.
A limitação do tamanho do R se relaciona à própria definição do que R representa.
Foi visto anteriormente que R é a medida da correlação múltipla entre as VI e a VD e que R²,
por sua vez, indica a variância da VD devida à VI. Suponha que uma variável sozinha prevê
bem a quantidade de variância de um resultado (R=0,750). Uma segunda variável também
com um alto R, então, é adicionada ao modelo, mas a variância por qual ela responde é a
mesma variância da primeira variável. A partir do momento que a variância explicada pela
primeira variável é retirada, a segunda responde por bem pouco da variância restante. A
variância total explicada pelas duas variáveis em conjunto é apenas um pouco maior do que
quando somente existe uma (ela pode ter aumentado, por exemplo, para R=0,780), ou seja, a
colinearidade limita o tamanho do R.
A não identificação da importância dos previsores é o ultimo problema da
multicolinearidade apresentado. Ela é bem simples, representa apenas que a colinearidade
entre duas VI dificulta a tarefa de identificar a importância individual de cada uma. Quando as
duas variáveis são altamente correlacionadas e as variâncias que explicam são similares fica
difícil distinguir qual é a mais importante, porque o modelo pode incluir qualquer uma delas
de forma intercambiável.
Existem algumas formas de identificar a multicolinearidade. Uma das mais populares
é o fator de inflação da variância (VIF, em inglês). Ele indica se uma variável independente
185