🤨 La 𝗺𝘂𝗹𝘁𝗶𝗰𝗼𝗹𝗶𝗻𝗲𝗮𝗹𝗶𝗱𝗮𝗱 en el modelo de regresión múltiple, ¿es un problema grave?

Depende.

Imaginaos una oficina. En la oficina trabajan múltiples trabajadores/as. Vamos a llamarlos «regresores». Todos ellos trabajan para contribuir a la actividad diaria de la empresa. Esta actividad va a ser predecir el valor de una «variable dependiente».

Pensad en 3 posibles escenarios:

1️⃣ Cada trabajador(a) tiene claramente definida su función, su cometido, lo que han de hacer. Además, trabajan con eficacia en su rol, sin salirse de él. Son muy competentes en las funciones que les han sido asignadas, y están coordinados. Día tras día, sacarán adelante con éxito la actividad 😁.

2️⃣ No están definidas con claridad las funciones de cada trabajador(a). continuamente se solapan, se tropiezan unos con otros, repiten procesos… No están coordinados 😬…

3️⃣ Están definidas claramente las funciones de cada uno, existe buena coordinación. Lo que ocurre es que, en algunas tareas, los trabajadores(as) asignados no son muy competentes. La actividad de la empresa no siempre sale adelante 🙄…

Todos querríamos el escenario 1️⃣: trabajadores/as competentes, coordinados; cada uno sabe lo que tiene que hacer y lo hace con éxito. Sería un caso en que están los regresores que deben estar y, además, cada uno/a es consciente de su función: hay una buena especificación sin multicolinealidad 💪.

Pero, ¿qué es peor? ¿El escenario 2️⃣ o el 3️⃣ ?

El 3️⃣ no tiene buena pinta. Si no hay buenos regresores, si falta personal cualificado, la actividad diaria de la empresa difícilmente se sacará adelante. Falta capital humano 🤦‍♂️. Es un caso de la 𝗼𝗺𝗶𝘀𝗶ó𝗻 𝗱𝗲 𝘃𝗮𝗿𝗶𝗮𝗯𝗹𝗲𝘀 𝗿𝗲𝗹𝗲𝘃𝗮𝗻𝘁𝗲𝘀.

¿Y qué pasa con 2️⃣? A priori, parece un desastre: da la sensación de que hay trabajadores/as pululando por la oficina, repitiendo tareas que ya otros han hecho… No hay coordinación 🤪. Es el caso de la 𝗺𝘂𝗹𝘁𝗶𝗰𝗼𝗹𝗶𝗻𝗲𝗮𝗹𝗶𝗱𝗮𝗱.

Pero ojo 🧐. Aunque sea un caos, podría suceder que la actividad saliera adelante. No de un modo eficiente; pero sí eficaz. Esto puede ocurrir, y ocurre frecuentemente, cuando lo que buscamos con el modelo es obtener una «simple» previsión de la variable dependiente. Los regresores se estorban unos a otros, repiten tareas porque no han sido asignadas con claridad. Pero la previsión sale.

La cosa se complica si no solo es importante obtener un producto; sino saber 𝗰ó𝗺𝗼 𝘀𝗲 𝗼𝗯𝘁𝗶𝗲𝗻𝗲, 𝘆 𝗽𝗼𝗿 𝗾𝘂é. Para poner todo de acuerdo con coherencia, lo que ha aportado cada uno, nos tendríamos que enfrentar, cada día, a un auténtico caos 🥴. Y, seguramente, no saldría la actividad diaria. Esto ocurre cuando el objetivo de nuestra modelización es el 𝗮𝗻á𝗹𝗶𝘀𝗶𝘀 𝗲𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮𝗹: aunque obtenemos un producto que pueda estar bien; no sabemos a quién responsabilizar del resultado de la actividad.

Y con esto estaría explicado de un modo muy sui géneris qué ocurre con la multicolinealidad 😁.