TRABAJO DE ECONOMETRIA (Heteroscedasticidad)

11.1 Establzcase si las siguientes afirmaciones son ciertas, falsas o inciertas y brevemente de sus razones.

a) En presencia de heteroscedasticidad, los estimadores MCO son sesgados al igual que ineficientes. (F)
Porque en presencia de heteroscedasticidad los estimadores de MCO siguen siendo insesgados y consistentes pero
ya no tienen varianza mnima es decir, ya no son eficientes.

b) Si hay heteroscedasticidad, las pruebas convencionales t y F son invlidas. (V)
Porque dado que Var ( )
het 2

no es mnima los intervalos de confianza tienden a ser innecesariamente grandes y las

pruebas t y F tienden a ser imprecisas.

c) En presencia de heteroscedasticidad, el mtodo MCO usual sobreestima siempre los errores estndar de
los estimadores. (V)
Porque la caracterstica ms sobresaliente de estos resultados es que los MCO, con o sin correccin por
heteroscedasticidad , sobreestiman consistentemente el verdadero error estndar obtenido mediante el
procedimiento MCG, especialmente para valores grandes de , con lo cual se establece la superioridad de MCG.

d) Si los residuales estimados a travs de una estimacin MCO exhiben un patrn sistemtico, significa que
hay presencia de heteroscedasticidad en los datos. (V)
Porque si los residuos al cuadrado nos da un valor mayor que cero o nos presenta un patrn sistemtico significa
que existe heteroscedasticidad.

e) No hay una prueba general de heteroscedasticidad que este libre de supuesto alguno sobre cul de las
variables esta correlacionada con el trmino de error. (F)
Porque no existe una prueba que nos seale especficamente que variable explicativa esta relacionada con el
trmino de perturbacin, sino que ms bien nos dan pruebas generales para detectar heteroscedasticidad.

f) Si el modelo de regresin esta mal especificado (por ejemplo, se ha omitido una variable importante), los
residuos MCO mostraran un patrn claramente distinguible. (V)
Es verdadero porque al omitir una variable que tiene relevancia terica en el modelo se va a distinguir claramente
un patrn sistemtico, ya que los residuos van a presentar un gran peso por la variable omitida.

g) Si una regresora que tiene varianza no constante se omite (incorrectamente) de un modelo, los residuos
MCO sern heteroscedsticos. (V)
Es verdadero porque si se omite una variable que tiene varianza no constante, esta va a seguir presente en el modelo
a travs del trmino de perturbacin y seguir siendo heteroscedstica.

11.2 En una regresin de salarios promedio (W,$) sobre el nmero de empleados (N) para una muestra
aleatoria de 30 empresas. Se obtuvieron los siguientes resultados:

= W

7.5 + 0.009N
t = n.a. (16.10) R 90 . 0
2
=

N W /

= 0.008 + 7.8 (1/N)

t =(14.43) (76.58)
2
R = 0.99

a) Cmo se interpretan las dos regresiones?

i) Dado un incremento unitario en el nmero de empleados se estima que los salarios promedio tambin se
incrementar en 0.009 dlares, es decir existe una relacin directa entre los salarios promedio y el nmero de
empleados, por tanto si se incrementa el nmero de empleados tambin se incrementarn los salarios promedios y
viceversa.

ii) Como observamos en la segunda regresin podemos darnos cuenta que el autor trata de corregir la
heteroscedasticidad dividiendo el modelo para la variable estocstica con lo cual el modelo mejora ya que se
obtiene un coeficiente de determinacin mayor y las pruebas t de significancia individual se incrementan.

b) Qu esta suponiendo el autor al pasar de la ecuacin (1) a la (2)? Estaba preocupado por la
heteroscedasticidad? Cmo se sabe?
El autor al pasar de la ecuacin (1) a la (2) supone que existe heteroscedasticidad y por la misma razn trata de
corregir este problema dividiendo la regresin para la variable heteroscedstica a travs del mtodo de Mnimos
Cuadrados Generalizados que es capaz de producir estimadores que son MELI.

c) Se puede relacionar las intersecciones y las pendientes de los modelos?
S, ya que estamos considerando un mismo modelo en donde las relaciones entre las variables son directas, pero se
puede observar que las pendientes y las intersecciones cambian debido a que se utiliza una medida para corregir la
heteroscedasticidad.

d) Se pueden comparar los valores
2
R de los modelos? Por que si o por que no?
Los coeficientes de determinacin no son comparables en estos dos modelos de regresin ya que la variable
dependiente no es la misma debido a la correccin de la heteroscedasticidad.

11.4 Aunque los modelos logartmicos tales como el modelo de la ecuacin (11.6.12) frecuentemente reducen
la heteroscedasticidad, se debe prestar cuidadosa atencin a las propiedades del trmino de perturbacin de
tales modelos. Por ejemplo, el modelo:

i i i
u X Y
2
1

=
puede escribirse como
i i i
u X Y ln ln ln ln
2 1
+ + =
a) Si
i
u ln tiene valor esperado cero, cul debe ser la distribucin de
i
u ?
La distribucin debe ser normal porque la heteroscedasticidad no afecta a la distribucin de u
i
sino que afecta a que
la varianza en cada muestreo repetido es diferente.



b) Si 1 ) ( =
i
u E , ser 0 ) (ln =
i
u E ? Porqu s o porqu no?
Si es igual porque el logaritmo natural de 1 es igual a cero, y por lo tanto no esta afectando al valor esperado de u
i
sino que afecta nicamente a la varianza de u
i.


c) Si ) (ln
i
u E es diferente de cero, qu puede hacerse para volverlo cero?
Para que este sea cero podramos multiplicar al resultado de ) (ln
i
u E por cero y de esta manera lograramos el
objetivo, y por tanto el 1 ) ( =
i
u E .

11.6 Con propsitos pedaggicos Hanushek y Jackson estiman el siguiente modelo:

i t t t
u D PNB C + + + =
3 2 1


donde =
t
C gasto agregado de consumo privado en el ao t, .PNB
t
=producto nacional bruto en el ao t y D
t
=
gasto de defensa nacional en el ao t, siendo el objetivo del anlisis estudiar el efecto de los gastos de defensa
sobre otros gastos en la economa.

Postulan que
2

t
=
2
(PNB
t
)
2
, luego transforman (1) y estiman.
t i t t t t t
PNB u PNB D PNB PNB C / ) / ( ) / 1 ( /
3 2 1
+ + + =

Los resultados empricos basados en la informacin para 1946-1975 fueron los siguientes (errores estndar
entre parntesis):

t t t
D PNB C 4398 . 0 6248 . 0 19 . 26

+ =
(2.73) (0.0060) (0.0736) R
2
=0.999

) / ( 4315 . 0 6246 . 0 ) / 1 ( 92 . 25

/
t t t t t
PNB D PNB B N P C + =
(2.22) (0.0068) (0.0597) R
2
=0.875

a) Qu supuesto hacen los autores sobre la naturaleza de la heteroscedasticidad?
Puede justificarse?
El supuesto que hacen los autores sobre la naturaleza de la heteroscedasticidad es que la varianza del trmino de
perturbacin no es constante a lo largo de la regresin y esto puede justificarse debido a que han sido omitidas
algunas variables relevantes en el modelo.

b) Comprense los resultados de las dos regresiones. La transformacin del modelo original ha mejorado
los resultados, es decir, ha reducido los errores estndar estimados? Por qu si o por qu no?
En general podemos darnos cuenta que en los modelos las relaciones existentes entre las variables explicativas y la
dependiente no cambian, pero como los autores sealan que existe heteroscedasticidad tratan de mejorar el modelo
y como resultado se obtiene que en su mayora los errores estndar disminuyen porque aplicando una medida de
correccin se espera que la varianza sea mnima y por lo tanto los errores estndar tambin sean mnimos.

c) Se puede comparar los dos valores de R
2
? Por qu si o por qu no? (Pista: Examnense las variables
dependientes)
No se pueden comparar los valores del coeficiente de determinacin ya que la variable dependiente en estos
modelos de regresin no es la misma siendo esta una condicin necesaria para que los
2
R sean comparables.



11.8 Prubese que si w w
i
= una constante, para cada
2 2

, , i son idnticos al igual que sus varianzas.

=
i
i i
x
y x
2
2

Estimador de MCO

( )

=
2
2
2

i i
i i i i
X X n
Y X Y X n



( )( ) ( )( )
( )( ) ( )
2
2
2
*

=
i i i i i
i i i i i i i i
X w X w w
Y w X w Y X w w
Estimador MCG

Si asumimos que w
i
= w tenemos que w = constante y utilizando artificios matemticas tenemos:

( ) ( )( )
( ) ( )
2
2 2 2
2 2
2
*

=
i i
i i i i
X w X nw
Y X w Y X nw


( ) ( )( ) [ ]
( ) ( ) [ ]
2
2 2
2
2
*

=
i
i
i i i i
X X n w
Y X Y X n w


Tenemos que
2
2
*

= por lo tanto:

( ) ( )( ) [ ]
( ) [ ]
2
2 2
2
*

=

=


i i
i i i i
Y X n
Y X Y X n



Varianza:
( )
( )
2
2
2 2
2
2

var

=
i
i i
x
x
estimador de MCO

( )
( )( ) ( )
2
2
2
* 2

var

=
i i i i i
i
x w x w w
w
estimador MCG



Si asumimos que wi =w tenemos: w= constante:

( )
( ) ( )
2
2 2 2
*
2
2

var


=
i i
X w X nw
nw

( )
( ) ( ) [ ]
2
2 2
*
2
2

var


=
i i
X X n w
nw



Pero como sabemos que:

1
= w entonces nos quedara:
( )

=
2
*
2
2

var
i
x

11.11 Con la informacin dada en la tabla 11.1, efectese la regresin de la compensacin salarial promedio
Y sobre la productividad promedio X, considerando al tamao de empleo como unidad de observacin.
Interprtense sus resultados y vase si stos estn de acuerdo con los presentados en (11.5.3).

Tabla 11.1

COMPENSACION POR EMPLEADO (US$) EN LA INDUSTRIA DE MANUFACTURA DE BIENES NO
DURABLES, DE ACUERDO CON EL TAMAO DEL EMPLEO DEL ESTABLECIMIENTO, 1958


Empleo generado (nmero promedio de empleados)
INDUSTRIA
01-abr 05-sep 01-oct 20-49 50-99 100-249 250-499 500-999 1000-2499
Alimentos y productos afines 2994 3295 3565 3907 4189 4486 4676 4968 5342
Productos derivados del trabajo 1721 2057 3336 3320 2980 2848 3072 2969 3822
Productos textiles 3600 3657 3674 3437 3340 3334 3225 3163 3168
Confecciones y productos
relacionados 3494 3787 3533 3215 3030 2834 2750 2967 3453
Papel y productos derivados 3498 3847 3913 4135 4445 4885 5132 5342 5326
Industria de imprenta y editoriales 3611 4206 4695 5083 5301 5269 5182 5395 5552
Productos qumicos y relacionados 3875 4660 4930 5005 5114 5248 5630 5870 5876
Productos del petrleo y del carbn 4616 5181 5317 5337 5421 5710 6316 6455 6347
Productos del caucho y del plstico 3538 3984 4014 4287 4221 4539 4721 4905 5841
Cuero y productos de Cuero 3016 3196 3149 3317 3414 3254 3177 3346 4067
Compensacin salarial promedio 3396 3787 4013 4014 4146 4241 4387 4538 4843
Desviacin Estndar 742,2 851,4 727,8 805,1 929,9 1080,6 1243,2 1307,7 1112,5
Productividad Promedio 9355 8584 7962 8275 8389 9418 9795 10281 11750



Con los datos presentados en la tabla anterior y aplicando el programa Eviews nos presenta los siguientes
resultados:


Dependent Variable: Y
Method: Least Squares
Date: 05/02/07 Time: 16:21
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
C 1992.062 936.6123 2.126880 0.0710
X 0.232999 0.099853 2.333428 0.0523
R-squared 0.437520 Mean dependent var 4161.778
Adjusted R-squared 0.357166 S.D. dependent var 420.6625
S.E. of regression 337.2744 Akaike info criterion 14.67280
Sum squared resid 796278.0 Schwarz criterion 14.71663
Log likelihood -64.02760 F-statistic 5.444885
Durbin-Watson stat 0.616592 Prob(F-statistic) 0.052349

i i
X Y

2329 . 0 3452 . 1992

+ =
ee (936.4791) (0.0998) (11.5.3)
t (2.1275) (2.333) R 4375 . 0
2
=


i i
X Y

232999 . 0 062 . 1992

+ =
ee (936.6123) (0.099853) modelo corrido
t (2.126880) (2.333428) R 4375 . 0
2
=


Donde:

= Y

Compensacin salarial promedio

= X

La productividad promedio

Estos valores obtenidos si estn de acuerdo con los datos presentados en el (11.5.3)

INTERPRETACIN:

2

Dados incrementos unitarios en la produccin promedio se estima que la compensacin salarial promedio se
incrementar en 0.233 dlares, en esta regresin existe una relacin directa entre la compensacin salarial promedio
y la productividad promedio es decir, si incrementa el uno tambin se incrementar el otro y viceversa.

a) De la regresin anterior, obtngase los residuos
i
u .

Para cada X
i
obtenemos como residuos los siguientes valores:

RESIDUOS (
i
u )


-775.7709
-205.1284
165.7972
183.8684
199.3065
54.55018
113.7094
150.4718
113.1957
-800
-600
-400
-200
0
200
400
7000 8000 9000 10000 11000 12000
X
R
E
S
I
D
RESID vs. X


b) Siguiendo la prueba de Park, efectese la regresin de
2
ln
i
u sobre
i
X ln y verifquese la regresin (11.5.4)



Dependent Variable: LNABSRESID
Method: Least Squares
Date: 04/30/07 Time: 16:30
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
LNX -2.802022 4.196134 -0.667763 0.5257
C 35.82684 38.32272 0.934872 0.3810
R-squared 0.059886 Mean dependent var 10.23844
Adjusted R-squared -0.074416 S.D. dependent var 1.414819
S.E. of regression 1.466517 Akaike info criterion 3.796787
Sum squared resid 15.05470 Schwarz criterion 3.840615
Log likelihood -15.08554 F-statistic 0.445907
Durbin-Watson stat 1.137101 Prob(F-statistic) 0.525681




Comparando los resultados de la regresin 11.5.4 con el modelo anteriormente corrido obtenemos los siguientes
resultados.

i
i InX u In 8099 . 2 817 . 35
2
=
ee = (38.319) (4.216) (11.5.4)
t = (0.934) (-0.667) R 0595 . 0
2
=

i
i InX u In 80202 . 2 8268 . 35
2
=

ee = (38.3227) (4.1961) modelo corrido
t = (0.93487) (-0.66776) R 0599 . 0
2
=


De acuerdo a la prueba de Park obtuvimos los resultados anteriores y fijndonos en el

podemos concluir
diciendo que no hay una relacin estadsticamente significativa entre las dos variables y por lo tanto no hay
heteroscedasticidad en la varianza del error.


c) Siguiendo el mtodo de Glejser, efectese la regresin de
i
u sobre
i
X y luego efectes la regresin de
i
u
sobre
i
X y comntense sus resultados.

i) Modelo 1




















i i
i i i
X u
v X u
0203 . 0 4761 . 407
2 1
=
+ + =

ee = (633.1895) (0.0675)

t= (0.6435) (-0.301456)

=
2
R 0.013


Como podemos darnos cuenta con los resultados obtenidos al aplicar la prueba de Glejser nos damos cuenta que no
existe relacin entre el valor absoluto de los residuos y la variable explicativa productividad promedio, ya que
Glejser sugiere hacer la regresin sobre los valores absolutos de los residuos sobre la variable X que se cree que
est muy asociada con la varianza, por lo tanto existe homoscedasticidad.


ii) Modelo 2


Dependent Variable: ABSRESID
Method: Least Squares
Date: 04/30/07 Time: 16:50
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
RAIZX -3.710851 13.30840 -0.278835 0.7884
C 575.4432 1284.251 0.448077 0.6676
R-squared 0.010985 Mean dependent var 217.9776
Adjusted R-squared -0.130303 S.D. dependent var 214.6654
S.E. of regression 228.2231 Akaike info criterion 13.89165
Sum squared resid 364600.3 Schwarz criterion 13.93548
Log likelihood -60.51244 F-statistic 0.077749
Durbin-Watson stat 1.011648 Prob(F-statistic) 0.788429



Dependent Variable: ABSRESID
Method: Least Squares
Date: 04/30/07 Time: 16:45
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
X -0.020350 0.067505 -0.301456 0.7718
C 407.4761 633.1895 0.643529 0.5404
R-squared 0.012816 Mean dependent var 217.9776
Adjusted R-squared -0.128210 S.D. dependent var 214.6654
S.E. of regression 228.0117 Akaike info criterion 13.88980
Sum squared resid 363925.4 Schwarz criterion 13.93363
Log likelihood -60.50411 F-statistic 0.090876
Durbin-Watson stat 1.015122 Prob(F-statistic) 0.771825
(-0.2788) (0.4480) t
(13,3084) (1284.251)
7108 , 3 4432 . 575
2 1
=
=
=
+ + =

ee
X u
v X u
i i
i i i



=
2
R 0.011

Utilizando otra de las formas funcionales de Glejser nos damos cuenta que no existe relacin entre el valor absoluto
de los residuos y la variable explicativa productividad promedio, es decir existe homoscedasticidad.

d) Encuntrese la correlacin por rango entre
i
u y
i
X y comntese sobre la naturaleza de la
heteroscedasticidad presente en los datos, si sta existe.

XI
i
u
Oxi Oui di di
2

9355.000 766.0088 5 9 -4 16
8584.000 189.0912 4 7 -3 9
7962.000 186.8968 1 6 -5 25
8275.000 112.4205 2 3 -1 1
8389.000 216.9308 3 8 -5 25
9418.000 63.79947 6 1 5 25
9795.000 118.8903 7 4 3 9
10281.00 152.6971 8 5 3 9
11750.00 103.4650 9 2 7 49
168

( )
(
(

=

1
6 1
2
2
n n
d
rs
i


( )
(

=
1 81 9
168
6 1 rs

(

=
720
168
6 1 rs

4 . 1 1 = rs

4 . 0 = rs

2
1
2
rs
n rs
t
dado

=
( ) 1 3211111111 . 0 1
2 9 566 . 0

=
dado
t

823947 . 0
499259 . 1
=
dado
t

81960 . 1 =
dado
t

27 . 0 =
calculado
t


-1.82 -0.27 1.82



INTERPRETACIN:

Como el t dado excede al t calculado en valores absolutos, entonces no hay suficiente evidencia estadstica para
rechazar la hiptesis de que existe homoscedasticidad por lo tanto hay heteroscedasticidad.

11.13. Prueba de homogeneidad de varianza de Bartlett. Suponga que hay k varianzas muestrales
independientes s
1
2
,s
2
2
,,sk
2
cada uno con f
1,
f
2
,, f
k
g de l, provenientes de poblaciones normalmente
distribuidas con mediau y varianza
2
i
. Supngase adems que se desea probar la hiptesis nula
2 2 2
2
2
1 0
... = = = = =
k
H , es decir cada varianza muestral es una estimacin de la misma varianza
poblacional
2
.
Si la hiptesis nula es verdadera, entonces

=
2
s
2 2
i i i i
s f s f

=

i
f f

Constituye una estimacin comn (agrupada) de la varianza poblacional
2
, donde f
i
=(n
i
-1), siendo n
i
el
nmero de observaciones en el grupo i-simo y donde .
1 i
k
i
f f
=
=
Bartlett ha demostrado que la hiptesis nula puede probarse por la razn A/B, que est distribuida
aproximadamente como la distribucin
2
con k-1 g de l, donde
) ln ( ln
2 2
i i
s f s f A

=
y
(

|
|

\
|

+ =

f f k
B
1 1
) 1 ( 3
1
1
1


Aplquese la prueba de Bartlett sobre los datos de la tabla 11.1 y verifquese que no se puede rechazar la
hiptesis de que las varianzas poblacionales de la compensacin salarial son las mismas para cada tamao de
empleo del establecimiento, al nivel de significancia del 5%.
Nota: f
1
, los g de l para cada varianza muestral, es 9, puesto que n
i
para cada muestra(es decir clase de
empleo) es 10.

Hiptesis

2 2 2
2
2
1 0
... : = = = =
K
H Homoscedasticidad
:
a
H Heteroscedasticidad

f
i

2
i i
s f
2
ln
i i
s f 1/ f
i

9 4957747,56 118,97 0,11
9 6523937,64 121,44 0,11
9 4767235,56 118,62 0,11
9 5833094,432 120,44 0,11
9 7782426,09 123,03 0,11
9 10509267,24 125,73 0,11
9 13865196,96 128,23 0,11
9 15390713,61 129,17 0,11
9 11098892,25 126,123 0,11
81 80728511,34 1111,86 1

Para aplicar la prueba de Bartlett necesitamos el resultado de los datos obtenidos anteriormente:
Entonces:
f
s f
f
s f
s
i i
i
k
i
i i

= =
=
2
1
2
2

2881 . 996648
72
34 . 80728511
2
= = s


( )

=
2 2
ln ln
i i
s f s f A

86 . 1111 ) 81215322 . 13 ( 81 = A

86 . 1111 78 . 1118 = A

92 . 6 = A


( )
(

+ =
81
1
1
1 2 3
1
1 B


[ ] 987654321 . 0
3
1
1+ = B

329218107 . 1 = B

21 . 5
329218107 . 1
92 . 6
= =
B
A


2 2 2
2
2
1 0
... : = = = =
K
H Homoscedasticidad

:
a
H Heteroscedasticidad

2 / 1
975 . 0 2 / 05 . 0 1 =
gl= 10-2
gl= 8

17973 . 2
2
= con 2 / 1 y con 8 gl.

2
= 17.5346 con /2 y con 8 gl.


2.18 5.21 17.53

INTERPRETACIN:

Segn la prueba de Bartlett no existe suficiente evidencia estadstica para rechazar la
2 2 2
2
2
1 0
... : = = = =
K
H
con un 95% de confianza, por lo tanto existe homoscedasticidad, es decir que la varianza es constante a lo largo de
la regresin.

11.15. La tabla 11.7 proporciona datos sobre 81 automviles respecto a su: MPG (millas promedio por galn),
CF(caballos de fuerza de su motor), VOL(pies cbicos de su cabina), VM(velocidad mxima en millas por hora) y
su PS(peso del vehculo en cientos de lbs).

TABLA 11.7

obs MPG VM CF VOL PS
1 65.40000 96.00000 49.00000 89.00000 17.50000
2 56.00000 97.00000 55.00000 92.00000 20.00000
3 55.90000 97.00000 55.00000 92.00000 20.00000
4 49.00000 105.0000 70.00000 92.00000 20.00000
5 46.50000 97.00000 53.00000 92.00000 20.00000
6 46.20000 98.00000 70.00000 89.00000 20.00000
7 45.40000 107.0000 55.00000 92.00000 20.00000
8 59.20000 103.0000 62.00000 50.00000 22.50000
9 53.30000 113.0000 62.00000 50.00000 22.50000
10 43.40000 113.0000 80.00000 94.00000 22.50000
11 41.10000 103.0000 73.00000 89.00000 22.50000
12 40.90000 113.0000 92.00000 50.00000 22.50000
13 40.90000 113.0000 92.00000 99.00000 22.50000
14 40.40000 103.0000 73.00000 89.00000 22.50000
15 39.60000 100.0000 66.00000 89.00000 22.50000
16 39.30000 103.0000 73.00000 89.00000 22.50000
17 38.90000 106.0000 78.00000 91.00000 22.50000
18 38.80000 113.0000 92.00000 50.00000 22.50000
19 0.380000 106.0000 78.00000 91.00000 22.50000
20 42.20000 109.0000 90.00000 103.0000 25.00000
21 40.90000 110.0000 92.00000 99.00000 25.00000
22 40.70000 101.0000 74.00000 107.0000 25.00000
23 40.00000 111.0000 95.00000 101.0000 25.00000
24 39.30000 105.0000 81.00000 96.00000 25.00000
25 38.80000 111.0000 95.00000 89.00000 25.00000
26 38.40000 110.0000 92.00000 50.00000 25.00000
27 38.40000 110.0000 92.00000 117.0000 25.00000
28 38.40000 110.0000 92.00000 99.00000 25.00000
29 46.90000 90.00000 52.00000 104.0000 27.50000
30 36.30000 112.0000 103.0000 107.0000 27.50000
31 36.10000 103.0000 84.00000 114.0000 27.50000
32 36.10000 103.0000 84.00000 101.0000 27.50000
33 35.40000 111.0000 102.0000 97.00000 27.50000
34 35.30000 111.0000 102.0000 113.0000 27.50000
35 35.10000 102.0000 81.00000 101.0000 27.50000
36 35.10000 106.0000 90.00000 98.00000 27.50000
37 35.00000 106.0000 90.00000 88.00000 27.50000
38 33.20000 109.0000 102.0000 86.00000 30.00000
39 32.90000 109.0000 102.0000 86.00000 30.00000
40 32.30000 120.0000 130.0000 92.00000 30.00000
41 32.20000 106.0000 95.00000 113.0000 30.00000
42 32.20000 106.0000 95.00000 106.0000 30.00000
43 32.20000 109.0000 102.0000 92.00000 30.00000
44 32.20000 106.0000 95.00000 88.00000 30.00000
45 31.50000 105.0000 93.00000 102.0000 30.00000
46 31.50000 108.0000 100.0000 99.00000 30.00000
47 31.40000 108.0000 100.0000 111.0000 30.00000
48 31.40000 107.0000 98.00000 103.0000 30.00000
49 31.20000 120.0000 130.0000 86.00000 30.00000
50 33.70000 109.0000 115.0000 101.0000 35.00000
51 32.60000 109.0000 115.0000 101.0000 35.00000
52 31.30000 109.0000 115.0000 101.0000 35.00000
53 31.30000 109.0000 115.0000 124.0000 35.00000
54 30.40000 133.0000 180.0000 113.0000 35.00000
55 28.90000 125.0000 160.0000 113.0000 35.00000
56 28.00000 115.0000 130.0000 124.0000 35.00000
57 28.00000 102.0000 96.00000 92.00000 35.00000
58 28.00000 109.0000 115.0000 101.0000 35.00000
59 28.00000 104.0000 100.0000 94.00000 35.00000
60 28.00000 105.0000 100.0000 115.0000 35.00000
61 27.70000 120.0000 145.0000 111.0000 35.00000
62 25.60000 107.0000 120.0000 116.0000 40.00000
63 25.30000 114.0000 140.0000 131.0000 40.00000
64 23.90000 114.0000 140.0000 123.0000 40.00000
65 23.60000 117.0000 150.0000 121.0000 40.00000
66 23.60000 122.0000 165.0000 50.00000 40.00000
67 23.60000 122.0000 165.0000 114.0000 40.00000
68 23.60000 122.0000 165.0000 127.0000 40.00000
69 23.60000 122.0000 165.0000 123.0000 40.00000
70 23.50000 148.0000 245.0000 112.0000 40.00000
71 23.40000 160.0000 280.0000 50.00000 40.00000
72 23.40000 121.0000 162.0000 135.0000 40.00000
73 23.10000 121.0000 162.0000 132.0000 40.00000
74 22.90000 110.0000 140.0000 160.0000 45.00000
75 22.90000 110.0000 140.0000 129.0000 45.00000
76 19.50000 121.0000 175.0000 129.0000 45.00000
77 18.10000 165.0000 322.0000 50.00000 45.00000
78 17.20000 140.0000 238.0000 115.0000 45.00000
79 17.00000 147.0000 263.0000 50.00000 45.00000
80 16.70000 157.0000 295.0000 119.0000 45.00000
81 13.20000 130.0000 236.0000 107.0000 55.00000


Donde:
VOL = pies cbicos del espacio de la cabina
CF = caballos de fuerza del motor.
MPG = millas promedio por galn.
VM = velocidad mxima.
PS = peso del vehiculo, cientos de libra.

a) Considere el siguiente modelo:

i i
u PS CF VM MPG + + + + =
4 3 2 1


Estime los parmetros de este modelo e interprete los resultados. Tiene significado econmico?

Con los datos presentados en la tabla anterior corremos el modelo en el programa Eviews y obtenemos los
siguientes resultados:

Dependent Variable: MPG
Method: Least Squares
Date: 05/03/07 Time: 17:52
Sample: 1 81
Included observations: 81
Variable Coefficient Std. Error t-Statistic Prob.
C 75.72373 28.61802 2.646015 0.0099
VM -0.111336 0.289859 -0.384103 0.7020
CF 0.011069 0.095636 0.115738 0.9082
PS -1.003452 0.265787 -3.775403 0.0003
R-squared 0.664598 Mean dependent var 33.36765
Adjusted R-squared 0.651531 S.D. dependent var 10.70712
S.E. of regression 6.320552 Akaike info criterion 6.573612
Sum squared resid 3076.102 Schwarz criterion 6.691856
Log likelihood -262.2313 F-statistic 50.85849
Durbin-Watson stat 1.394075 Prob(F-statistic) 0.000000

PS CF VM MPG
i
00 . 1 01 . 0 11 . 0 72 . 75 + =
ee = (28.62) (0.29) (0.0956) (0.266)
t = (2.65) (-0.38) (0.12) (-3.78)
=
2
R 0.665

INTERPRETACIN:

2

Dados incrementos unitarios en la velocidad mxima se estima que las millas promedio por galn disminuirn en
0.11 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre MPG y la
velocidad mxima.

3

Dados incrementos en los caballos de fuerza de motor se estima que las millas promedio por galn tambin se
incrementarn en 0.01 milla por galn manteniendo todo lo dems constante, es decir existe una relacin directa
entre MPG y los caballos de fuerza de motor, por tanto si incrementa el uno tambin incrementar el otro y
viceversa.

4

Dados incrementos unitarios en el peso del vehculo, cientos de libras se estima que las millas promedio por galn
disminuir en 1.00 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre
las MPG y el peso del vehiculo, cientos de libra.

a) Se esperara que la varianza del error en el modelo anterior sea heteroscedstica? Por qu?
Si se esperara que la varianza del error en este modelo sea heteroscedstica ya que estamos utilizando datos de
corte transversal y es en este caso donde existe mayor probabilidad que se de heteroscedasticidad es decir que la
varianza no sea constante a lo largo de la regresin.

b) Utilice la prueba White para averiguar si la varianza de error es heteroscedstica.

White Heteroskedasticity Test:
F-statistic 0.287759 Probability 0.976044
Obs*R-squared 2.850614 Probability 0.969924

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/03/07 Time: 19:01
Sample: 1 81
Included observations: 81
Variable Coefficient Std. Error t-Statistic Prob.
C -20940160 28561411 -0.733163 0.4659
VM 445660.3 594060.7 0.750193 0.4556
VM^2 -2282.160 3124.536 -0.730400 0.4675
VM*CF 1214.655 1966.184 0.617773 0.5387
VM*PS -2242.884 5680.112 -0.394866 0.6941
CF -114865.3 198918.2 -0.577450 0.5655
CF^2 -151.9130 342.2568 -0.443857 0.6585
CF*PS 418.6345 2188.015 0.191331 0.8488
PS 163107.1 603790.5 0.270139 0.7878
PS^2 509.4899 4019.457 0.126756 0.8995
R-squared 0.035193 Mean dependent var 37597.08
Adjusted R-squared -0.087107 S.D. dependent var 309158.7
S.E. of regression 322342.5 Akaike info criterion 28.31976
Sum squared resid 7.38E+12 Schwarz criterion 28.61537
Log likelihood -1136.950 F-statistic 0.287759
Durbin-Watson stat 2.109911 Prob(F-statistic) 0.976044

( ) ( ) + = PS VM CF VM VM VM MPG
t
* 884 . 2242 * 655 . 1214 160 . 2282 3 . 445660 20940160
2

( )
2 2
4899 . 509 1 . 163107 6345 . 418 9130 . 151 3 . 114865 PS PS PS CF CF CF +


De acuerdo a la prueba de White podemos observar que los valores p son mayores que a un de 0.05 por lo que
podemos decir que existe homoscedasticidad.

c) Obtngase los errores estndar de White que son consistentes con la heteroscedasticidad, as como los
valores t, y compare los resultados con los obtenidos mediante los MCO.

Valores t mediante los MCO.
t = (2.65) (-0.38) (0.12) (-3.78)
ee= (28.62) (0.29) (0.0956) (0.266)

Valores t mediante White
t= (-0.733) (0.750) (-0.577) (-0.270)
ee=(28561411) (594060.7) (198918.2) (603790.5)

Comparando los valores t de MCO con los obtenidos en la prueba de White podemos darnos cuenta que estos
valores en su mayora son poco significativos, por lo tanto se puede concluir diciendo que existe
homoscedasticidad, ahora las desviaciones estndar de MCO son mnimos a comparacin de los obtenidos a partir
de la prueba de White ya que su varianza se ha inflado enormemente y por lo tanto ya no son eficientes.

d) Si se establece la heteroscedasticidad, Cmo se podra transformar los datos de manera que en los datos
transformados la varianza de error sea homoscedstica? Muestre los clculos necesarios.

Si se establece heteroscedasticidad se puede corregir aplicando el mtodo de MCG para que de esta manera la
varianza de error sea homoscedstica pero en este caso no se puede hacer ningn clculo debido a que este modelo
presenta homoscedasticidad, como podemos darnos cuenta en los siguientes grficos:

* Relacionando los residuos al cuadrado con la velocidad mxima al cuadrado.

-400
0
400
800
1200
1600
2000
5000 10000 15000 20000 25000 30000
CUADRADEVM
C
U
A
D
R
A
D
E
R
E
S
I
D
CUADRADERESID vs. CUADRADEVM



Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.



*Relacionando los residuos al cuadrado con los caballos de fuerza de motor al cuadrado.
-400
0
400
800
1200
1600
2000
0 40000 80000 120000
CUADRADECF
C
U
A
D
R
A
D
E
R
E
S
I
D
CUADRADERESID vs. CUADRADECF

Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.

*Relacionando los residuos al cuadrado con el peso de vehculo, cientos de libras al cuadrado.

-400
0
400
800
1200
1600
2000
0 1000 2000 3000 4000
CUADRADEPS
C
U
A
D
R
A
D
E
R
E
S
I
D
CUADRADERESID vs. CUADRADEPS

Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.

SEGUNDA PARTE

Con los siguientes datos se pide aplicar todas las pruebas para la deteccin de heteroscedasticidad.

GASTOS INGRESOS GASTOS INGRESOS
275 6.247 359 9.032
275 6.183 388 6.505
531 8.914 311 7.478
316 7.505 397 7.839
304 6.813 315 6.242
431 7.873 315 7.697
316 6.640 356 7.624
427 8.063 missing 7.597
259 5.736 339 7.374
294 7.391 452 8001
423 8.818 428 10.001
335 6.607 403 8.380
320 6.951 345 7.696
342 7.526 260 6.615
268 6.489 427 8.306
353 6.541 477 7.847
320 6.456 433 7.051
821 10851 279 7.277
387 8.850 447 8.267
424 8.604 322 7.812
265 6.700 412 7.733
437 8.745 321 6.841
355 8.001 417 6.622
327 6.333 415 8.450
466 8.442 500 9.096
274 7.342


MODELO CORRIDO

Dependent Variable: GASTOS
Method: Least Squares















Del modelo corrido se obtuvieron los siguientes resultados:

Y G 069 . 0 05 . 152

+ =
ee= (64.120) (0.008)
t= (-2.37) (8.27)


INTERPRETACIN:

05 . 152

1
=
Un 05 . 152

1
= nos dice que es el gasto autnomo cuando el ingreso tiene un valor de cero es decir, que el gasto
no depende del ingreso.

069 . 0

2
=
Un 069 . 0

2
= nos dira que dado un incremento unitario en el ingreso per cpita se estima que el gasto per cpita
tambin se incrementar en 0.069 dlares, ya que la relacin entre estas variables es directa, es decir si se
incrementa el ingreso tambin se incrementar el gasto y viceversa.

PRUEBAS PARA LA DETECCIN DE LA HETEROSCEDASTICIDAD

Se pueden examinar algunos de los mtodos informales y formales para detectar la heteroscedasticidad,
comenzaremos primero por los mtodos informales.

1) Mtodos Informales

Dentro de los mtodos informales tenemos nicamente el mtodo grfico que lo presentamos a continuacin:



MTODO GRFICO


200,00 300,00 400,00 500,00 600,00
yest
0,00
10000,00
20000,00
30000,00
40000,00
50000,00
60000,00
u
i
2


Date: 05/03/07 Time: 17:25
Sample: 1 51
Included observations: 50
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.069046 0.008350 8.268729 0.0000
C -152.0547 64.12009 -2.371405 0.0218
R-squared 0.587529 Mean dependent var 373.2600
Adjusted R-squared 0.578936 S.D. dependent var 94.55326
S.E. of regression 61.35508 Akaike info criterion 11.11041
Sum squared resid 180693.4 Schwarz criterion 11.18689
Log likelihood -275.7603 F-statistic 68.37187
Durbin-Watson stat 2.335192 Prob(F-statistic) 0.000000
Conclusin: De acuerdo al mtodo grfico se puede decir que la varianza del trmino de perturbacin esta
relacionada linealmente con el ingreso per cpita, por lo tanto se ve la existencia de algn grado de
heteroscedasticidad.

2) Mtodos Formales

i) PRUEBA DE PARK

La forma funcional sugerida por Park es la siguiente:
vi
i i
e X


2 2
=

A la regresin anterior se la puede linealizar,

Entonces nos quedara,

vi X
i i
+ + = ln ln ln
2 2

Como no se conoce la varianza del trmino de perturbacin a nivel poblacional, Park utiliza la
2

i
u como una
aproximacin y corre la siguiente regresin.
vi X u
vi X u
i i
i i
+ + =
+ + =
ln ln
ln ln ln
2
2 2





Dependent Variable: LNUI2
Method: Least Squares
Date: 05/03/07 Time: 17:40
Sample: 1 51
Included observations: 50
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.000820 0.000324 2.531760 0.0147
C 0.476994 2.487254 0.191775 0.8487
R-squared 0.117806 Mean dependent var 6.716200
Adjusted R-squared 0.099427 S.D. dependent var 2.507940
S.E. of regression 2.379998 Akaike info criterion 4.611254
Sum squared resid 271.8907 Schwarz criterion 4.687735
Log likelihood -113.2814 F-statistic 6.409807
Durbin-Watson stat 2.105620 Prob(F-statistic) 0.014677





Hiptesis:

Ho:
2
= 0 Homoscedasticidad
Ha:
2
0 Heteroscedasticidad

n= 50
gl= 48
021 . 2 =
dado
t
53 . 2
00324 . 0
000820 . 0
=
=
|

\
|
=

calculado
calculado
calculado
t
t
se
t

0.118 R (2.532) (0.197) t
(0.000324) (2.487)
ln 0008 . 0 4769 . 0 ln
2
2
= =
=
+ =
se
X u
i i
-2.02 2.02 2.5


INTERPRETACIN:

Como el t calculado es mayor que el t dado no existe suficiente evidencia estadstica para aceptar la Ho:
2
=
0, es decir se acepta la Ha:
2
0 por lo tanto podemos decir que existe heteroscedasticidad en este modelo

ii) PRUEBA DE GLEJSER
Esta prueba es muy similar a la prueba de Park con la nica diferencia de que Glejser sugiere hacer la regresin
sobre los valores absolutos de los residuos estimados sobre la variable X que se cree que esta muy asociada con la
varianza del trmino de perturbacin estocstica a nivel poblacional y para esto aplico algunas formas funcionales
que se mencionan en el libro, nosotros escogimos la siguiente forma funcional.
vi X u
i
i + + =

2 1


Modelo corrido

Con los datos de la tabla, aplicando el programa Eviews obtuvimos los siguientes resultados:
190 . 0 R (3.355) (-2.117) t
(0.004) (7.703)
016 . 0 845 . 79
2
= =
=
+ =

se
X u
i i



Hiptesis:

Ho:
2
= 0 Homoscedasticidad
Ha:
2
0 Heteroscedasticidad


n= 50
gl= 48
021 . 2 =
dado
t
35 . 3
004910 . 0
016477 . 0
=
=
|

\
|
=

calculado
calculado
calculado
t
t
se
t

Dependent Variable: Ui
Method: Least Squares
Date: 05/3/07 Time: 17:42
Sample: 1 51
Included observations: 50
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.016477 0.004910 3.355730 0.0016
C -79.84539 37.70291 -2.117751 0.0394
R-squared 0.190023 Mean dependent var 45.51160
Adjusted R-squared 0.173148 S.D. dependent var 39.67505
S.E. of regression 36.07707 Akaike info criterion 10.04837
Sum squared resid 62474.65 Schwarz criterion 10.12485
Log likelihood -249.2093 F-statistic 11.26092
Durbin-Watson stat 2.031507 Prob(F-statistic) 0.001554


-2.02 2.02 3.35

INTERPRETACIN:

Como el t calculado es mayor que el t dado no existe suficiente evidencia estadstica para aceptar la Ho:
2
=
0, es decir se acepta la Ha:
2
0 por lo tanto podemos decir que existe heteroscedasticidad en este modelo


iii) PRUEBA DE CORRELACIN POR GRADO DE SPEARMAN

Spearman defini el coeficiente de correlacin por rango como:

( )
(
(

=

1
6 1
2
2
n n
d
r
i
s


Ordenando de manera ascendente tenemos:



i
u rango de
i
u Xi rango de Xi d d
2

4,28 4 6247 4 0 0
0,14 2 6183 2 0 0
67,58 41 8914 47 -6 36
50,14 34 7505 24 10 100
14,36 9 6813 15 -6 36
39,45 29 7873 34 -5 25
9,59 8 6640 13 -5 25
22,33 16 8063 37 -21 441
15 11 5736 1 10 100
64,27 38 7391 22 16 256
33,8 25 8818 45 -20 400
30,87 24 6607 10 14 196
7,89 7 6951 17 -10 100
25,59 19 7526 25 -6 36
27,99 21 6489 7 14 196
53,42 37 6541 9 28 784
26,29 20 6456 6 14 196
223,83 51 10851 51 0 0
72,01 43 8850 46 -3 9
18,02 13 8604 43 -30 900
45,56 33 6700 14 19 361
14,76 10 8745 44 -34 1156
45,39 32 8001 35 -3 9
41,78 30 6333 5 25 625
35,16 27 8442 41 -14 196
80,88 44 7342 20 24 576
112,57 50 9032 48 2 4
90,91 46 6505 8 38 1444
53,27 36 7478 23 13 169
7,8 6 7839 32 -26 676
36,07 28 6242 3 25 625
64,4 39 7697 29 10 100
18,36 15 7624 27 -12 144
1 7597 26 -25 625
18,09 14 7374 21 -7 49
51,61 35 8001 36 -1 1
110,48 48 10001 50 -2 4
23,55 17 8380 40 -23 529
34,33 26 7696 28 -2 4
44,69 31 6615 11 20 400
5,56 5 8306 39 -34 1156
.
87,25 45 7847 33 12 144
98,21 47 7051 18 29 841
71,4 42 7277 19 23 529
28,25 22 8267 38 -16 256
65,34 40 7812 31 9 81
30,12 23 7733 30 -7 49
0,71 3 6841 16 -13 169
111,83 49 6622 12 37 1369
16,39 12 8450 42 -30 900
24,01 18 9096 49 -31 961
17988



Con los resultados de la tabla anterior aplicamos a la frmula y obtenemos:

1860 . 0
) 2600 ( 51
17988
6 1
=
(

=
s
s
r
r


Para aplicar la prueba de significancia individual nos planteamos las siguientes hiptesis:

Ho:
s
= 0 Homoscedasticidad
Ha:
s
0 Heteroscedasticidad


2
1
2
s
s
dado
r
n r
t

=



33 . 1
034596 . 0 1
2 51 1860 . 0
=

=
dado
t




n= 50
gl= 48
021 . 2 =
dado
t





- 2.021 1.33 2.021



INTERPRETACIN:

Con 48 grados de libertad el valor t no es significativo a un nivel de significancia del 5% por tanto hay suficiente
evidencia estadstica para aceptar la Ho:
s
= 0 por lo tanto se rechaza la Ha:
s
0 Heteroscedasticidad.

iiii) PRUEBA DE GOLDFELD QUANT.

ste mtodo es aplicable si se supone que la varianza heteroscedstica,
2
i
est relacionada positivamente con una
de las variables explicativas en el modelo de regresin.

Para aplicar esta prueba nos basamos en los siguientes pasos:

Paso 1. Ordenar las observaciones de acuerdo con los valores de X
i
(ingresos per cpita) empezando por el valor de
X ms bajo.
Paso 2. Luego omitir c observaciones centrales, en este caso se han omitido 16 observaciones.
Paso 3. Posteriormente se procede a ajustar las regresiones y se obtiene la SRC
1
que representa los ingresos bajos y
SRC
2
que representa los ingresos altos.
Paso 4. Se calcula la razn ( ) . Y con grados de libertad dado por:


( )
l de
2
2
o
2
2
g
k c n
k
c
|

\
|

Entonces:

VALORES DE INGRESOS PER CAPITA BAJOS


Estado Gastos
Ingresos
bajos
Miss, 259 5736
Ark. 275 6183
S.C. 315 6242
Ala. 275 6247
Maine 327 6333
W. Va. 320 6456
Tenn. 268 6489
N.Mex. 388 6505
Vt. 353 6541
N.C. 335 6607
Ky. 260 6615
Urah. 417 6622
La 316 6640
Ga. 265 6700
Indaho 304 6813
S.Dak. 321 6841
Okla. 320 6951




Modelo 1

Dependent Variable: GASTOS
Method: Least Squares
Date: 05/3/07 Time: 19:07
Sample: 1 17
Included observations: 17
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.047758 0.037536 1.272329 0.2226
C 2.340721 244.2585 0.009583 0.9925
R-squared 0.097409 Mean dependent var 312.8235
Adjusted R-squared 0.037236 S.D. dependent var 44.66435
S.E. of regression 43.82490 Akaike info criterion 10.50841
Sum squared resid 28809.33 Schwarz criterion 10.60644
Log likelihood -87.32150 F-statistic 1.618821
Durbin-Watson stat 2.405128 Prob(F-statistic) 0.222627

17 l de g
28809.33 SRC
0974 , 0 r
(2.2723) (0.0095) t
(0.0375) (244.25)
04771 . 0 340 . 2
1
2
=
=
=
=
=
+ =

se
X G










VALORES DE INGRESOS PER CPITA ALTOS


Estado Gastos
Ingresos
altos
Iowa 431 7873
Kans. 355 8001
Colo. 452 8001
Mass. 427 8063
N. Y. 447 8267
Md. 427 8306
Hawai 403 8380
Mich. 466 8442
Wash. 415 8450
Del. 424 8604
Ill. 437 8745
N.J. 423 8818
Cal. 387 8850
Ct. 531 8914
Nev. 359 9032
Wyo. 500 9096
D. C. 428 10001
Alaska 821 10851


Modelo 2


Dependent Variable: GASTOS
Method: Least Squares
Date: 05/3/07 Time: 19:10
Sample: 1 18
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.095576 0.024560 3.891483 0.0013
C -380.1783 214.5324 -1.772125 0.0954
R-squared 0.486251 Mean dependent var 451.8333
Adjusted R-squared 0.454142 S.D. dependent var 101.4879
S.E. of regression 74.98149 Akaike info criterion 11.57680
Sum squared resid 89955.57 Schwarz criterion 11.67573
Log likelihood -102.1912 F-statistic 15.14364
Durbin-Watson stat 2.453728 Prob(F-statistic) 0.001297
18 l de g
89955.57 SRC
.486 0 r
(3.8914) (-1.7721) t
(0.02456) (214.532)
0955 . 0 178 . 380
2
2
=
=
=
=
=
+ =

se
X G


Con los resultados anteriores calculamos .


l de /
l de /
1
2
g SRC
g SRC
=



978 . 2
17 / 33 . 28809
18 / 57 . 89955
= =



INTERPRETACIN

Como el valor F crtico para 18 grados de libertad en el numerador y 17 grados de libertad en el denominador es
de 2.23, por lo tanto se observa que el F dado es menor al F calculado entonces se puede decir que existe algn
grado de probabilidad de heteroscedastidcidad.


iiiii) PRUEBA GENERAL DE HETEROSCEDASTICIDAD DE WHITE

La prueba general de White no se apoya en el supuesto de normalidad y es fcil de llevar a cabo, para aplicar esta
prueba seguimos los pasos planteados en el libro.

Para ello nos planteamos las siguientes hiptesis:

Ho: Homoscedasticidad
Ha: Heteroscedasticidad


White Heteroskedasticity Test:
F-statistic 41.76532 Probability 0.000000
Obs*R-squared 31.99656 Probability 0.000000

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/3/07 Time: 19:25
Sample: 1 51
Included observations: 50


Como
2
l de g
2
X sigue * R n


Entonces:

2
l de 2g
X sigue 99656 . 31



0 .010 5.99 31.996


INTERPRETACIN:

Como el valor
2
calculado esta en la zona de aceptacin se puede decir que existe suficiente evidencia estadstica
para aceptar la Ho: Homoscedasticidad, por lo tanto se concluye diciendo que existe homoscedasticidad es decir
que la varianza es constante a lo largo de la regresin.

iiiiii) PRUEBA DE LA RAZN DE LA VEROSIMILUD

Esta es una prueba especialmente par muestras grandes, se basa en las estimaciones de mxima verosimilitud y se
supone que se ha identificado adecuadamente los grupos con varianzas diferenciadas.

Para aplicar este mtodo nos planteamos las siguientes hiptesis:

Ho: Homoscedasticidad
Ha: Heteroscedasticidad



Entonces se calcula el estadstico de prueba con la siguiente igualdad:

n
p
i
ni
i
Donde
u

:
ln 2
1

=
=
=



Grupo diferenciado n
1
(ingresos bajos)

Estado Gastos
Ingresos
bajos
Miss, 259 5736
Ark. 275 6183
S.C. 315 6242
Ala. 275 6247
Maine 327 6333
W. Va. 320 6456
Tenn. 268 6489
N.Mex. 388 6505
Vt. 353 6541
N.C. 335 6607
Ky. 260 6615
Urah. 417 6622
La 316 6640
Ga. 265 6700
Indaho 304 6813
S.Dak. 321 6841
Okla. 320 6951

Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:


















.486 0 R
(1.272) (0.009) t
(0.0375) (244.25)
0477 . 0 340 . 2
2
=
=
=
+ =

se
X G
bajos



Grupo diferenciado n
2
(ingresos medios)

Estado Gastos
Ingresos
bajos
Mont. 433 7051
N.H. 279 7277
Mo. 274 7342
Ariz. 339 7374
Nebr. 294 7391
N. Dak. 311 7478
Fla 316 7505
R.I. 342 7526
Wisc. missing 7597
Va. 356 7624
Ind. 345 7696
Texas 315 7697
Pa. 412 7733
Ohio 322 7812
Oreg 397 7839
Minn. 477 7847
Lowa 431 7873


Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:

Modelo corrido
Dependent Variable: GASTOS
Method: Least Squares
Date: 05/3/07 Time: 20:22
Sample: 1 17
Included observations: 17
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.047758 0.037536 1.272329 0.2226
C 2.340721 244.2585 0.009583 0.9925
R-squared 0.097409 Mean dependent var 312.8235
Adjusted R-squared 0.037236 S.D. dependent var 44.66435
S.E. of regression 43.82490 Akaike info criterion 10.50841
Sum squared resid 28809.33 Schwarz criterion 10.60644
Log likelihood -87.32150 F-statistic 1.618821
Durbin-Watson stat 2.405128 Prob(F-statistic) 0.222627



















0.1537 R
(1.59501) (-0.84387) t
(0.06208) (470.0026)
0990 . 0 623 . 396
2
=
=
=
+ =

se
X G
medios



Grupo diferenciado n
3
(ingresos altos)

Estado Gastos
Ingresos
bajos
Kans. 355 8001
Colo. 452 8001
Mass. 427 8063
N.Y. 447 8267
Md. 427 8306
Hawai 403 8380
Mich. 466 8442
Wash. 415 8450
Del. 424 8604
I ll. 437 8745
N.J 423 8818
Cal. 387 8850
Ct. 531 8914
Nev. 359 9032
Wyo. 500 9096
D.C. 428 10001
Alaska 821 10851


Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:



















0.507 R
(3.932153) (-1.92285) t
(0.025838) (226.9379)
10160 . 0 3693 . 436
2
=
=
=
+ =

se
X G
altos


Con los datos de las regresiones aplicamos la siguiente frmula:
Dependent Variable: GASTOS
Method: Least Squares
Date: 05/3/07 Time: 20:26
Sample: 1 17
Included observations: 16
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.099029 0.062087 1.595010 0.1330
C -396.6227 470.0026 -0.843873 0.4129
R-squared 0.153775 Mean dependent var 352.6875
Adjusted R-squared 0.093330 S.D. dependent var 60.22261
S.E. of regression 57.34350 Akaike info criterion 11.05246
Sum squared resid 46035.87 Schwarz criterion 11.14904
Log likelihood -86.41972 F-statistic 2.544058
Durbin-Watson stat 1.651810 Prob(F-statistic) 0.133030
Dependent Variable: GASTOS
Method: Least Squares
Date: 05/3/07 Time: 20:40
Sample: 1 17
Included observations: 17
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.101600 0.025838 3.932153 0.0013
C -436.3693 226.9379 -1.922858 0.0737
R-squared 0.507580 Mean dependent var 453.0588
Adjusted R-squared 0.474752 S.D. dependent var 104.4740
S.E. of regression 75.71642 Akaike info criterion 11.60200
Sum squared resid 85994.65 Schwarz criterion 11.70002
Log likelihood -96.61698 F-statistic 15.46183
Durbin-Watson stat 2.461265 Prob(F-statistic) 0.001331
n
p
i
ni
i

=
=


Donde:

= El operador de multiplicacin.
p= El nmero de grupos.
n
i
= El tamao de cada grupo en la muestra.
n= El tamao de la muestra
|
|

\
|
=

=
p
i
i
n n
1

( ) ( ) ( ) [ ]
( )
039692449 . 0
35508 . 61
71642 . 75 34350 . 57 82490 . 43
50
17 16 17
=
=

A continuacin se obtiene el estadstico de prueba aplicando la siguiente frmula:

( )
453188622 . 6
039692449 . 0 ln 2
=
=
u
u


( ) gl 1 - p con sigue
2
u


0.01 5.99 6.45

INTERPRETACIN:

Dado que u es mayor que el Ji-cuadarado dado se puede asumir que existe algn grado de heteroscedasticidad por
lo tanto no existe suficiente evidencia estadstica para aceptar Ho: Homoscedasticidad es decir se acepta la Ha:
Heteroscedasticidad.