HETEROSCEDASTICIDAD1

1. LA NATURALEZA DE LA HETEROSCEDASTICIDAD

Uno de los supuestos importantes del modelo de regresión lineal es que la

varianza de cada perturbación  es una constante igual a 2.
Este es el supuesto de homoscedasticidad2, que en términos gráficos se
puede representar como :
Gráfica 1

note que para cada valor de x la dispersión de los errores es constante.

En contraste si dicha varianza es no-constante se cumple que E (2) = 2 , =

1, 2, 3, .....n, donde se observa que a cada valor de y se puede tener varianza
diferente, gráficamente :
Gráfica 2

1
Resumen preparado para la materia de Econometía, para la carrera de Economía Agrícola y Agronegocios
del departamento de Economía Agrícola, de la DCSE., de la UAAAN.
2
Término que viene de homo, igual y cedasticidad, dispersión, es decir, igual varianza lo cual es
simbolicamente : E ( u2) = 2 ,  = 1, 2, 3, ........., n

1
Existen varias razones para que las varianzas de u sean variables, entre las
más importantes destacan :
1. Siguiendo los modelos de aprendizaje por errores, a medida que la gente
aprende, sus errores en el comportamiento van disminuyendo en el
tiempo, en este caso se espera que 2 disminuya, gráficamente se puede
representar como :

Gráfica 3

2. A medida que los ingresos aumentan la gente tiene más ingreso

discresional y por lo tanto más oportunidad para elegir como disponer de
sus ingresos. De este modo 2 tiende a aumentar con el ingreso por lo
cual, en la región del ahorro contra el ingreso es muy factible encontrar
que 2 aumente con el ingreso, por lo que se tiene gráficamente :

2
Gráfica 4

2. CONSECUENCIAS DE LA HETEROSCEDASTICIDAD

Si se usan los estimadores de mínimos cuadrados ordinarios y se tiene

heteroscedasticidad es posible que se declaren estadísticamente
significativos algunos parámetros estimados cuando en realidad no lo son
debido a que la formula de la varianza3 puede subestimar el verdadero valor
de la misma.
Por ejemplo suponer que en un caso de heteroscedasticidad el parámetro b
estimado es igual a 20 y la varianza de  estimada es igual a 25 lo cual
genera un error estandar de 5 (25), ello implica que la t calculada sera igual
a /EE() = 20/5 = 4 , valor que es relativamente alto y significa que la
hipótesis nula Ho :  = 0, será rechazada, aceptandose con ello el parámetro.
Sin embargo el verdadero valor de la varianza es 400 lo cual genera un error
estandar de 20 (400) , y una t calculada de /EE() = 20/20 = 1, lo cual
implica que la hipótesis nula Ho :  = 0 no debe ser rechazada. Es decir
debido al problema de heteroscedasticidad aceptamos un parámetro
estimado como “bueno” cuándo en realidad no lo es.

3. CÓMO DETERCTAR LA HETEROSCEDASTICIDAD

Lo mas corriente en estudios económicos es tener un valor muestral de Y

para cada valor particular de x y por esto no hay manera de conocer 2 a
partir de una sola observación de Y. Esa es la razón por la cual en la mayoría
e las investigaciones econométricas la heteroscedasrticidad puede ser
motivo de “especulación” .

Algunos métodos formales e informales para detectar la heteroscedasticidad

son :
1. Naturaleza del problema. Es frecuente que la naturaleza del problema
sugiera cuando exista la heteroscedasticidad. Por ejemplo siguiendo el

3
Se refiere a la varianza de b.

3
 trabajo de Paris y Houthakker4, sobre los presupuestos familiares, en los
que encontraron que la varianza residual de la región del consumo contra
el ingreso aumentaba con el ingreso, se supone generalmente ahora, que
en estudios similares se pueden esperar diferentes varianzas en las
perturbaciones.
2. Método Gráfico. En la practica, cuando no existe información a priori o
empírica acerca de la naturaleza de la heteroscedasticidad, se puede
hacer el análisis de regresión sobre el supuesto de que no existe
heteroscedasticidad y luego hacer un estudio posterior de los residuos
estimados al cuadrado e2, para ver si presentan un patrón sistemático, los
patrones que se pueden observar al gráficar e2 contra Y estimada pueden
ser :

Gráfica5

Un patrón como el que se muestra en las figuras anteriores por ejemplo en la

(c) sugiere que la varianza del término perturbación está relacionada
linealmente con la variable X. La varianza es heteroscedástica y puede ser
proporcional al valor de la variable independiente.

4. COMO REMEDIAR LA HETEROSCEDASTICIDAD, (Algunos métodos).

1. Transformación logarítmica, si en lugar de correr la regresión Yi = a + bx +

u, se corre ln Y = a + b lnx + u, ello reduce la heteroscedasticidad debido a
que transformación logarítmica comprime las escalas en que estan
medidas las variables reduciendo una diferencia de 10 veces en una de 2

4
Econometrístas de la Universidad de Cambridge. Citado por Damodar N. Gujarati.

4
 veces. Por ejemplo el número 80 es 10 veces el número 8, el ln de 80 es (
4.38 ), es sólo 2 veces más grande que el ln 8 que es ( 2.079 ).
2. Supuesto sobre el patrón de la heteroscedasticidad. Al estimar el modelo
Y = a + bx + u, se supone que E (u2 ) = 2x2, es decir que debido a
información extractada del método gráfico se presume que la varianza de ui
es proporcional al cuadrado de la variable explicativa x. Con dicha
información es posible transformar el modelo original.

Y/x = a/x + b/x + u/x , dividiendo el modelo original por x,

Y/x = a 1/x + b + v, donde u/x = v,

E ( v2 ) = E ( u/x )2 = E (u2) / Ex2 = 1/x2 E (u2)

E (v2) = 1/x2 ( x2) , eliminando x2, queda solo 2, notando que x2, no es
variable aleatoria.

Es decir que corriendo y/x contra 1/x se tiene un error v, que no tiene el
problema de la heteroscedasticidad.

Puesto que a es el intercepto de el modelo original y b es la pendiente para

volver a dicha ecuación original es necesario multiplicar todo el modelo
transformado por x.
Así si Y/x = 80 1/x + 20 , entonces Y = 80 + 20x, que resulta al multiplicar por
x.