Econometría I

3ro Economía CRD

Actividad - 20
Conferencia 10
Título: Tema III. (El Modelo de Regresión Lineal Generalizado)
Asunto: Modelo de regresión generalizado. Supuestos del modelo. Estimadores mínimo
cuadráticos generalizados. Eliminación de la heterocedasticidad.

Objetivos:

a) Comprender el Modelo de Regresión Lineal Generalizado como una generalización

del Modelo de Regresión Lineal General, permitiendo la existencia de autocorrelación
y heterocedasticidad.
b) Comprender el método de mínimos cuadrados generalizado cómo método para el
ajuste de un modelo de este tipo.
c) Comprender los métodos más usados para la eliminación de la heterocedasticidad
como expresión práctica del método de mínimos cuadrados generalizado.

Bibliografía,
 Básica: Econometría, D, Gujarati, páginas 253-258, 269-274.
 Complementaria: Libro: Cien ejercicios de Econometrìa. Capitulo 5. Plataforma
Moodle.

Medios de enseñanza: Pizarra, tizas.

Método de enseñanza: Expositivo.
Valores a trabajar en la clase: El interés por el saber. Ética del profesional.

Introducción.

Recordemos que el Modelo de Regresión Lineal General consistía en:

Y = X  + U con
 Y1  1 X 11 X 21  X k1   1 
     
 Y2  1 X 12 X 22  X k2   
Y   X     2
      
     
Y  1 X X 2n  X kn  nx ( k 1)  
 n  nx1  1n  k  ( k 1) x1

 U1   2 0  0 
   
U 2   0 2  0 
U   y V (U )    2 I n lo cuál era la expresión matricial de los
 0 0  0 
   
U  0 0  2 
 n  nx1  0
requisitos de no autocorrelación ( Cov ( Ui , Uj ) =0 ) y homocedasticidad ( V (U i )   )
2

Sin embargo, cómo hemos visto, es frecuente la presencia de autocorrelación (elementos

distintos de 0 fuera de la diagonal principal de la matriz V (U)) y heterocedasticidad
(elementos distintos en la diagonal principal).
Para modelar esta situación más general que la del Modelo de Regresión Lineal General (no
tienen que cumplirse los requisitos de no autocorrelación y heterocedasticidad, mientras
menos requisitos imponemos a una situación esta es más general) manteniendo la hipótesis
de normalidad de los errores ( U i N (0,  i ) ) se define el Modelo de Regresión Lineal
2

Generalizado.

Desarrollo.

Modelo de Regresión Lineal Generalizado

Y  X  U ; V (U )   2  ,  definida positiva (Una matriz A es definida positiva si

X AX  0 para todo X nx1 ).
 Sería una matriz que no tiene que coincidir con la matriz identidad de orden n
1 0  0
0 1  0
In   de manera que V(U) puede tener valores no nulos fuera de la diagonal
0 0  0
 
0 0  1
principal y valores no todos iguales en la diagonal principal.

¿Cómo estimar los parámetros del modelo?

Método de los mínimos cuadrados generalizado

Recordemos que en el Modelo de Regresión Lineal General se empleaba el método de los

mínimos cuadrados que consistía en dar a los parámetros valores tales que se minimizara
 ei2  ee .
El método de los mínimos cuadrados generalizado consiste en minimizar
1 1
e e  (Y  Xˆ ) (Y  Xˆ ) obteniéndose
ˆ  ( X  1 X ) 1 X  1Y ( en lugar de ̂  ( X X )  1 X Y cómo se obtenía en el Modelo de
Regresión Lineal General)
La evidente dificultad práctica de este método es el no conocimiento de la matriz  en la
generalidad de los casos. Si se conociera la forma de la heterocedasticidad o de la
autocorrelación presente pudiera estimarse la matriz  y de esa forma estimar los
parámetros del modelo.

Supuestos del Modelo:

1- No autocorrelación.
2- Homogeneidad de Varianza.
3- No multicolinealidad.
4- Los Ei están distribuidos normalmente.

Veamos cómo realizar este proceso mediante un enfoque más práctico.

Medidas Correctivas para la Heterocedasticidad.

¿Qué hacer ante la presencia de heteroscedasticidad? Ya vimos previamente que la

heteroscedasticidad no hace mella a las propiedades de falta de sesgo y consistencia de los
estimadores MCO, sin embargo ya no son eficientes ni siquiera asintóticamente (es decir, en
muestras grandes) afectando su eficiencia, lo que enturbia la posible inferencia. Esta falta de
eficiencia resta credibilidad a los procedimientos de pruebas de hipótesis. Por esto es
necesario introducir medidas remediales.
Existen dos enfoques para remediar el problema de heterocedasticidad:
1. Cuando se conoce  i
2

2. Cuando no se conoce  i
2

Cuando se conoce  i : el método de mínimos cuadrados ponderados.

2

1. Tomemos con nuestro ya conocido MRLS:

a) Yi  1   2 X i  U i
2. En aras de facilitar las manipulaciones algebraicas, se expresará de la siguiente manera:
b) Yi  1 X 0i   2 X i  U i
Donde X0i = 1 para cada i.

3. Dividimos b) entre  i obteniendo:

Yi X  X  Ui
c)   1  0i   2  i
 

 
i  i   i  i

Que para efectos de simplificar la exposición, se escribirá de la siguiente forma:

Yi *   1 X 0i   2 X i  U i
* * * * *

Donde las variables con asterisco corresponden a las variables originales divididas por el
(valor conocido)  i . Utilizamos la notación β1* y β2*, los parámetros del modelo transformado,
para distinguirlos de los parámetros normales de MCO β 1 y β2.
¿Cual es el propósito de transformar el modelo original? Para comprenderlo observemos la
siguiente característica del término del error transformado U i*.

La cual es una constante. En otras palabras, la varianza de término de perturbación

transformado U1* es ahora homocedastica. Los β1* y β2*, estimados serán ahora MELI (mejor
 
estimador lineal insesgado), a pesar de que los estimadores MCO 1 y 2 no lo sean.

4. La mecánica específica para estimar β1* y β2* es la siguiente:

  Se determina la FRM para c)
Yi * X  X  ei
  1  0 i    2*  i
 

 
i  i   i  i

^* ^*
* * *
Y  X  X e
*
i 1 0i 2 i i

A continuación, para obtener los estimadores de MCG se procede a minimizar:

 ei*2  (Yi *  1* X 0*i   2* X i* ) 2
es decir,
2 2
 e   Y   *  X   *  X 
 i    i    1  0i    2  i 
  i    i   i    i 
para  2*

*
2 
  W  W X Y     W X   W Y 
i i i i i i i i

  W   W X     W Y 
i i i
2
i i
2

1
donde Wi 
 i2

Cuando se desconoce  i
2

En estudios econométricos, en muy contadas ocasiones se tiene conocimiento previo de los

 i2 por tanto, si deseamos utilizar el método de mínimos cuadrados ponderados previamente
discutido, tendremos que recurrir a ciertos supuestos, con cierto grado de razonabilidad
sobre  i . A continuación se ilustran algunas de dichs transformaciones, con la ayuda del
2

modelo de dos variables.

Yi   i   2 X i  U i
Se pueden considerar a continuación diferentes supuestos posibles sobre el patrón existente
de heterocedasticidad.

Supuesto 1: la varianza de Ui es proporcional al cuadrado de la variable explicativa X.

 
E U i2   2 X i2
Dividimos el modelo original por Xi, obteniéndose:
Yi 1
 i   2  Vi
Xi Xi
Donde Vi es el término de perturbación transformado e igual a U i/Xi. Es fácil verificar que:
 2
U 
 
E Vi 2  E  i
1
 
  2 E U i2   2
 Xi  X i

Por tanto la varianza de Vi es ahora homodedástica

Supuesto 2: la varianza de Ui es proporcional a la variable explicativa X.

 
E U i2   2 X i
Transformando se obtiene:
Yi 1
 1   2 X i  Vi
Xi Xi
Donde Vi = Ui/ X i y Xi >0.

Supuesto 3: la varianza de Ui es proporcional al cuadrado del valor esperado de Y.

    
E U i2   2 E Yi
2

Transformando se obtiene:
Yi 1 Xi
  2  Vi
E (Yi ) E (Yi ) E (Yi )
Donde Vi = Ui / E(Yi)
Sin embargo esta ecuación no es operativa puesto que E(Yi) depende de β1 y β2, los cuales se
  
desconocen. Desde luego conocemos Y i   1   2 X i el cual es un estimador de E(Yi). Utilizando el

valor estimado de Y i , transformamos nuestro modelo de la siguiente manera:
Yi 1 X

 1    2  i  Vi
Yi Yi Yi

Donde Vi = Ui / Y i

Supuesto 4: Transformación logarítmica. Pág.273

Conclusiones.
Hacer énfasis en:
 Supuestos del Modelo de regresión lineal generalizado.
 Medidas Correctivas para la heterocedasticidad con  i conocida y desconocida.
2

Estudio independiente.
Estudiar el supuesto 4 para la eliminación de la heterocedasticidad en la página 273 del
Gujarati.
Ver ejemplo resuelto en el libro Cien ejercicios de econometría en la página 232 incisos f y g.
Buscar guía de clase práctica en el Moodle y comenzar a trabaje con ella.