Ejercicio heterocedasticidad 2.

Ejercicio Heterocedasticidad_2
Tengamos los siguientes datos de los beneficios (Bi) y ventas (Vi) de 20 empresas:

obs B V
1 13,2 61
2 15 78
3 22,2 158
4 15,2 110
5 16,1 85
6 18,5 150
7 15,5 140
8 15 70
9 20 122
10 15 70
11 21 140
12 16,2 91
13 18,5 105
14 17 115
15 17,5 115
16 22 160
17 18 165
18 23 170
19 17 130
20 17 90

Se pide:
a) Estimar un modelo lineal para explicar los beneficios en función de las ventas.
b) Detecte la presencia de heterocedasticidad con diferentes métodos.
c) En el caso de existir heterocedasticidad, aplique el método de estimación MCP,
suponiendo que la varianza de las perturbaciones presenta la siguiente relación:
σ i2 = σ 2 Vi
.

Solución.

a) Modelo estimado

Modelo 1: MCO, usando las observaciones 1-20

Variable dependiente: B

Coeficiente Desv. Típica Estadístico t Valor p

const 10,2229 1,35823 7,5267 <0,00001 ***
V 0,0638456 0,0112223 5,6892 0,00002 ***

Media de la vble. dep. 17,64500 D.T. de la vble. dep. 2,751550

Suma de cuad. residuos 51,40902 D.T. de la regresión 1,689987
Ejercicio heterocedasticidad 2. 2

R-cuadrado 0,642619 R-cuadrado corregido 0,622765

F(1, 18) 32,36647 Valor p (de F) 0,000021
Log-verosimilitud -37,81959 Criterio de Akaike 79,63917
Criterio de Schwarz 81,63063 Crit. de Hannan-Quinn 80,02792
El signo del coeficiente de, V, es el esperado. Así, por cada unidad que incrementan las
ventas los beneficios incrementan en 0,0638. Además de ser esta variable significativa a
un nivel del 95%, el modelo explica un 64% de las variaciones de los beneficios.

b) Detección de la heterocedasticidad.

b.1) Método gráfico.

Residuos de la regresión (= B observada - ajustada) e2 con respecto a V (con ajuste mínimo-cuadrático)

2 14

12
1

10

0
8
residuo

e2

-1 6

4
-2

-3
0

-4 -2
60 80 100 120 140 160 60 80 100 120 140 160
V V

En estos gráficos se observa cómo a medida que las ventas incrementan, la dispersión
de los residuos también incrementa, indicando la presencia de heterocedasticidad.

b.2) Test de Glesjer

Para hacer este test:
1. Obtenemos los residuos MCO en términos absolutos.
2. Realizamos las regresiones auxiliares y contrastamos la significación de V para
cada regresión auxiliar.
Ejercicio heterocedasticidad 2. 3

Obs B V abs_e= | ei |
1 13,2 61 0,91753
2 15 78 0,202905
3 22,2 158 1,889445
4 15,2 110 2,045965
5 16,1 85 0,450176
6 18,5 150 1,29979
7 15,5 140 3,661333
8 15 70 0,30786
9 20 122 1,987888
10 15 70 0,30786
11 21 140 1,838667
12 16,2 91 0,167102
13 18,5 105 1,573263
14 17 115 0,565193
15 17,5 115 0,065193
16 22 160 1,561754
17 18 165 2,757474
18 23 170 1,923298
19 17 130 1,522877
20 17 90 1,030948

Modelo 1: MCO, usando las observaciones 1-20

Variable dependiente: abs_e

Coeficiente Desv. Típica Estadístico t Valor p

const -0,891826 0,578307 -1,5421 0,14044
V 0,0188873 0,00477826 3,9528 0,00093 ***

Media de la vble. dep. 1,303826 D.T. de la vble. dep. 0,957238

Suma de cuad. residuos 9,319916 D.T. de la regresión 0,719565
R-cuadrado 0,464674 R-cuadrado corregido 0,434933
F(1, 18) 15,62434 Valor p (de F) 0,000933
Log-verosimilitud -20,74298 Criterio de Akaike 45,48597
Criterio de Schwarz 47,47743 Crit. de Hannan-Quinn 45,87472

Modelo 2: MCO, usando las observaciones 1-20

Variable dependiente: abs_e

Coeficiente Desv. Típica Estadístico t Valor p

const 3,1728 0,547976 5,7900 0,00002 ***
Vinv -197,755 55,1884 -3,5833 0,00212 ***

Media de la vble. dep. 1,303826 D.T. de la vble. dep. 0,957238

Suma de cuad. residuos 10,16142 D.T. de la regresión 0,751348
R-cuadrado 0,416338 R-cuadrado corregido 0,383912
F(1, 18) 12,83977 Valor p (de F) 0,002125
Log-verosimilitud -21,60743 Criterio de Akaike 47,21487
Criterio de Schwarz 49,20633 Crit. de Hannan-Quinn 47,60362
Ejercicio heterocedasticidad 2. 4

Modelo 3: MCO, usando las observaciones 1-20

Variable dependiente: abs_e

Coeficiente Desv. Típica Estadístico t Valor p

const -2,93457 1,09025 -2,6917 0,01491 **
Vsqrt 0,397477 0,101118 3,9308 0,00098 ***

Media de la vble. dep. 1,303826 D.T. de la vble. dep. 0,957238

Suma de cuad. residuos 9,368093 D.T. de la regresión 0,721422
R-cuadrado 0,461906 R-cuadrado corregido 0,432012
F(1, 18) 15,45142 Valor p (de F) 0,000980
Log-verosimilitud -20,79454 Criterio de Akaike 45,58909
Criterio de Schwarz 47,58055 Crit. de Hannan-Quinn 45,97784

En las tres regresiones auxiliares, la variable explicativa es significativa. Sin embargo,

observamos que el coeficiente de determinación más elevado corresponde a la primera
de ellas (0,464674). Por tanto, podemos suponer que dicha variable provoca
heterocedasticidad.

b.3) Test de Goldfeld Quandt

Para hacer este test:
1. Ordenamos crecientemente respecto de V.
2. Eliminados c=6 datos centrales.
3. Realizamos las regresiones auxiliares.
4. Obtenemos el estadístico de contraste, F.

Modelo 1: MCO, usando las observaciones 1-7

Variable dependiente: B

Coeficiente Desv. Típica Estadístico t Valor p

const 7,5343 1,34079 5,6193 0,00247 ***
V 0,100477 0,0170653 5,8878 0,00201 ***

Media de la vble. dep. 15,35714 D.T. de la vble. dep. 1,224550

Suma de cuad. residuos 1,134109 D.T. de la regresión 0,476258
R-cuadrado 0,873948 R-cuadrado corregido 0,848738
F(1, 5) 34,66614 Valor p (de F) 0,002009
Log-verosimilitud -3,562349 Criterio de Akaike 11,12470
Criterio de Schwarz 11,01652 Crit. de Hannan-Quinn 9,787616

Modelo 2: MCO, usando las observaciones 14-20 (n = 7)

Variable dependiente: B

Coeficiente Desv. Típica Estadístico t Valor p

const 1,15735 13,7885 0,0839 0,93636
V 0,121975 0,0889012 1,3720 0,22841
Ejercicio heterocedasticidad 2. 5

Media de la vble. dep. 20,02857 D.T. de la vble. dep. 2,748766

Suma de cuad. residuos 32,93469 D.T. de la regresión 2,566503
R-cuadrado 0,273515 R-cuadrado corregido 0,128218
F(1, 5) 1,882452 Valor p (de F) 0,228412
Log-verosimilitud -15,35273 Criterio de Akaike 34,70545
Criterio de Schwarz 34,59727 Crit. de Hannan-Quinn 33,36837

SCR 2 32,935
GQ = = = 29, 043
SCR1 1,134

F(5, 5)
probabilidad en la cola derecha = 0,05
probabilidad complementaria = 0,95

Valor crítico = 5,05033

Puesto que el valor del estadístico GQ=29,043 es mayor que el valor de las tablas
(5,05033) rechazamos la hipótesis nula de homocedasticidad.

c) Estimación mediante MCP

1
Creamos una nueva variable de ponderación: w i =
Vi
Obs B V w
1 13,2 61 0,1280369
2 15 78 0,1132277
3 22,2 158 0,07956
4 15,2 110 0,09535
5 16,1 85 0,1084652
6 18,5 150 0,08165
7 15,5 140 0,08452
8 15 70 0,1195229
9 20 122 0,09054
10 15 70 0,1195229
11 21 140 0,08452
12 16,2 91 0,1048285
13 18,5 105 0,09759
14 17 115 0,09325
15 17,5 115 0,09325
16 22 160 0,07906
17 18 165 0,07785
18 23 170 0,0767
19 17 130 0,08771
20 17 90 0,1054093

El modelo transformado lo obtenemos multiplicando por w el modelo original:

Bw = w + βVw + uw
donde Bw = B*w y Vw = V*w
Ejercicio heterocedasticidad 2. 6

Modelo MCP: estimaciones MCO utilizando las 20 observaciones 1-20

Variable dependiente: Bw

Coeficiente Desv. Típica Estadístico t Valor p

w 10,2147 1,11961 9,1234 <0,00001 ***
Vw 0,063917 0,0100951 6,3315 <0,00001 ***

Media de la vble. dep. 1,662511 D.T. de la vble. dep. 0,152248

Suma de cuad. residuos 0,383053 D.T. de la regresión 0,145879
R-cuadrado 0,993125 R-cuadrado corregido 0,992743
F(2, 18) 1300,148 Valor p (de F) 3,43e-20
Log-verosimilitud 11,17436 Criterio de Akaike -18,34872
Criterio de Schwarz -16,35726 Crit. de Hannan-Quinn -17,95997

El programa Gretl permite también obtener directamente las EMCP indicando la

variable de ponderación: w1=1/V
El programa se encarga de realizar la raíz cuadrada a V.

Modelo MCP: estimaciones MC.Ponderados utilizando las 20 observaciones 1-20

Variable dependiente: B
Variable utilizada como ponderación: w1
Coeficiente Desv. Típica Estadístico t Valor p
const 10,2147 1,11961 9,1234 <0,00001 ***
V 0,063917 0,0100951 6,3315 <0,00001 ***

Estadísticos basados en los datos ponderados:

Suma de cuad. residuos 0,383053 D.T. de la regresión 0,145879
R-cuadrado 0,690125 R-cuadrado corregido 0,672910
F(1, 18) 40,08802 Valor p (de F) 5,76e-06
Log-verosimilitud 11,17436 Criterio de Akaike -18,34872
Criterio de Schwarz -16,35726 Crit. de Hannan-Quinn -17,95997

Estadísticos basados en los datos originales:

Media de la vble. dep. 17,64500 D.T. de la vble. dep. 2,751550
Suma de cuad. residuos 51,40914 D.T. de la regresión 1,689989

Hay que destacar, que los resultados de la estimación son coincidentes, así como los
criterios de Akaike y Schwarz. Sin embargo, el R-cuadrado, F y la SCR no lo son.