Heterocedasticidad

MBA. Eric Joel Caro Bermdez

ejcaro@espol.edu.ec

Objetivo
Evaluar

los problemas que se presentan al tener

heterocedasticidad dentro del modelo de
regresin y proponer estimaciones consistentes a
dicho problema.

Recordemos los supuestos

RLM 1: Linealidad de parmetros

RLM 2: Muestreo aleatorio

RLM 3: No colinealidad perfecta

RLM 4: Exogeneidad

RLM 5: Homocedasticidad y no correlacin serial

RLM 6: Errores normalmente distribuidos

Heterocedasticidad

El supuesto RLM 5 indica:

Es decir estamos asumiendo que la varianza de los factores no

observables (error) es la misma para cada individuo i.

Sin embargo esto no siempre se cumple:

Por ejemplo:

Representacin

Donde

Consecuencias

Sobre

Bajo los supuestos 1 al 4 de Gauss Markov, el beta de MCO

es insesgado y consistente.

El supuesto RLM 5 no desempea papel aqu.

Es decir, la heterocedasticidad no ocasiona sesgo ni

inconsistencia en el pero omitir variables relevantes si,
por ejemplo.

DEMOSTRAR EN CLASE.

la insesgadez y la consistencia

Consecuencias

Sobre

Sin supuesto de homocedasticidad, es sesgada (OJO no el

sino su varianza).

Debido a esto no son vlidos estos errores estndar y por

consiguiente tampoco las pruebas de hiptesis, intervalos
de confianza y dems inferencia.

Las distribuciones t, F, ji cuadrada no son vlidos ni

siquiera aumentando la muestra n.

DEMOSTRACION EN CLASE

la eficiencia

Pruebas para detectar la heterocedasticidad

Prueba

Sirve para tener una idea preliminar pero no es

concluyente.

PASOS:

1.

Hacer regresin suponiendo

heterocedasticidad.

2.

Calcular los residuos al cuadrado y graficar contra y

verificar si existe un patrn sistmico. Tambin es posible
graficar versus las Xs.

grfica

que

no

existe

la

Pruebas para detectar la heterocedasticidad

Pruebas para detectar la heterocedasticidad

Pruebas

Suponemos que los supuestos RLM 1 al RLM 4 se mantienen

Un mtodo sencillo para probar esto:

Y lo probamos con una F o LM.

Debido a que no conocemos entonces usamos .

no grficas

Pruebas para detectar la heterocedasticidad

Esta ltima es la prueba de Breusch Pagan

Pruebas para detectar la heterocedasticidad

Resumen:

1.

Estimar y obtener .

2.

Estimar y obtener .

3.

Calcular F o LM y calcular su valor p usando F o .

4.

Si el valor p es menor que el alfa entonces se rechaza Ho

y existe heterocedasticidad.

Pruebas para detectar la heterocedasticidad

PRUEBA

DE WHITE

1.

Estimar y obtener , adems de y .

2.

Estimar o

3.

Probar o usando la frmula de .

4.

Calcular F o LM y obtener valor p.

. Pero

una de las debilidades de la prueba de White es que

usa demasiados grados de libertad si usamos las Xs.

Mnimos Cuadrados Generalizados

(HETEROCEDASTICIDAD)

Transformando los datos se puede llegar a

PROPIEDADES:

(INSESGADO)
(EFICIENTE)
Estimador de MCG es MELI en presencia de
heterocedasticidad.

Mnimos Cuadrados Factibles

Aunque

En la prctica no es fcil identificarlo o no se puede obtener.

Una posibilidad es estimar , lo cual es imposible de realizarlo

de manera directa ya que sera necesario estimar n nuevos
estimadores (uno por cada wi)

En lugar de esto se puede realizar la estimacin propuesta por

Wooldridge:

MCG es MELI, su clculo depende de que se conozca , es

decir la forma de la heterocedasticidad.

Mnimos Cuadrados Factibles

PASOS:

1.

Ejecutar la regresin de Y sobre X1, X2, , Xk y obtener .

2.

Obtener y luego .

3.

Estimar y obtener los valores ajustados

4.

Exponenciar

5.

Estimar la ecuacin usando como ponderador

Mnimos Cuadrados Factibles

PROBLEMAS:

Propiedades estadsticas del estimador , es decir, la

insesgadez, eficiencia y consistencia, dependen del
comportamiento de .

Es aconsejable un nivel avanzado de Econometra y mucha

experiencia.

Estimacin Robusta

La

Esta es la forma correcta de la varianza en presencia de

heterocedasticidad.

Ecker y White demostraron que es consistente para .

Aunque MCG y MCF , son ms eficientes que la estimacin

robusta, su aplicabilidad es ms general y no corre el
riesgo de afectar la insesgadez / consistencia en la
estimacin de .

idea es usar MCO pero estimando la varianza correcta:

Fuente

Wooldridge . Introduccin a la Econometra.