Sesin

Heterocedasticidad

Mg. Vctor M. Chung Alva

Econometra Bsica

1.1
Supuestos

SUPUESTOS DEL MODELO DE REGRESIN LINEAL SIMPLE - I

1.

El valor medio de y para cada valor de x, viene dada por la regresin

lineal:

E( y | x) 1 2 x

2.

Para cada valor de x, los valores de y se distribuyen sobre su valor

medio, siguiendo distribuciones de probabilidad donde todos tienen
la misma varianza.

var( y | x)
3.

Los valores muestrales de y no estn correlacionados y tienen

covarianza cero, lo que implica que no hay ninguna asociacin lineal
entre ellos.

cov(yi , y j ) 0

4.
5.

La variable x no es aleatoria y debe tener al menos dos valores

diferentes.
los valores de y estn normalmente distribuidos sobre su media para
cada valor de x

Mg. Vctor M. Chung Alva

Econometra Bsica

1.1
Supuestos

Homocedasticidad

Heterocedasticidad

Mg. Vctor M. Chung Alva

Econometra Bsica

1.2
Definicin

DEFINICIN DE HETEROCEDASTICIDAD

El trmino heterocedasticidad significa que la varianza del

trmino error no es constante. Si el trmino error en el
modelo de regresin es heterocedstico el teorema de
Gauss-Markov no se cumple y no podemos estar seguros
de que nuestros estimadores sean los mejores estimadores
lineales insesgados (MELIS)

Mg. Vctor M. Chung Alva

Econometra Bsica

1.3
Causas

CAUSAS DE LA HETEROCEDASTICIDAD

1. Presencia de datos atpicos o aberrantes.

2. Violacin del supuesto que establece que el modelo de
regresin est correctamente especificado.

3. Asimetra en la distribucin de una o ms regresoras

incluidas en el modelo.
a. Incorrecta transformacin de los datos (por ejemplo, las
transformaciones de razn o de primeras diferencias) y una
forma funcional incorrecta (por ejemplo, modelos lineales
frente a modelos log-lineales).

Mg. Vctor M. Chung Alva

Econometra Bsica

1.4
Consecuencias

CONSECUENCIAS DE LA HETEROCEDASTICIDAD

1. El estimador de mnimos cuadrados es todava un

estimador lineal e insesgado, pero ya no es el mejor.
Hay otro estimador con una menor varianza.
2. Los errores estndar usualmente calculado para los
estimadores de mnimos cuadrados son incorrectos.
Los intervalos de confianza y pruebas de hiptesis que
utilizan estos errores estndar pueden ser engaosos.

Mg. Vctor M. Chung Alva

Econometra Bsica

1.5
Procedimientos de
Deteccin

PROCEDIMIENTO DE DETECCION
1. Mtodo Grfico

Mg. Vctor M. Chung Alva

Econometra Bsica

Ejemplo

EJEMPLO ARCHIVO food.dta

. regress Gastos Ingresos

Source

SS

df

MS

Model
Residual

190626.984
304505.176

1
38

190626.984
8013.2941

Total

495132.16

39

12695.6964

Gastos

Coef.

Ingresos
_cons

10.20964
83.416

Number of obs
F( 1,
38)
Prob > F
R-squared
Adj R-squared
Root MSE

Std. Err.

P>|t|

2.093264
43.41016

4.88
1.92

0.000
0.062

=
=
=
=
=
=

40
23.79
0.0000
0.3850
0.3688
89.517

[95% Conf. Interval]

5.972052
-4.463279

14.44723
171.2953

= . +10.20964*Ingresos

. predict y
. predict res, resid

. gen res2=res^2
Mg. Vctor M. Chung Alva

Econometra Bsica

Ejemplo

EJEMPLO ARCHIVO food.dta

-200

-100

Residuales

100

200

. scatter res y, xtitle("Valor Predecido") ytitle("Residuales") yline(0)

100

Mg. Vctor M. Chung Alva

200

300
Valor Predecido

Econometra Bsica

400

Ejemplo

EJEMPLO ARCHIVO food.dta

-200

-100

Residuals

100

200

. rvfplot

100

200

300

400

Fitted values

Mg. Vctor M. Chung Alva

Econometra Bsica

10

Ejemplo

EJEMPLO ARCHIVO food.dta

-200

-100

Residuals

100

200

. rvpplot Ingresos

Mg. Vctor M. Chung Alva

10

20
Ingreso Semanal ($100)

Econometra Bsica

30

40

11

1.5
Procedimientos de
Deteccin

PROCEDIMIENTO DE DETECCION
2. Pruebas Estadsticas
2.1. Prueba de Breusch - Pagan
0 : Existe Homocedasticidad (2i = 2 )
1 : Existe Heterocedasticidad (2i = 2 h(1 1 + 2 2 ++ )
Pasos a seguir:
1. Estimar la ecuacin de regresin por MCO ignorando la heterocedasticidad y
obtenga los residuos estimados .
2. Estime una regresin auxiliar teniendo como variable dependiente el
cuadrado de los residuos de la regresin original y como variables
explicativas, adems de la constante, las variables X originales.
2 = 0 + 1 1 + 2 2 + + +
3. Al aumentar el tamao de muestra, el producto 2 sigue una distribucin chi
cuadrado con k grados de libertad.
4. Si el valor chi cuadrado obtenido en el paso 3 excede al valor chi cuadrado
crtico en el nivel de significancia seleccionado, la conclusin es que hay
heterocedasticidad.

Mg. Vctor M. Chung Alva

Econometra Bsica

12

Ejemplo

CONTINUACIN DE EJEMPLO

Prueba de Breusch - Pagan

. regress res2 Ingresos

Source

SS

df

MS

Model
Residual

851193324
3.7596e+09

1
38

851193324
98935695.9

Total

4.6107e+09

39

118224353

res2

Coef.

Ingresos
_cons

682.2326
-5762.37

Std. Err.
232.5921
4823.501

t
2.93
-1.19

Number of obs
F( 1,
38)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.006
0.240

=
=
=
=
=
=

40
8.60
0.0057
0.1846
0.1632
9946.6

[95% Conf. Interval]

211.3746
-15527.04

1153.091
4002.297

= . + . *Ingresos

. scalar BP= e(N)*e(r2)

. scalar ch2=invchi2tail(e(df_m),0.05)

. scalar p=chi2tail(e(df_m),BP)
Mg. Vctor M. Chung Alva

Econometra Bsica

13

Ejemplo

CONTINUACIN DE EJEMPLO

Prueba de Breusch - Pagan

. display "Valor de Breusch-Pagan = " BP

Valor de Breusch-Pagan = 7.3844244

. display "Valor Tabla Chi2 = " ch2

Valor Tabla Chi2 = 3.8414588
. scalar p=chi2tail(e(df_m),BP)

. display "Valor p = " p

Valor p = .00657911

Mg. Vctor M. Chung Alva

Econometra Bsica

14

Ejemplo

CONTINUACIN DE EJEMPLO

Prueba de Breusch - Pagan

. quietly regress Gastos Ingresos

. estat hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of Gastos
chi2(1)
=
Prob > chi2 =

Mg. Vctor M. Chung Alva

7.34
0.0067

Econometra Bsica

15

1.5
Procedimientos de
Deteccin

PROCEDIMIENTO DE DETECCION
2. Pruebas Estadsticas
No se apoya en el supuesto de normalidad y es fcil
2.2. Prueba de White
aplicarla.
0 : Existe Homocedasticidad
1 : Existe Heterocedasticidad
Pasos a seguir:
1. Estimar la ecuacin de regresin por MCO ignorando la heterocedasticidad y
obtenga los residuos estimados .
2. Estime una regresin auxiliar teniendo como variable dependiente el cuadrado de
los residuos de la regresin original y como variables explicativas, adems de la
constante, las variables X originales, los valores cuadrados de la Xs y los productos
cruzados. Por ejemplo, para 2 variables Xs:
2 = 0 + 1 1 + 2 2 + 3 1 2 + 4 2 2 + +5 1 2 +
1. Al aumentar el tamao de muestra, el producto 2 sigue una distribucin chi
cuadrado con k grados de libertad.
2. Si el valor chi cuadrado obtenido en el paso 3 excede al valor chi cuadrado crtico en
el nivel de significancia seleccionado, la conclusin es que hay heterocedasticidad.

Mg. Vctor M. Chung Alva

Econometra Bsica

16

Ejemplo

CONTINUACIN DE EJEMPLO

Prueba de White

. regress res2 Ingresos c.Ingresos#c.Ingresos

Source

SS

df

MS

Model
Residual

870864417
3.7399e+09

2
37

435432208
101077982

Total

4.6107e+09

39

118224353

res2

Coef.

Ingresos

Number of obs
F( 2,
37)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

40
4.31
0.0208
0.1889
0.1450
10054

Std. Err.

P>|t|

[95% Conf. Interval]

291.7457

915.8462

0.32

0.752

-1563.935

2147.426

c.Ingresos#c.Ingresos

11.16529

25.30953

0.44

0.662

-40.11669

62.44727

_cons

-2908.783

8100.109

-0.36

0.722

-19321.16

13503.6

. scalar nR=e(N)*e(r2)

. scalar ch2=invchi2tail(e(df_m),0.05)

. scalar p=chi2tail(e(df_m),nR)
Mg. Vctor M. Chung Alva

Econometra Bsica

17

Ejemplo

CONTINUACIN DE EJEMPLO

Prueba de White

. display "Valor nR^2 = " nR

Valor nR^2 = 7.5550786

. display "Valor Tabla Chi2 = " ch2

Valor Tabla Chi2 = 5.9914645

. display "Valor p = " p

Valor p = .02287892

Mg. Vctor M. Chung Alva

Econometra Bsica

18

1.6
Medidas
Correctivas

MEDIDAS CORRECTIVAS

Cuando se conoce
Mtodo de los Mnimos Cuadrados Ponderados: Los estimados obtenidos con
este mtodo son MELI.

Cuando se desconoce
Correccin de White: Corrige la matriz de varianzas y covarianzas por
heteroscedasticidad.

Mg. Vctor M. Chung Alva

=1

Econometra Bsica

19

Ejemplo

CONTINUACIN DE EJEMPLO

Correccin

. regress Gastos Ingresos, vce(robust)

Linear regression

Number of obs =
F( 1,
38) =
Prob > F
=
R-squared
=
Root MSE
=

Gastos

Coef.

Ingresos
_cons

10.20964
83.416

Mg. Vctor M. Chung Alva

40
31.85
0.0000
0.3850
89.517

Robust
Std. Err.

P>|t|

[95% Conf. Interval]

1.809077
27.46375

5.64
3.04

0.000
0.004

6.547359
27.81855

Econometra Bsica

13.87193
139.0135

20