ECONOMETRÍA II

Tema 3

Heterocedasticidad

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 1

 Tema 3 1. Introducción
2. Origen
3. Propiedades MCO
Heterocedasticidad
4. Detección
5. Mínimos Cuadrados
Ponderados

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 2

 Tema 3 Bibliografía:
- Wooldridge: Capítulo 8
- Stock y Watson: Capítulo 5 (5.4)
Heterocedasticidad - Gujarati: Capítulo 13
- Gujarati y Porter: Capítulo 11

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 3

 Tema 3 1.Introducción

Heterocedasticidad

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 4

1.- Introducción
• El análisis de muchos fenómenos económicos exige relajar el
supuesto de HOMOCEDASTICIDAD que se hace en el modelo
clásico de regresión:
Y = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝜀

V 𝜀ห𝑋1 , 𝑋2 , … , 𝑋𝑘 = V 𝑌ห𝑋1 , 𝑋2 , … , 𝑋𝑘 = 𝜎 2

• Tanto en el contexto de datos de sección cruzada como de datos

de series temporales es habitual encontrarse con situaciones en
las que existe HETEROCEDASTICIDAD.
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 5
1.- Introducción
• Series Temporales:

𝐄𝐯𝐢𝐝𝐞𝐧𝐜𝐢𝐚 𝐝𝐞
HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 6

1.- Introducción
• Sección Cruzada:

𝐄𝐯𝐢𝐝𝐞𝐧𝐜𝐢𝐚 𝐝𝐞
HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 7

1.- Introducción
MODELO DE REGRESIÓN LINEAL CON HETEROCEDASTICIDAD
• Para simplificar el análisis consideraremos el caso del modelo
de regresión simple:
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀
donde:
 E 𝜀ȁ𝑋 = 0 E 𝑌ȁ𝑋 = 𝛽0 + 𝛽1 𝑋

 V 𝜀 ȁ𝑋 = V 𝑌ȁ𝑋 ≠ 𝜎 2 HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 8

 Tema 3 2. Origen de la
heterocedasticidad
Heterocedasticidad

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 9

2.- Origen de la Heterocedasticidad

• Por la naturaleza de los fenómenos analizados.

Ejemplo: En la relación Consumo-Renta
𝐶 = 𝛽0 + 𝛽1 𝑅 + 𝜀 con E 𝜀ȁ𝑅 = 0
𝐶 = Consumo 𝑅 = Renta

Los individuos con mayores niveles de renta tienen más

posibilidades de elección V 𝜀ȁ𝑅 = V 𝐶 ȁ𝑅 = 𝑓(𝑅) ≠ 𝜎 2

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 10

2.- Origen de la Heterocedasticidad

• Por la agregación de los datos.

Ejemplo: Consideremos el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖 [1]
con:
E 𝜀𝑖 ห𝑋𝑖 = 0 y

V 𝜀𝑖 ห𝑋𝑖 = 𝜎 2 HOMOCEDASTICIDAD
Sin embargo se dispone de datos medios por subgrupos de, por
ejemplo, edad de la población, provincia de residencia, etc.
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 11
2.- Origen de la Heterocedasticidad

Siendo 𝑛𝑗 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑑𝑒𝑙 𝑔𝑟𝑢𝑝𝑜 𝑗-ésimo, se

dispone de:
𝑛𝑗 𝑛𝑗
σ1 𝑌𝑖 σ1 𝑋𝑖
𝑌𝑗 =
𝑛𝑗
y 𝑋𝑗 =
𝑛𝑗

Se plantea el modelo:
𝑌𝑗 = 𝛽0 + 𝛽1 𝑋𝑗 + 𝜀𝑗 [2]
𝑛𝑗
σ1 𝜀𝑖
Donde, lógicamente, 𝜀𝑗 = 𝑛𝑗

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 12

2.- Origen de la Heterocedasticidad
En [2], se tiene:
𝑛𝑗
σ1 𝜀𝑖
a) Dado que E 𝜀𝑖 ห𝑋𝑖 = 0 E 𝜀𝑗 ቚ𝑋𝑗 = E =0
𝑛𝑗

b) Dado que V 𝜀𝑖 ห𝑋𝑖 = 𝜎 2

𝑛𝑗
σ1 𝜀𝑖 1 𝑛𝑗 𝑛𝑗 2 𝜎2
V 𝜀𝑗 ቚ𝑋𝑗 = V = 2 V σ1 𝜀𝑖 = 2𝜎 = ≠ 𝜎2
𝑛𝑗 𝑛𝑗 𝑛𝑗 𝑛𝑗

HETEROCEDASTICIDAD
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 13
2.- Origen de la Heterocedasticidad

• Por Errores de Especificación.

La “presencia” de heterocedasticidad puede ser un síntoma

de existencia de un error de especificación (forma funcional
errónea, omisión de variables relevantes, existencia de
parámetros cambiantes, etc.) Es muy importante
formular bien los modelos.

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 14

2.- Origen de la Heterocedasticidad
Ejemplo: Forma funcional incorrecta
Consideremos que el modelo CORRECTO que determina una
relación es:
Y= 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑍 + 𝜀
con:
E 𝜀 ȁ𝑋, 𝑍 = 0 y
V 𝜀 ȁ𝑋, 𝑍 = 𝜎 2 HOMOCEDASTICIDAD
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 15
2.- Origen de la Heterocedasticidad

Sin embargo por error se formula un modelo INCORRECTO

(se omite la variable Z):
Y= 𝛼 + 𝛾𝑋 + 𝑢
como 𝑢 = 𝛽2 𝑍 + 𝜀 en general:
E 𝑢ȁ𝑋 ≠ 0 y
V 𝑢ȁ𝑋 = 𝑓(𝑍) ≠ 𝜎 2 HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 16

 Tema 3 3. Propiedades del
estimador MCO
Heterocedasticidad

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 17

3.- Propiedades MCO

• ¿Qué propiedades tendrá el estimador de MCO en el

contexto de heterocedasticidad? Por simplicidad:
1º) Se estudian propiedades del estimador MCO utilizando
el modelo de regresión simple
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
con E 𝜀𝑖 ห𝑋𝑖 = 0 y V 𝜀𝑖 ห𝑋𝑖 = 𝜎𝑖2 ≠ 𝜎 2

2º) El análisis se centra en la estimación de 𝛽1

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 18

3.- Propiedades MCO

• El estimador MCO de 𝛽1 se puede escribir como:

σ𝑖 𝑋𝑖 −𝑋ത 𝑌𝑖 −𝑌ത σ𝑖 𝑋𝑖 −𝑋ത 𝑌𝑖

𝛽መ1 = σ𝑖 𝑋𝑖 −𝑋ത 2
= σ𝑖 𝑋𝑖 −𝑋ത 2
= σ𝑖 𝜔𝑖 𝑌𝑖

𝑋𝑖 −𝑋ത 𝑋𝑖 −𝑋ത
con 𝜔𝑖 = σ𝑖 𝑋𝑖 −𝑋ത 2
= 2
𝑛𝑆𝑋

y σ𝑖 𝜔𝑖 = 0 σ𝑖 𝜔𝑖 𝑋𝑖 = 1

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 19

3.- Propiedades MCO

• INSESGADEZ DEL ESTIMADOR

𝐸 𝛽መ1 ห𝑋𝑖 =𝐸 σ𝑖 𝜔𝑖 𝑌𝑖 𝑋𝑖 = σ𝑖 𝜔𝑖 E 𝑌𝑖 ห𝑋𝑖 =

Supuesto: E 𝜀𝑖 ห𝑋𝑖 = 0 → E 𝑌𝑖 ห𝑋𝑖 =𝛽0 + 𝛽1 𝑋𝑖

= σ𝑖 𝜔𝑖 𝛽0 + 𝛽1 𝑋𝑖 = 𝛽1 MCO insesgado

σ𝑖 𝜔𝑖 = 0 → σ𝑖 𝜔𝑖 𝛽0 = 0 y σ𝑖 𝜔𝑖 𝑋𝑖 = 1 → σ𝑖 𝜔𝑖 𝛽1 𝑋𝑖 = 𝛽1

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 20

3.- Propiedades MCO

• CONSISTENCIA DEL ESTIMADOR

𝑆𝑌𝑋 𝑝𝑙𝑖𝑚 𝑆𝑌𝑋 𝐶 𝑌, 𝑋
𝑝𝑙𝑖𝑚 𝛽መ1 = 𝑝𝑙𝑖𝑚 2 = 2 = 𝑉(𝑋) =
𝑆𝑋 𝑝𝑙𝑖𝑚 𝑆𝑋
Ley de los Grandes Números

𝐶 𝛽0 + 𝛽1 𝑋 + 𝜀, 𝑋 𝐶 𝜀, 𝑋
= = 𝛽1 + = 𝛽1
𝑉 𝑋 𝑉 𝑋
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀 Supuesto: E 𝜀 ȁ𝑋 = 0 → C 𝜀, 𝑋 =0

MCO consistente

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 21

3.- Propiedades MCO
• (NO) EFICIENCIA DEL ESTIMADOR

𝑉 𝛽መ1 ห𝑋𝑖 = 𝑉 σ𝑖 𝜔𝑖 𝑌𝑖 𝑋𝑖 = σ𝑖 𝑉 𝜔𝑖 𝑌𝑖 ห𝑋𝑖 =

𝐒𝐮𝐩𝐮𝐞𝐬𝐭𝐨: No Autocorrelación

σ𝑖 𝑋𝑖 −𝑋ത 2 𝜎𝑖2 𝜎2
σ𝑖 𝜔𝑖2 𝑉 𝑌𝑖 ห𝑋𝑖 = σ𝑖 𝜔𝑖2 𝜎𝑖2 = 2 2
≠
σ𝑖 𝑋𝑖 −𝑋ത σ𝑖 𝑋𝑖 −𝑋ത 2
Heterocedasticidad: 𝑉 𝑌𝑖 ห𝑋𝑖 = 𝜎𝑖2
Expresión cuando existe
HOMOCEDASTICIDAD
MCO no es eficiente
La expresión de su matriz de VAR-COV no es la “habitual”
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 22
3.- Propiedades MCO

• NO EFICIENCIA DEL ESTIMADOR MCO

En el contexto de HETEROCEDASTICIDAD, MCO no es el
“Estimador Insesgado de Mínima Varianza” → Existe un
estimador alternativo que es el “Estimador Insesgado de
Mínima Varianza”. Este estimador se denomina Mínimos
Cuadrados Ponderados (MCP) o Mínimos Cuadrados
Generalizados (MCG).
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 23
3.- Propiedades MCO

• NO VALIDEZ INFERENCIA HABITUAL

Cuando existe HETEROCEDASTICIDAD, la expresión de la
matriz de varianzas y covarianzas del estimador MCO no es
la habitual → La construcción de intervalos de confianza y la
contrastación de hipótesis que se realizan a partir de la
expresión “habitual” (considerando HOMOCEDASTICIDAD)
no son válidas.
La importancia del “sesgo” en la inferencia dependerá de la
magnitud de la Heterocedasticidad.
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 24
3.- Propiedades MCO / Propuesta de White

• INFERENCIA ROBUSTA A LA HETEROCEDASTICIDAD: PROPUESTA DE

WHITE

En cualquier caso, a partir de resultados asintóticos, se

puede emplear el estimador de MCO para la construcción
“aproximada” de intervalos de confianza y la contrastación
de hipótesis, empleando la propuesta de White o Eiker-
White para la estimación de la matriz de varianzas y
covarianzas de MCO.

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 25

3.- Propiedades MCO / Propuesta de White

En nuestro ejemplo, la propuesta de White, consiste en

aproximar:
σ𝑖 𝑋𝑖 −𝑋ത 2 𝜎𝑖2
𝑉 𝛽መ1 ห𝑋𝑖 = 2 2
ത
σ𝑖 𝑋𝑖 −𝑋

σ𝑖 𝑋𝑖 −𝑋ത 2 𝜀ො 𝑖2
mediante: 𝑉෠ 𝛽መ1 ห𝑋𝑖 = 2
σ𝑖 𝑋𝑖 −𝑋ത 2

con 𝜀ෝ𝑖 = 𝑌𝑖 − 𝑌෡𝑖 = 𝑌𝑖 − 𝛽መ0 + 𝛽መ1 𝑋𝑖 (Residuos MCO)

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 26
3.- Propiedades MCO / Propuesta de White

•Se puede demostrar que:

෡𝑗 −𝛽𝑗
𝛽
𝑧= ෡𝑗 ~
a
𝑁(0,1)
𝑠𝑒𝑊ℎ𝑖𝑡𝑒 𝛽

•Se puede emplear este resultado para construir intervalos

de confianza y realizar contrastes de hipótesis como se hace
habitualmente.

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 27

3.- Propiedades MCO / Propuesta de White / Ejemplo
Ejemplo: Consideremos el modelo 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀
donde: 𝑌 = Gasto en Alimentación y X = Renta
Dependent Variable: Y
Method: Least Squares
Included observations: 965
Variable Coefficient Std. Error t-Statistic Prob.
C 2472.729 125.0474 19.77433 0.0000
X 0.110691 0.006365 17.39069 0.0000
R-squared 0.238998 Mean dependent var 4396.906
Adjusted R-squared 0.238207 S.D. dependent var 2073.714
S.E. of regression 1809.953 Akaike info criterion 17.84206
Sum squared resid 3.15E+09 Schwarz criterion 17.85216
Log likelihood -8606.794 F-statistic 302.4361
Durbin-Watson stat 1.960853 Prob(F-statistic) 0.000000
INTERVALO NO ROBUSTO A LA HETEROCEDASTICIDAD:
𝛽መ1 ± 1,96 𝑠𝑒 𝛽መ1 → 0,11 ± 1,96 × 0,006 → 0,10; 0,12

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 28

3.- Propiedades MCO / Propuesta de White / Ejemplo
GRÁFICO DEL MODELO ESTIMADO
25000

20000
Consumo en alimentación

15000
𝐄𝐯𝐢𝐝𝐞𝐧𝐜𝐢𝐚 𝐝𝐞
HETEROCEDASTICIDAD
10000

5000

0
0 20000 40000 60000 80000

Renta

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 29

3.- Propiedades MCO / Propuesta de White / Ejemplo
GRÁFICO DE LOS RESIDUOS MCO RESPECTO A LA RENTA
15000

10000

5000
RESID

𝐄𝐯𝐢𝐝𝐞𝐧𝐜𝐢𝐚 𝐝𝐞
0 HETEROCEDASTICIDAD

-5000

-10000
0 20000 40000 60000 80000

Renta

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 30

3.- Propiedades MCO / Propuesta de White / Ejemplo
CORRECCIÓN DE LOS “SE” POR WHITE
Dependent Variable: Y
Method: Least Squares
Included observations: 965
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 2472.729 167.5569 14.75755 0.0000
X 0.110691 0.011098 9.974151 0.0000
R-squared 0.238998 Mean dependent var 4396.906
Adjusted R-squared 0.238207 S.D. dependent var 2073.714
S.E. of regression 1809.953 Akaike info criterion 17.84206
Sum squared resid 3.15E+09 Schwarz criterion 17.85216
Log likelihood -8606.794 F-statistic 302.4361
Durbin-Watson stat 1.960853 Prob(F-statistic) 0.000000
INTERVALO ROBUSTO A LA HETEROCEDASTICIDAD:
𝛽መ1 ± 1,96 𝑠𝑒𝑊ℎ𝑖𝑡𝑒 𝛽መ1 → 0,11 ± 1,96 × 0,011 → 0,09; 0,13

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 31

 Tema 3 4. Detección de la
heterocedasticidad
Heterocedasticidad

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 32

4.- Detección

• Los métodos gráficos ya ilustrados

• Contrastes formales de Heterocedasticidad

a → Hay
múltiples propuestos en la literatura (Glejser, Harvey,
Spearman, Breusch-Pagan, etc.) → Nosotros vamos a
considerar uno que es muy general, es muy utilizado y está
generalmente aceptado → Contraste de White

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 33

4.- Detección

• CONTRASTE DE WHITE
Sin pérdida de generalidad consideremos el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜀𝑖
en el que deseamos contrastar si
V 𝜀𝑖 ห𝑋1𝑖 , 𝑋2𝑖 = 𝜎 2 (Homocedasticidad)

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 34

4.- Detección

• PASOS DEL CONTRASTE DE WHITE

1. Se estima por MCO el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝜀𝑖
y se calculan los residuos MCO
෡𝑖 = 𝑌𝑖 − 𝛽መ0 + 𝛽መ1 𝑋1𝑖 + 𝛽መ2 𝑋2𝑖
𝜀𝑖Ƹ = 𝑌𝑖 −𝑌
y se calcula su cuadrado 𝜀𝑖Ƹ 2

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 35

4.- Detección

2. Se estima por MCO la siguiente regresión auxiliar:

𝜀𝑖Ƹ2 = 𝛿0 + 𝛿1 𝑋1𝑖 + 𝛿2 𝑋2𝑖 + 𝛿3 𝑋1𝑖

2 2
+ 𝛿4 𝑋2𝑖 + 𝛿5 𝑋1𝑖 𝑋2𝑖 + 𝜐𝑖

y se calcula el coeficiente de determinación 𝑅𝜀ො22

Nota: En la regresión auxiliar se incluyen niveles, cuadrados

y productos cruzados de regresores de la ecuación (aunque
estos últimos no siempre).
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 36
4.- Detección
3. Se contrasta:
HOMOCEDASTICIDAD
𝐻0 : 𝛿1 = 𝛿2 = 𝛿3 = 𝛿4 = 𝛿5 = 0
Bajo la hipótesis nula
2 2
𝑛 × 𝑅𝜀ො 2 ~
a 𝜒𝑞

2
𝑅𝜀ො 2𝑛−𝑞−1
𝐹= 2 × ~𝐹𝑞,𝑛−𝑞−1
1 − 𝑅𝜀ො 2 𝑞

𝑞 = número de regresores en la regresión auxiliar diferentes

del témino cte. En nuestro caso 𝑞 = 5
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 37
4.- Detección / Ejemplo
Ejemplo: Consideremos el modelo 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀
con Y= Gasto en Alimentación y X= Renta
White Heteroskedasticity Test:
F-statistic 69.96223 Probability 0.000000
Obs*R-squared 122.5375 Probability 0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Included observations: 965
Variable Coefficient Std. Error t-Statistic Prob.
C -995169.9 1009591. -0.985716 0.3245
X 165.7302 89.31492 1.855571 0.0638
X^2 0.003584 0.001662 2.156254 0.0313
R-squared 0.126982 Mean dependent var 3269140.
Adjusted R-squared 0.125167 S.D. dependent var 9076724.
S.E. of regression 8489688. Akaike info criterion 34.74971
Sum squared resid 6.93E+16 Schwarz criterion 34.76485
Log likelihood -16763.73 F-statistic 69.96223
Durbin-Watson stat 2.028781 Prob(F-statistic) 0.000000
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 38
4.- Detección / Ejemplo

Bajo la hipótesis nula:

𝐻0 : 𝛿1 = 𝛿2 = 0 (𝐻𝑂𝑀𝑂𝐶𝐸𝐷𝐴𝑆𝑇𝐼𝐶𝐼𝐷𝐴𝐷)

2
𝑛× = 965 × 0,126982 = 122,5375 > 𝜒22 (5%) = 5,99
𝑅𝜀ො 2
→ Rechazo H0 de Homocedasticidad

Hay evidencia en contra de “Homocedasticidad” y en favor

de “Heterocedasticidad”

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 39

4.- Detección / Ejemplo

Equivalentemente se puede emplear la “F” :

𝑅 2ො 2 𝑛−𝑞−1 0,126982 965−3

𝜀
𝐹= × = × = 69,96223
1−𝑅𝜀2ො 2 𝑞 1−0,126982 2

𝐹 = 69,96223 > 𝐹2,962(5%) ≈ 4,63 → Rechazo H0 de

Homocedasticidad

Hay evidencia en contra de “Homocedasticidad” y en favor

de “Heterocedasticidad”
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 40
 Tema 3 5. Estimador de
Mínimos Cuadrados
Heterocedasticidad Ponderados

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 41

5.- Mínimos Cuadrados Ponderados

• Por sencillez vamos a considerar el modelo:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
con:
E 𝜀𝑖 ห𝑋𝑖 = 0
V 𝜀𝑖 ห𝑋𝑖 = 𝑔 𝑋𝑖 = 𝜎𝑖2 → HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 42

5.- Mínimos Cuadrados Ponderados
• Consideremos ahora en siguiente modelo “transformado”:

𝑌𝑖 1 𝑋𝑖 𝜀𝑖
= 𝛽0 + 𝛽1 + → 𝑌𝑖∗ = 𝛽0 𝑋𝑜𝑖
∗
+ 𝛽1 𝑋𝑖∗ + 𝜀𝑖∗
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖

Nótese:
1) Los parámetros del modelo “original” y el “transformado”
son iguales → Se podrían estimar los parámetros
indistintamente en uno u otro modelo.

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 43

5.- Mínimos Cuadrados Ponderados

2) Se cumple:
𝜀𝑖 1
E 𝜀𝑖∗ ห𝑋𝑖 = E Τ𝜎𝑖 ห𝑋𝑖 = E 𝜀𝑖 ห𝑋𝑖 = 0
𝜎𝑖

𝜀𝑖 1 𝜎𝑖2
 V 𝜀𝑖∗ ห𝑋𝑖 = 𝑉 Τ𝜎𝑖 ห𝑋𝑖 = 2 V 𝜀𝑖 ห𝑋𝑖 = =1
𝜎𝑖 𝜎12
HOMOCEDASTICIDAD

3) El estimador MCO del modelo transformado es el Estimador

Lineal Insesgado de Mínima Varianza. Este estimador es el
estimador de Mínimos Cuadrados Ponderados (MCP) o Mínimos
Cuadrados Generalizados (MCG).

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 44

5.- Mínimos Cuadrados Ponderados
• Algunas consideraciones sobre MCP:
 Es fácil comprobar que MCP se obtiene también tras
resolver el problema:
෡0 +𝛽෡1 𝑋𝑖 2
∗ 2 𝑌𝑖 − 𝛽
min σ𝑖 𝜀𝑖Ƹ = σ𝑖
𝛽 𝛽
0 1 𝜎𝑖

 El estimador de MCP es el Estimador Lineal Insesgado

Óptimo.
 Se puede realizar toda la inferencia estadística habitual
en el modelo transformado.
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 45
5.- Mínimos Cuadrados Ponderados
• EJEMPLO
Sea el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
con:
E 𝜀𝑖 ห𝑋𝑖 = 0
2 2
V 𝜀𝑖 ห𝑋𝑖 = 𝜎 𝑋𝑖 → HETEROCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 46

5.- Mínimos Cuadrados Ponderados
• MODELO TRANSFORMADO:
𝑌𝑖 1 𝑋𝑖 𝜀𝑖
= 𝛽0 + 𝛽1 +
𝜎𝑋𝑖 𝜎𝑋𝑖 𝜎𝑋𝑖 𝜎𝑋𝑖

𝜀𝑖 1 𝜎 2 𝑋𝑖2
𝑉 ൗ𝜎𝑋𝑖 ห𝑋𝑖 = 2 V 𝜀𝑖 ห𝑋𝑖 = =1
2
𝜎 𝑋𝑖 𝜎 2 𝑋12

HOMOCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 47

5.- Mínimos Cuadrados Ponderados
• ALTERNATIVAMENTE:
𝑌𝑖 1 𝑋𝑖 𝜀𝑖
= 𝛽0 + 𝛽1 +
𝑋𝑖 𝑋𝑖 𝑋𝑖 𝑋𝑖

𝜀𝑖 1 𝜎 2 𝑋𝑖2 2
𝑉 ൗ𝑋 ห𝑋𝑖 = 2 V 𝜀𝑖 ห𝑋𝑖 = = 𝜎
𝑖 𝑋𝑖 𝑋12

HOMOCEDASTICIDAD

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 48

5.- Mínimos Cuadrados Ponderados

• MCP VERSUS MCO:

 Para estimar adecuadamente por MCP es necesario
conocer perfectamente 𝜎𝑖2 . Si conocemos 𝝈𝟐𝒊 , MCP es
“mejor” estimador (más eficiente) que MCO.
 Si por cualquier circunstancia no formulamos
adecuadamente 𝝈𝟐𝒊 , MCP no tiene por qué ser
“mejor” estimador que MCO y además la inferencia
realizada con MCP no sería tampoco válida.

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 49

5.- Mínimos Cuadrados Ponderados
EJEMPLO
• Ya hemos visto que en el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
con: E 𝜀𝑖 ห𝑋𝑖 = 0 y V 𝜀𝑖 ห𝑋𝑖 = 𝜎 2 𝑋𝑖2
• Estimador MCP: Se obtiene estimando por MCO:
𝑌𝑖 1 𝑋𝑖 𝜀𝑖 𝜀𝑖
𝑋𝑖
= 𝛽0
𝑋𝑖
+ 𝛽1
𝑋𝑖
+
𝑋𝑖
→ 𝑉 ൗ𝑋𝑖 ห𝑋𝑖 = 𝜎 2
HOMOCEDASTICIDAD

MCP EFICIENTE
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 50
5.- Mínimos Cuadrados Ponderados
• Si por “por error” se cree que V 𝜀𝑖 ห𝑋𝑖 = 𝜎 2 𝑋𝑖
y se platea el modelo transformado correspondiente
2 𝑌𝑖 1 𝑋𝑖 𝜀𝑖
𝑉 𝜀𝑖 ห𝑋𝑖 = 𝜎 𝑋𝑖 → = 𝛽0 + 𝛽1 +
𝑋𝑖 𝑋𝑖 𝑋𝑖 𝑋𝑖

𝐑𝐞𝐚𝐥𝐦𝐞𝐧𝐭𝐞 V 𝜀𝑖 ห𝑋𝑖 = 𝜎 2 𝑋𝑖2

𝜀𝑖 1 𝜎 2 𝑋𝑖2
𝑉 ൗ 𝑋𝑖
ห𝑋𝑖 = 2 V 𝜀𝑖 ห𝑋𝑖 = = 𝜎 2 𝑋𝑖 ≠ 𝜎 2
𝑋𝑖 𝑋𝑖
HETEROCEDASTICIDAD

MCP NO EFICIENTE
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 51
5.- Mínimos Cuadrados Ponderados
ESTIMADOR DE MÍNIMOS CUADRADOS FACTIBLES:
• Para estimar por MCP es necesario conocer 𝜎𝑖2 . Pero
normalmente no es conocido → En este caso debe
estimarse, en cuyo caso se habla de Mínimos Cuadrados
Ponderados Factibles (MCPF).
• MCPF: Se estima 𝜎𝑖2 → 𝜎ො𝑖2 . Se emplea 𝝈
ෝ𝟐𝒊 para obtener el
modelo “transformado”, en nuestro contexto:
𝑌𝑖 1 𝑋1𝑖 𝜀𝑖
Se estima por MCO → ෝ𝑖
= 𝛽0 ෝ + 𝛽1 ෝ + ෝ𝑖
𝜎 𝜎𝑖 𝜎𝑖 𝜎

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 52

5.- Mínimos Cuadrados Ponderados

CONSIDERACIONES SOBRE MCPF

• Si 𝜎ො𝑖2 es un estimador consistente de 𝜎𝑖2 , entonces MCPF
tendrá asintóticamnte las mismas propiedades que MCP.
• ¿Cómo obtener estimaciones consistentes de 𝜎𝑖2 ?
Pues empleando los residuos de MCO.
Veamos algunos ejemplos

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 53

5.- Mínimos Cuadrados Ponderados

• EJEMPLO 1
Sea el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
E 𝜀𝑖 ห𝑋𝑖 = 0
2 2
V 𝑌𝑖 ห𝑋𝑖 = V 𝜀𝑖 ห𝑋𝑖 = 𝜎𝑖 = 𝛾0 + 𝛾1 𝑋𝑖 + 𝛾2 𝑋𝑖

Con 𝛾0 , 𝛾1 , 𝛾2 desconocidos
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 54
5.- Mínimos Cuadrados Ponderados
• PASOS PARA OBTENER MCPF
1) Se estima por MCO el modelo original y se obtienen los
residuos 𝜀𝑖Ƹ = 𝑌𝑖 −𝑌෡𝑖 = 𝑌𝑖 − 𝛽መ0 + 𝛽መ1 𝑋𝑖
2) Se calcula el cuadrado de los residuos → 𝜀𝑖Ƹ2
3) Se estima por MCO el modelo:
𝜀𝑖Ƹ 2 = 𝛾0 + 𝛾1 𝑋𝑖 + 𝛾2 𝑋𝑖2 + 𝜐𝑖 → 𝛾ො0 , 𝛾ො1 , 𝛾ො2

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 55

5.- Mínimos Cuadrados Ponderados

4) Se obtiene 𝜎ො𝑖2 a partir de 𝛾ො0 , 𝛾ො1 , 𝛾ො2

𝜎ො𝑖2 = 𝛾ො0 + 𝛾ො1 𝑋𝑖 + 𝛾ො2 𝑋𝑖2

5) Se estima por MCO el modelo transformado

𝑌𝑖 1 𝑋𝑖 𝜀𝑖
= 𝛽0 + 𝛽1 +
𝜎ො𝑖 𝜎ො𝑖 𝜎ො𝑖 𝜎ො𝑖

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 56

5.- Mínimos Cuadrados Ponderados
• EJEMPLO 2
Sea el modelo:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
E 𝜀𝑖 ห𝑋𝑖 = 0

V 𝑌𝑖 ห𝑋𝑖 = V 𝜀𝑖 ห𝑋𝑖 = 𝜎𝑖2 = 𝑒 𝛾0+𝛾1𝑋𝑖

Con 𝛾0 , 𝛾1 desconocidos
María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 57
5.- Mínimos Cuadrados Ponderados
• PASOS PARA OBTENER MCPF
1) Se estima por MCO el modelo original y se obtienen los
residuos 𝜀𝑖Ƹ = 𝑌𝑖 −𝑌෡𝑖 = 𝑌𝑖 − 𝛽መ0 + 𝛽መ1 𝑋𝑖
2) Se calcula el cuadrado de los residuos → 𝜀𝑖Ƹ2
3) Se estima por MCO el modelo:
log 𝜀𝑖Ƹ2 = 𝛾0 + 𝛾1 𝑋𝑖 + 𝜐𝑖 → 𝛾ො0 , 𝛾ො1

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 58

5.- Mínimos Cuadrados Ponderados

4) Se obtiene 𝜎ො𝑖2 a partir de 𝛾ො0 , 𝛾ො1

2
𝜎ො𝑖 = 𝑒 𝛾ෝ0+ෝ𝛾1𝑋𝑖

5) Se estima por MCO el modelo transformado

𝑌𝑖 1 𝑋𝑖 𝜀𝑖
= 𝛽0 + 𝛽1 +
𝜎ො𝑖 𝜎ො𝑖 𝜎ො𝑖 𝜎ො𝑖

María Arrazola y José de Hevia ECONOMETRÍA II: Tema 3 2019/20 59