UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
GUIA N°9
HETEROCEDASTICIDAD
“La Heterocedasticidad es la existencia de una varianza no constante en las perturbaciones
aleatorias de un modelo econométrico”
DETECCIÓN DE LA HETEROCEDASTICIDAD
1. Contrastes gráficos
Se observa la dispersión de los datos
entre las variables con el fin de
identificar un patrón sistemático:
Los gráficos pueden ser:
• 𝑌̂𝑖 𝑣𝑠 𝑋𝑖
• 𝑒𝑖 𝑣𝑠 𝑋𝑖 , 𝑒𝑖 𝑣𝑠 𝑌̂𝑖
• 𝑒𝑖2 𝑣𝑠 𝑋𝑖 , 𝑒𝑖2 𝑣𝑠 𝑌̂𝑖
Donde el termino de perturbación (u)
puede aproximarse con el valor de los
errores (e).
En la figura a) no hay un patrón
sistemático, entre las dos variables, lo
cual sugiere que tal vez no haya
heterocedasticidad en los datos. Sin
embargo, la figura c) sugiere una
relación lineal, mientras que las figuras
d) y e) indican una relación cuadrática
entre 𝑒𝑖2 𝑦 𝑋𝑖
2. Constraste de Golfeld -Quandt
Sugiere que la varianza del término de perturbación es directa o inversamente proporcional a una de las variables
X (sospechosa)
1) Realizar el grafico 𝑒𝑖 𝑣𝑠 𝑋𝑖 e identificar la variable sospechosa y si tienen relación inversa o directa
2) Las observaciones se ordenan según la variable 𝑋𝑗 (sospechosa) de manera creciente (para una relación
directa entre 𝑒𝑖2 y X), ó decreciente (para una relación inversa entre 𝑒𝑖 2 y X)
𝑛 𝑛−𝑐
3) Dividir las observaciones en 3 grupos mediante: 𝑐 = , para primer y último grupo.
3 2
4) Estimar por MCO el primer y último grupo. Obtener SCE de cada grupo.
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
𝑆𝐶𝐸2 𝑆𝐶𝐸1
𝐻𝑜: 𝜎𝑖2 = 𝜎𝑢2 (Homocedasticidad) 𝜆= ó 𝜆=
𝑆𝐶𝐸1 𝑆𝐶𝐸2
𝐻𝑎: 𝜎𝑖2 = 𝜎𝑢2 𝑓(𝑋) (Heterocedasticidad) Para orden creciente para un orden decreciente
iii. Estadístico teórico (valor crítico): iv. Contraste:
𝑛−𝑐−2𝑘 𝑛−𝑐−2𝑘 𝑛−𝑐−2𝑘 𝑛−𝑐−2𝑘
,
, 2 2
𝜆≈ 𝐹𝛼 2 2 𝑅𝑅: 𝜆 > 𝐹𝛼 Se rechaza Ho
𝑛−𝑐−2𝑘 𝑛−𝑐−2𝑘
𝑛−𝑐−2𝑘 ,
Donde: 𝑔𝑙 = 2 𝑅𝑅: 𝜆 < 𝐹𝛼 2 2
Se acepta Ho
v. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
Aux. Univ. Carrillo Leon Annet Iran Página 1 | 6
UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
3. Contraste de White
No necesita especificar la lista de variables responsables de heterocedasticidad.
Regresión de 𝑒𝑖 sobre las variables explicativas, sus productos cruzados y las Obtener 𝑒𝑖 de la regresión original.
variables explicativas elevadas al cuadrado: Obtener 𝑅 2 auxiliar de la nueva
𝑒𝑖2 = 𝛼̂1 + 𝛼̂2 𝑋2𝑖 + 𝛼̂3 𝑋3𝑖 + 𝛼̂4 𝑋2𝑖
2 2
+ 𝛼̂5 𝑋3𝑖 + 𝛼̂6 𝑋2𝑖 𝑋3𝑖 2
regresión: 𝑅𝑎𝑢𝑥
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
2 2 2
𝐻𝑜: 𝐸[𝑢𝑖 ] = 𝜎𝑢 Homocedasticidad 𝑈𝑐 = 𝑛𝑅𝑎𝑢𝑥
2 2
𝐻𝑎: 𝐸[𝑢𝑖 ] ≠ 𝜎𝑢 Heterocedasticidad
iii. Estadístico teórico (valor crítico): iv. Contraste:
2
𝑈𝑐 ≈ 𝑋𝑝−1 ,𝛼 𝑅𝑅: 𝑈𝑐 > 𝑋2𝑝−1 , 𝛼 Se rechaza Ho
Donde: p = número de parámetros de la 𝑅𝑅: 𝑈𝑐 < 𝑋2𝑝−1 , 𝛼 Se acepta Ho
regresión auxiliar
v. Conclusión:
“A un nivel de significación de ……se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
4. Contraste de Breusch-Pagan-Godfrey
Consiste en encontrar un conjunto de variables Z que sirvan para explicar la evolución de 𝜎𝑢2
Realizar la estimación por MCO de: 1) Obtener 𝑒𝑖 de la regresión original.
2 2) Calcular el estimador MV de la varianza de perturbación:
𝐺 = 𝛼̂1 + 𝛼̂2 𝑍2𝑖 + 𝛼̂3 𝑍3𝑖 + ⋯ + 𝛼̂𝑘 𝑍𝑘𝑖
Donde: ∑ 𝑒2
𝜎̂𝑢2 = 𝑛 𝑖
G = son los residuos al cuadrado normalizados.
𝑒2
Z = coincide con las variables Xi 3) Calcular 𝐺 = 𝑖2 (dividir cada 𝑒𝑖2 con 𝜎̂𝑢2 )
𝜎
̂𝑢
4) Obtener SCE auxiliar de la nueva regresión
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
𝐻𝑜: 𝜎𝑖2 = 𝜎𝑢2 (Homocedasticidad) 𝑆𝐶𝐸𝑎𝑢𝑥
2 2 𝑈𝑐 =
𝐻𝑎: 𝜎𝑖 ≠ 𝜎𝑢 (Heterocedasticidad) 2
iii. Estadístico teórico (valor crítico): iv. Contraste:
2
𝑈𝑐 ≈ 𝑋𝑝−1 ,𝛼 𝑅𝑅: 𝑈𝑐 > 𝑋2𝑝−1 , 𝛼 Se rechaza Ho
Donde: p = número de parámetros de la 𝑅𝑅: 𝑈𝑐 < 𝑋2𝑝−1 , 𝛼 Se acepta Ho
regresión auxiliar
v. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
5. Contraste de Glesjer
No necesita especificar la lista de variables responsables de heterocedasticidad.
Regresión de |𝑒𝑖 | sobre cada variable explicativa elevada a h |𝑒𝑖 | = 𝛿̂1 + +𝛿̂2 𝑋𝑖 |𝑒𝑖 | = 𝛿̂1 + +𝛿̂2 √𝑋𝑖
̂ ̂
|𝑒𝑖 | = 𝛿1 + +𝛿2 𝑋𝑖ℎ
|𝑒𝑖 | = 𝛿̂1 + +𝛿̂2 𝑋𝑖2 1
Donde: 𝑒𝑖 se obtiene de la regresión original. 1 |𝑒𝑖 | = 𝛿̂1 + +𝛿̂2
|𝑒𝑖 | = 𝛿̂1 + +𝛿̂2 𝑋𝑖
1 1
h toma los valores de −2, −1, − 2 , 2 , 1,2 √𝑋𝑖 1
|𝑒𝑖 | = 𝛿̂1 + +𝛿̂2 2
𝑋𝑖
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
𝐻𝑜: 𝜎𝑖2 = 𝜎𝑢2 (Homocedasticidad) 𝛿̂2 + 𝛿20
2 ̂ ̂ ℎ 𝑡𝑐 =
𝐻𝑎: 𝜎𝑖 ≠ 𝛿1 + 𝛿2 𝑋𝑖 (Heterocedasticidad) 𝜎𝛿2
Donde: 𝛿20 = 0 En el supuesto de homocedasticidad (Ho)
𝜎𝛿2 = Desviación estándar del parámetro 𝛿̂2
iii. Estadístico teórico (valor crítico): iv. Contraste:
𝑛−𝑘
𝑡𝑐 ≈ 𝑡𝛼 𝑅𝑅: |𝑡𝑐 | > 𝑡𝑛−𝑘
𝛼 Se rechaza Ho
2 2
𝑅𝑅: |𝑡𝑐 | < 𝑡𝑛−𝑘
𝛼 Se acepta Ho
2
Aux. Univ. Carrillo Leon Annet Iran Página 2 | 6
UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
v. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
6. Contraste de Park
Regresión logarítmica: ln 𝑒𝑖2 = 𝛼̂ + 𝛽̂ 𝑙𝑛𝑋2𝑖 Obtener 𝑒𝑖 de la regresión original
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
2 2
𝐻𝑜: 𝛽 = 0 → 𝜎𝑖 = 𝜎𝑢 (Homocedasticidad) 𝛽̂ − 𝛽0
2 2
𝐻𝑎: 𝛽 ≠ 0 → 𝜎𝑖 ≠ 𝜎𝑢 (Heterocedasticidad) 𝑡𝑐 =
𝜎𝛽
iii. Estadístico teórico (valor crítico): iv. Contraste:
𝑡𝑐 ≈ 𝑡𝛼𝑛−𝑘 𝑅𝑅: |𝑡𝑐 | > 𝑡𝑛−𝑘
𝛼 Se rechaza Ho
2 2
𝑅𝑅: |𝑡𝑐 | < 𝑡𝑛−𝑘
𝛼 Se acepta Ho
2
vi. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
7. Contraste de Rangos de Spearman
Supone que la variable sospechosa provoca un crecimiento del residuo estimado.
1) Asignar un número que identifique el orden ascendente (R) de los valores de 𝑋𝑖 y |𝑒𝑖 |
2) Obtener la diferencia de orden entre ambos para cada valor: 𝑑𝑖 = 𝑅𝑋𝑖 − 𝑅|𝑒𝑖| 𝑑𝑖 = 𝑅𝑋𝑖 − 𝑅|𝑒𝑖 |
3) Calcular los valores de 𝑑𝑖2 y su sumatoria.
6∗∑ 𝑑 2
𝑖
4) Calcular el coeficiente de correlación entre rangos de Spearman: 𝑟𝑠 = 1 − 𝑛(𝑛2 −1)
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
𝐻𝑜: No existe asociación entre las variables 𝑟𝑠 ∗ √𝑛 − 2
𝐻𝑎: Existe asociación entre las variables 𝑡𝑐 =
√1 − 𝑟 2𝑠
iii. Estadístico teórico (valor crítico): iv. Contraste:
𝑡𝑐 ≈ 𝑡𝛼𝑛−2 𝑅𝑅: |𝑡𝑐 | > 𝑡𝑛−𝑘
𝛼 Se rechaza Ho
2 2
𝑅𝑅: |𝑡𝑐 | < 𝑡𝑛−𝑘
𝛼 Se acepta Ho
2
v. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
8. Prueba de Picos
Supone un crecimiento del error a medida que crece 𝑋𝑖 sospechosa
1) Ordenar los datos en forma creciente según la variable sospechosa.
2) Obtener |𝑒𝑖 |
3) Identificar el número de picos (p) mediante: |𝑒𝑖 | > |𝑒𝑖−1 |, donde |𝑒𝑖−1 |
Representa todos los valores anteriores.
**Obtener 𝑒𝑖 de la regresión original
i. Planteamiento de la hipótesis: ii. Estadístico de prueba (valor calculado):
𝐻𝑜: Existe Homocedasticidad 1−𝑝
𝐻𝑎: No existe Homocedasticidad Donde: p es el número de picos y se obtiene de tablas mediante n
(número de datos) y 𝑘 = 𝑝 + 1
iii. Estadístico teórico (valor crítico): iv. Contraste:
𝛼 nivel de significancia 𝑅𝑅: 1 − 𝑝 > 𝛼 Se rechaza Ho
𝑅𝑅: 1 − 𝑝 < 𝛼 Se acepta Ho
v. Conclusiones:
“A un nivel de significación de …….. se rechaza la hipótesis nula Ho ∴ existe Heterocedasticidad“
Aux. Univ. Carrillo Leon Annet Iran Página 3 | 6
UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
CORRECCIÓN DE LA HETEROCEDASTICIDAD
1. Estructura Heterocedastica conocida
Método de Mínimos Cuadrados Generalizados (MCG): Transformar la regresión dividiendo cada miembro con la
desviación estándar del término de perturbación.
Transformación del modelo: 1
2 𝜎12
0 0
𝑌𝑖 𝛽1 𝛽2 𝑋2𝑖 𝛽3 𝑋3𝑖 𝛽𝑘 𝑋𝑘𝑖 𝑢1 𝜎1 0 0
= + + + ⋯+ + 1
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 Ω = [ 0 𝜎22 0 ] Ω−1 = 0 𝜎2 0
2
𝑌𝑖∗ = 𝛼1 + 𝛼2 𝑋2𝑖∗ ∗
+ 𝛼3 𝑋3𝑖 ∗
+ ⋯ + 𝛼𝑘 𝑋𝑘𝑖 + 𝑢𝑖∗ 0 0 𝜎32 1
[ 0 0 𝜎32 ]
Cálculo de los estimadores con la matriz Ω conocida,
2
𝑒 𝑇 Ω−1 𝑒
Método de los Mínimos Cuadrados Ponderados (MCP): 𝜎̂𝑀𝐶𝐺 =
𝑛−𝑘
̂ 𝑇 −1 −1 𝑇 −1
𝛽𝑀𝐶𝐺 = (𝑋 Ω 𝑋) (𝑋 Ω 𝑌) Donde: Ω = 𝑃 𝑃 𝑇
2 −1
𝑉[𝛽 ] = 𝜎̂ 𝑀𝐶𝐺
∗ (𝑋𝑇 Ω−1 𝑋)
𝑀𝐶𝐺
2. Estructura Heterocedastica NO conocida
Se establece una forma funcional de 𝜎𝑢 con respecto a la variable explicativa responsable de heterocedasticidad, y se
divide cada miembro del modelo estimado por MCO entre la raíz de dicha variable.
Forma funcional de 𝜎𝑢 : Matriz de transformación de Aitken:
𝑉[𝑢] = 𝐸[𝑢𝑖2 ] = 𝜎𝑢2 ∗ 𝑋𝑖ℎ Ω = 𝑃𝑇 𝑃
Donde: h denota la forma funcional de Xi Transformación 𝑃𝑇 Ω−1 𝑃 = 𝐼
del modelo: Donde:
𝑌𝑖 𝛽1 𝛽2 𝑋2𝑖 𝛽3 𝑋3𝑖 𝛽𝑘 𝑋𝑘𝑖 𝑢1
= + + + ⋯+ + √𝑋𝑖ℎ 0 0
√𝑋𝑖ℎ √𝑋𝑖ℎ √𝑋𝑖ℎ √𝑋𝑖ℎ √𝑋𝑖ℎ √𝑋𝑖ℎ
𝑃= 0 √𝑋𝑖ℎ 0
𝑌𝑖∗ = 𝛼1 + 𝛼2 𝑋2𝑖
∗ ∗
+ 𝛼3 𝑋3𝑖 ∗
+ ⋯ + 𝛼𝑘 𝑋𝑘𝑖 + 𝑢𝑖∗
0 0 √𝑋𝑖ℎ
[ ]
Nota: Se puede observar la forma funcional de la variable X
que genera heterocedasticidad de la prueba de Glejser.
3. Transformación Logarítmica
Reduce la incidencia de la heterocedasticidad en el ln 𝑌𝑖 = 𝛽1 + 𝛽2 𝑙𝑛𝑋2𝑖 + 𝛽3 𝑙𝑛𝑋3𝑖 + ⋯ + 𝛽𝑘 𝑙𝑛𝑋𝑘𝑖 + 𝑢𝑖
modelo.
Aux. Univ. Carrillo Leon Annet Iran Página 4 | 6
UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
EJERCICIOS DE CLASE
1. Dado el modelo 𝐶𝑂𝑡 = 𝛽1 + 𝛽2 𝐶𝐸𝑡 + 𝑢𝑖 donde CO es la calificación obtenida y CE la calificación esperada, y
teniendo en cuenta los siguientes datos:
Alumno Abelardo Sergio Sonia Rodolfo Sofia Gertrudis Javier Elena
CO 8,55 7,50 7,48 7,45 2,8 6,13 6,70 7,43
CE 9,50 8,50 7,50 7,00 4,5 6,00 3,70 6,50
𝒆𝒕 0,0184 -0,4075 0,1914 0,4784 -2,6115 -0,2225 1,7876 0,7654
Contraste la posible presencia de problemas econométricos en el modelo, por:
a) Método grafico
b) Rangos de Spearman
c) Golfeld-Quandt
d) Contraste de White
e) Contraste de Breush Pagan
f) Contraste de Park
g) Prueba de Picos
h) En el caso de identificar un problema econométrico en el modelo con los anteriores contrastes, ¿Cómo
transformaría las variables para corregirlas? (Explique detalladamente cuál sería el procedimiento más
adecuado para evitar el posible problema).
Aux. Univ. Carrillo Leon Annet Iran Página 5 | 6
UNIVERSIDAD MAYOR DE SAN ANDRES
INGENIERIA INDUSTRIAL
ECONOMETRIA IND-521
SEMESTRE II/2021
PRÁCTICA N°9
1. Con los datos de la siguiente tabla verifique la existencia de heterocedasticidad:
Y (Ingreso): 600 100 800 500 400 900 700 200 300
GH (Gasto en hotel): 21 1 25 18 14 47 38 3 13
Mediante:
a) Método grafico
b) Contraste de White
c) Correlación de rangos de Spearman.
d) Golfeld-Quandt
e) Contraste de Breush Pagan
f) Contraste de Park
g) Prueba de Picos
h) ¿Cuál sería el procedimiento más adecuado para evitar posible problema de heterocedasticidad?
Fecha de entrega
30 de octubre
Aux. Univ. Carrillo Leon Annet Iran Página 6 | 6
