Trabajo de Investigación
sobre Supuestos de RLM
Presentación realizada por Rivera Aguilar, Rodrigo Rolando
HOMOCEDASTICIDAD La varianzas son constantes
Según nos menciona Wooldridge (2010) la homocedasticidad establece que la
varianza del error condicional sobre las variables explicativas es constante. Lo que
significa que la homocedasticidad se satisface cuando la varianza del error no
observable no cambia en diferentes segmentos de la población definidos por los
valores de las variables explicativas.
HETEROCEDASTICIDAD
Según nos menciona Wooldridge (2010) la heterocedasticidad puede ser un problema
que afecta la validez de las estimaciones obtenidas a través de mínimos cuadrados
ordinarios (MCO). la heterocedasticidad se refiere a la situación en la que la
La varianzas no son constantes varianza de los errores no es constante a lo largo de los valores de las variables
[Link] generalizados factibles. (MCGF).
¿A qué se debe la heterocedasticidad?
Feregrino (2016) nos explica sobre las posibles causas de la heterocedasticidad, en sus ejemplos menciona:
La misión de variables en la especificación del modelo, ya que es difícil controlar todos los factores que afectan a la variable independiente.
Es difícil asegurar que las variables explicativas tengan una varianza constante.
La inclusión de variables exógenas cuya varianza aumenta con el tiempo puede influir en la varianza de las perturbaciones y perder su aleatoriedad.
Un cambio estructural puede llevar a una estimación errónea de los parámetros, especialmente en algunas secciones de la muestra.
Errores en la especificación de la forma funcional pueden conducir a un ajuste incorrecto con errores crecientes y alta dispersión.
Si las variables explicativas no siguen una distribución normal, pueden asociarse con una mayor dispersión en las perturbaciones.
La presencia de valores atípicos en la muestra puede provocar desajustes en la varianza de las perturbaciones, ya que a menudo pertenecen a distribuciones
diferentes y, por lo tanto, tienen una varianza diversa.
El constraste White es aplicado a los residuos elevados al cuadrado
¿Cómo tratarlo? resultados de la estimación de la función objetivo:
Según Feregrino (2016) la heterocedasticidad puede
ser tratada a partir del contraste de White. es una Estimación de White:
prueba resistente porque no requiere supuestos
previos, como la normalidad de los errores, ni la
especificación de las variables que causan La estimación incluye a las dos variables independientes elevadas al cuadrado, la
heterocedasticidad. Su objetivo es verificar si las combinación lineal de estas para explicar los residuos al cuadrado.
variables explicativas del modelo afectan la
variabilidad de los errores al cuadrado, es decir, si La observación del contraste 𝑟^2 en la estimación de White sobre los errores, en
estas variables tienen un impacto significativo en la presencia de heterocesdasticidad debería acercarse a cero. Así mismo, sí el contraste
varianza de los errores muestrales. de F tiene como resultado un grado de significancia explicativa conjunta del modelo,
las series tienen un comportamiento heterocedastico.
Referencias
Esteban, V., Modroño, J. & Regúlez, M. (2010) Métodos Econométricos y Análisis de Datos. Universidad del País Vasco. Recuperado
de [Link]
Wooldridge, J. (2010) Introducción a la econometría. Un enfoque moderno. Universidad Nacional Autónoma de México.
[Link]
[Link]
