Introducción a la econometría

GES 5: Planteamiento general

y heteroscedasticidad

GUÍA DE ESTUDIO 5

Bloque 1: Planteamiento general y heteroscedasticidad

1. Planteamiento general
2. Heteroscedasticidad

Comentario general de los contenidos

q Planteamiento general

Este apartado contiene los conceptos más avanzados relativos al modelo de regresión lineal
múltiple. En concreto, en este primer apartado estudiamos el planteamiento general del
incumplimiento de las hipótesis básicas en el término de perturbación del modelo.
Así, conviene que nos fijemos en los principales conceptos que aparecen en todo el apartado:
matriz de varianzas y covarianzas escalar y no escalar del término de perturbación,
estimación por MCO y propiedades de los estimadores de los parámetros ß y de σ 2u de un
modelo con perturbaciones no esféricas, estimación por MCG y propiedades de los
estimadores de los parámetros ß y de σ 2u de un modelo con perturbaciones no esféricas,
estimación por MV y propiedades de los estimadores de los parámetros ß y de σ 2u de un
modelo con perturbaciones no esféricas y contraste de normalidad del término de
perturbación.
Debemos tener en cuenta que es un apartado bastante teórico, pero se entenderá mejor una
vez estudiados los dos apartados siguientes. Por estos motivos, probablemente, este
apartado es el más difícil de todo el curso, pero ello no nos tiene que desanimar. En
definitiva, es un apartado que conviene repasar una vez finalizado el estudio del módulo.
La duración recomendada para estudiar el apartado es de una semana (pero hay que volver a
él a medida que avancemos en el estudio de los dos siguientes apartados).

q Heteroscedasticidad

En este segundo apartado abordamos la explicación y el análisis de uno de los fenómenos

más habituales en el término de perturbación: la heteroscedasticidad (varianza no constante).
Conviene que preparemos muy bien este apartado y que hagamos un buen resumen, ya que
junto con el siguiente es un apartado MUY IMPORTANTE. Debemos hacer una primera
lectura. Luego, en la segunda lectura es necesario que tengamos el ejemplo numérico que se
utiliza en el texto a mano y que lo vayamos repitiendo.
Al acabar el apartado debemos ser capaces de entender y contrastar el fenómeno de la
heteroscedasticidad. En concreto, tenemos que saber qué es la heteroscedasticidad, así
como cuáles son las causas (teóricas o estructurales, muestrales y espurias) que la
generan, las consecuencias de estimar por MCO un modelo con perturbaciones
heteroscedásticas, los principales esquemas de dependencia funcional de la varianza del
término de perturbación, los métodos (gráficos y contrastes) para detectar la existencia de
heteroscedasticidad y el método de estimación de mínimos cuadrados generalizados (MCG).
La duración recomendada para el estudio de este apartado es de tres semanas.

1
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Ritmo de estudio
Para empezar os sugerimos que realicéis una primera lectura de todos los apartados objeto de
estudio de esta GES poniendo un especial énfasis en los puntos esenciales descritos a continuación.

Os proponemos el siguiente plan de estudio:

Apartado Puntos esenciales1

1. Planteamiento general ¿En qué supuestos y por qué hay que estimar un modelo
por mínimos cuadrados generalizados (MCG)?

1.1. Matrices de varianzas y Deben conocerse las expresiones de la matriz de

covarianzas escalares y no escalares varianzas y covarianzas del término de perturbación
del término de perturbación cuando éste cumple todas las hipótesis básicas, así como
cuando incumple alguna o todas estas hipótesis.

1.2. Estimación por mínimos Hay que conocer la expresión del estimador de MCO de
cuadrados ordinarios (MCO) de un los parámetros ß y de σ 2u , así como sus propiedades
modelo con perturbaciones no cuando éste es no esférico.
esféricas

1.3. Estimación por mínimos Es necesario conocer las dos alternativas para llegar a la
cuadrados generalizados (MCG): una expresión del estimador MCG de los parámetros ß y de
doble aproximación σ 2u .

1.4. Propiedades de los estimadores Hay que conocer las propiedades del estimador MCG de
MCG los parámetros ß y de σ 2u .

1.5. El estimador máximo verosímil Debe conocerse la expresión del estimador MV de los
(MV) en el MRLMG parámetros ß y de σ 2u , así como entenderse teóricamente
el “proceso” para obtenerlo.
Es preciso conocer las propiedades del estimador MV de
los parámetros ß y de σ 2u .

1.6. Normalidad del término de Hay que conocer por qué es importante que se cumpla la
perturbación y contraste de hipótesis de normalidad del término de perturbación.
normalidad de Jarque-Bera
También es necesario saber cómo contrastar el
cumplimiento de la hipótesis de normalidad del término de
perturbación mediante el contraste de Jarque-Bera.

1
La columna Puntos esenciales se refiere a los conceptos que tendríais que conocer.

2
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Apartado Puntos esenciales2

2. Heteroscedasticidad Análisis detallado del incumplimiento de la hipótesis de

homoscedasticidad en el término de perturbación.

2.1. Definición y causas Hay que conocer en qué consiste la heteroscedasticidad,

así como las posibles causas (teóricas o estructurales,
muestrales y espurias) que generan este incumplimiento
de la hipótesis básica de varianza constante de los
términos de perturbación.

2.2. Consecuencias de la estimación Debe conocerse la expresión del estimador de MCO de

por MCO los parámetros ß y de σ 2u , así como sus propiedades
cuando éste es heteroscedástico.

2.3. Esquemas de dependencia Tienen que conocerse los supuestos más habituales sobre
funcional de la varianza el comportamiento de la varianza del término de
perturbación.

2.4. Detección de heteroscedasticidad Hay que saber cómo detectar la presencia de

heteroscedasticidad en el término de perturbación
mediante métodos gráficos y la aplicación de los
contrastes más habituales (test de Breusch-Pagan, test
de Golfeld-Quandt, test de Glesjer y test de White).

2.5. Estimación por mínimos Hay que saber cómo estimar un modelo de regresión con
cuadrados generalizados (MCG y perturbaciones heteroscedásticas con objeto de obtener
MCP) estimadores de los parámetros ß y de σ 2u que cumplen
todas las propiedades deseables. Es necesario saber
diferenciar y aplicar correctamente el método directo
(MCG) y el método de dos etapas (MCP).

2
La columna Puntos esenciales se refiere a los conceptos que tendríais que conocer.

3
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Objetivos de la GES
Los objetivos principales de este bloque son los siguientes:

1. Conocer las diferentes formas que puede adoptar la matriz de varianzas y covarianzas del
término de perturbación cuando no es esférico.
2. Conocer qué propiedades cumplen y cuáles no los estimadores de mínimos cuadrados
ordinarios cuando el término de perturbación no es esférico.
3. Aplicar correctamente los diferentes contrastes estadísticos sobre heteroscedasticidad y saber
interpretar sus resultados.

Actividades seleccionadas
Nota: En los apartados objeto de estudio de esta GES no hay actividades propuestas.

Ejercicios web seleccionados

Nota: En el apartado del aula Recursos/Material de la asignatura/Econometría (web)
encontraréis ejercicios cortos con soluciones si queréis practicar más. Pensad en corregir algunos
errores que os señalamos más abajo.

4
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Explicaciones complementarias
UN RESUMEN SOBRE LOS CONTRASTES DE HETEROSCEDASTICIDAD

Test de Breusch-Pagan

Se contrasta si la estructura de heteroscedasticidad presente en el modelo

es: VAR[u i ] = σ 2u = h(Z i ' α) . Para llevar a cabo el contraste de Breusch-Pagan tenemos que seguir las
i

siguientes etapas:

1. Estimar el modelo original Y = XB + U por MCO y obtener los residuos MCO (es decir, ei) o el
vector de residuos, e.
ei e' e
2. Calcular el residuo normalizado para cada observación, donde σˆ u = es el estimador MV
σˆ u N
de la raíz cuadrada de la varianza del término de perturbación.
e2
3. Elevar al cuadrado los residuos normalizados obtenidos en el paso anterior, i2 .
σˆu
ei2
4. Estimar por MCO la expresión: σˆ 2u = = α0 + α1Z1i + α2Z 2i + α 3Z3i + L + αp Zpi + v i .
σ
ˆ 2u
i

5. Obtener de la anterior regresión el SCR. Bajo la hipótesis nula el SCR/2 se distribuye como una
SQR 2
Ji-cuadrado con p grados de libertad: ∼χp .
2
La regla de decisión será la siguiente:
SCR
si ≥ χ 2p,α ⇒ Re chazamos H 0 ⇒ Hay heteroscedasticidad
2
SCR
si < χ 2p,α ⇒ No Re chazamos H 0 ⇒ Hay hom oscedasticidad
2

Test de Golfeld-Quandt

Este contraste es adecuado cuando se sospecha que la varianza del término de perturbación está
relacionada positivamente con una variable. Es decir, para los siguientes esquemas de
heteroscedasticidad: VAR [u i ] = δxi , δ > 0 o bien VAR[u i ] = δxi2 , δ > 0 .
Para realizar este contraste hay que seguir los siguientes pasos:

1. Reordenar todas las observaciones de todas las variables del modelo en orden creciente de
menor a mayor según la explicativa que suponemos que es la causante de la
heteroscedasticidad.
2. Eliminar C observaciones centrales partiendo la muestra en tres submuestras. Generalmente el
número de observaciones centrales C que hay que eliminar se determina utilizando C = N/3 o
bien C = N/4.
3. Estimar una regresión con la primera submuestra y otra con la tercera submuestra.
4. Obtener el SCE, para cada una de las regresiones, SCE 1 y SCE 3.

5
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

SCE 3
5. Calcular el siguiente estadístico de prueba: G −Q = ∼ F N −C N −C .
SCE1 −K , −K
2 2

La regla de decisión que hay que utilizar en este contraste es la siguiente:

si G − Q ≥ F N − C − K , N − C −K ;α ⇒ Re chazamos H 0 ⇒ Hay heteroscedasticidad
.
2 2

si G − Q < F N − C − K , N − C −K ;α ⇒ No Re chazamos H 0 ⇒ Hay hom oscedasticidad

2 2

Test de Glesjer

En este contraste se supone que la forma funcional de la heteroscedasticidad

es: VAR[ui ] = δ0 + δ1Z hi + v i , donde Z es la variable causante de la heteroscedasticidad.
Las etapas que hay que seguir para aplicar este contraste son las siguientes:

1. Estimar por MCO el modelo original.

2. Obtener el vector de residuos MCO (ei).
3. Calcular los residuos en valor absoluto (o bien e2i ).
4. Estimar la siguiente regresión: e i = δ 0 + δ 1z hi + v i .
5. Contrastar la hipótesis nula H0 :δ1 = 0 mediante el contraste de la t de Student. Si rechazamos
Ho hay heteroscedasticidad y si no rechazamos Ho hay homoscedasticidad.

Test de White

Para realizar este contraste hay que seguir los siguientes pasos:

1. Estimar el modelo original por MCO.

2. Obtener los residuos MCO (ei).
3. Estimar una regresión en la que la variable endógena sean los residuos MCO al cuadrado y las
variables explicativas, los regresores del modelo original, los regresores al cuadrado y los
productos cruzados dos a dos.
4. Calcular el siguiente estadístico de prueba: N * R2 ∼ χ p2−1 , donde p es el número de regresores
de la expresión del paso 3.
La regla de decisión que hay que utilizar en este contraste es la siguiente:
si N ⋅ R 2 ≥ χ 2p −1,α ⇒ Re chazamos H 0 ⇒ Hay heteroscedasticidad
si N ⋅ R 2 < χ 2p −1,α ⇒ No rechazamos H 0 ⇒ Hay hom oscedasticidad

6
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Ejercicios complementarios
Nota: En estos ejercicios de tipo test intentaremos presentar diferentes cuestiones que muestren los
objetivos de los apartados objeto de estudio de esta GES. Sin embargo, tienen que entenderse como
unos pocos ejemplos que, dado el objetivo de estas GES, no cubren totalmente los contenidos
considerados.

1. ¿En qué situación de las siguientes podemos sospechar que un MRLM tiene perturbaciones no
esféricas?

a) Cuando hayamos omitido un regresor relevante.

b) Cuando el número de observaciones sea muy superior al número de variables.
c) Cuando los datos sean de serie temporal.
d) Cuando trabajemos con datos que son medias de otros datos.

2. Si establecemos un modelo de regresión lineal múltiple para analizar medias de ventas de

diversas empresas de un mismo sector en función de diversos regresores y tenemos datos para
132 empresas de tamaños muy diferentes, ¿qué creéis que puede ser un problema para la
obtención de los resultados?

a) La heteroscedasticidad.
b) La autocorrelación.
c) La homoscedasticidad.
d) Las perturbaciones incorrelacionadas.

3. Dadas las siguientes matrices de varianzas y covarianzas de los términos de perturbación de

dos modelos de regresión (vectores u1 y u2),
 2 −1 0 0 4 0 0 0
−1 2 0 0  0 4 0 0 
var( u1 ) =  var(u2 ) = 
0 0 2 0 0 0 5 0
   
0 0 0 2 0 0 0 5
indicad cuál de las siguientes afirmaciones es falsa:

a) El vector u1 presenta heteroscedasticidad.

b) El vector u2 presenta heteroscedasticidad.
c) El vector u1 presenta homoscedasticidad y el vector u2 no presenta homoscedasticidad.
d) El vector u1 presenta autocorrelación y homoscedasticidad.

4. S i a partir del siguiente modelo de regresión, Yi = β 0 + β1 X 1i + β 2 X 2 i + β 3 X 3i + β 4 X 4 i + ui ,

se calcula el estadístico de Jarque-Bera, ¿con qué valor crítico hay que compararlo si se utiliza
un nivel de significación del 5%?

a) χ 22
b) χ 52
c) 0,95
d) 0,05

7
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

5. En un modelo de regresión lineal múltiple con perturbaciones no esféricas (es decir,

con var [ u ] = σ 2 Ω ≠ σ 2I ), indicad cuál de las siguientes propiedades del estimador MCG es
cierta:

a) El estimador es de varianza mínima.

b) El estimador tiene sesgo.
c) El estimador no es eficiente.
d) El estimador es igual al estimador MCO.

6. Suponemos que queremos ver si los residuos de un MRLM estimado a partir de 48

observaciones siguen un comportamiento normal. Una vez hallados los residuos de la estimación
MCO calculamos los coeficientes de asimetría y de apuntamiento, para los que obtenemos los
valores –0,10 y 4,2. Por lo tanto, usando el contraste de Jarque-Bera se concluye lo siguiente:

a) Rechazamos la hipótesis nula de normalidad, el valor del contraste vale 2,96 y el valor en
tablas es 3,84.
b) Rechazamos la hipótesis nula de normalidad, el valor del contraste vale 10,88 y el valor en
tablas es 5,99.
c) No rechazamos la hipótesis de normalidad y el valor en tablas es 5,99.
d) Ninguna de las respuestas anteriores es cierta.

7. Para hacer el contraste de White cuando el modelo tiene tres variables explicativas (aparte del
término constante), hay que coger los cuadrados de los residuos (MCO) como variable
dependiente, y como explicativas:

a) Las mismas tres variables iniciales y al cuadrado. Por lo tanto, tendremos el término
constante y 6 regresores.
b) Las mismas tres variables iniciales, éstas al cuadrado y el producto de las tres. Por lo tanto,
tendremos el término constante y 7 regresores.
c) Las mismas tres variables iniciales, éstas al cuadrado y el producto cruzado de las tres
variables. Por lo tanto, tendremos el término constante y 9 regresores.
d) Las mismas tres variables iniciales, éstas al cuadrado y el producto cruzado de las tres
variables. Por lo tanto, tendremos el término constante y 10 regresores.

8. Supongamos que queremos ver en un MRLM con dos variables explicativas aparte del término
constante, si tenemos heteroscedasticidad provocada por sólo una de las variables explicativas
(digamos X1). Supongamos que tenemos 17 observaciones. El contraste del Golfeld-Quandt nos
da el valor 17,6 cuando hemos tomado las submuestras de 6, 5 y 6 observaciones,
respectivamente:

a) Rechazamos la hipótesis nula de heteroscedasticidad: el valor del contraste vale 17,6 y el

valor en tablas es 161.
b) Rechazamos la hipótesis nula de heteroscedasticidad: el valor del contraste vale 17,6/3 y el
valor en tablas es inferior.
c) No rechazamos la hipótesis de heteroscedasticidad.
d) Ninguna de las anteriores es cierta.

8
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

9. Una vez estimado por mínimos cuadrados ordinarios un MRLM con N = 100, se ha calculado el
vector de residuos y se han estimado las siguientes regresiones para contrastar la posible
heteroscedasticidad. Los resultados son los siguientes:

| ei |= 3,2 + 6,1X 1i , con las t-Student de los dos parámetros igual a 0,87 y 1,09,
respectivamente;
| ei |= 3,2 + 6,1X 21i , con las t-Student de los dos parámetros igual a 0,14 y 0,78,
respectivamente.

a) El contraste concluye que hay heteroscedasticidad provocada por X1.

b) El contraste concluye que hay heteroscedasticidad provocada por X1 y por X12.
c) Dado que 100·0,78 es 78%, hay mucha heteroscedasticidad.
d) No se puede concluir que haya heteroscedasticidad provocada por X1.

10. Cuando en un modelo se concluye que hay heteroscedasticidad,...

a) ...hay que efectuar el contraste de White para corroborarlo.

b) ...se pueden utilizar los estimadores de MCO porque seguirán siendo eficientes.
c) ...se utilizarán los estimadores MCG, ya que se conocerá siempre el valor de Ω .
d) Ninguna de las respuestas anteriores es cierta.

11. Para aplicar el contraste de White para detectar la heteroscedasticidad es necesario...

a) ...estimar el modelo sin constante.

b) ...conocer la matriz Ω de varianzas y covarianzas de las perturbaciones del modelo.
c) ...saber qué variable provoca la heteroscedasticidad.
d) Ninguna de las respuestas anteriores es cierta.

12. Supongamos que tenemos un MRLM con perturbaciones no esféricas. Supongamos también
que no conocemos la matriz Ω y que queremos utilizar un estimador del vector de parámetros
del tipo: ( X ' A− 1 X )− 1 X ' A−1 X , donde A es una matriz que se calcula a partir de los residuos
de la estimación MCO (e): A = ee ' . Explicad por qué razón no podemos utilizar en este caso
el estimador por mínimos cuadrados generalizados.

a) Porque el estimador MCG sólo se utiliza cuando las perturbaciones son esféricas.
b) Porque para utilizar un estimador MCG siempre es necesario utilizar antes un estimador
MCO.
c) Porque el estimador MCG requiere conocer la matriz Ω .
d) El estimador presentado en el enunciado es precisamente el estimador MCG.

Soluciones

1. Respuesta: D. La omisión de variables relevantes es una causa espuria, es decir, que ello no
significa que el MRLM tenga perturbaciones no esféricas, sino que existe un error de
especificación. Por otra parte, que los datos sean temporales no provoca heteroscedasticidad.
En cambio, trabajar con datos que son medias de otros datos sí que provoca que los términos
de perturbación tengan varianzas diferentes. De todas formas, debido a que el enunciado podía
inducir a confusión, daremos por correctas las respuestas A, C y D.

9
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

2. Respuesta: A. Si las empresas son muy diferentes podemos pensar que el término de
perturbación no tendrá una varianza constante. La variabilidad de los datos no será constante y,
por lo tanto, tendremos heteroscedasticidad.

3. Respuesta: A. El vector u1 no presenta heteroscedasticidad porque la varianza (términos de la

diagonal) es constante. Por lo tanto, esta respuesta es la falsa.

4. Respuesta: A Hay que buscar en unas tablas de la distribución Ji-cuadrado con dos grados de
libertad, al nivel de significación del 5%.

5. Respuesta: A. El estimador MCG tiene varianza mínima, se ha construido de manera que tenga
varianza mínima.

6. Respuesta: C. Es cierta porque no rechazamos la hipótesis nula de normalidad, el valor del

contraste vale 2,96 y el valor en tablas es 5,99.

7. Respuesta: C. Aparte de la constante, tienen que estar los 3 regresores iniciales, cada uno de
los regresores al cuadrado y los productos de estos tres dos a dos, es decir X1 por X2, X2 por X3
y X1 por X3. No tiene que ponerse X1·X2·X3. En total, hay 9 regresores aparte de la constante.

8. Respuesta: D. El contraste de Golfeld-Quandt da 17,6; puesto que hay 2 regresores aparte de la

constante y la muestra se ha partido en tres grupos de tamaño 6, 5 y 6, entonces hay que
buscar el valor de unas tablas de la F con 6 – 3 = 3 grados en el numerador y 3 en el
denominador. El valor de las tablas con un nivel de significación del 5% es igual a 9,28. Por lo
tanto, se concluye que hay heteroscedasticidad porque 17,6 > 9,28. Fijaos en que el enunciado
dice que rechazamos la hipótesis nula de heteroscedasticidad. La hipótesis nula es la de
homoscedasticidad. Se rechaza la hipótesis nula de homoscedasticidad, ya que el valor en
tablas es inferior al estadístico de contraste. Para encontrar el valor en tablas también podéis
utilizar el Excel usando la función [Link](0,05;3, 3).

9. Respuesta: D. No hay heteroscedasticidad porque ninguno de los contrastes individuales de la t

de Student supera el valor en las tablas de una t de Student con 99 grados de libertad, 1,66.

10. Respuesta: D. No hay que efectuar el contraste de White si ya se sabe que hay
heteroscedasticidad. Los estimadores MCO no serán eficientes. No siempre se conoce el valor
de O.

11. Respuesta: D. Para realizar el contraste de White no es preciso saber qué variable provoca la
heteroscedasticidad, ni conocer la matriz O. Hay que poner la constante en el modelo de los
residuos al cuadrado que se estima.

12. Respuesta: C. Para poder calcular el estimador MCG habría que conocer O.

10
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Prácticas con R-Commander

En estas prácticas intentaremos presentar diferentes actividades que muestren cómo deben
desarrollarse los objetivos de los apartados objeto de estudio de esta GES con el
programa estadístico-econométrico R-commander. Sin embargo, tienen que entenderse como
unos pocos ejemplos que, dado el objetivo de las GES, no cubren totalmente los contenidos
considerados.

Actividad 1: Heteroscedasticidad

Tomad los datos del archivo [Link] referidos a un conjunto de doscientas familias obtenidas de
la “Encuesta de presupuestos familiares" del INE, sobre el gasto en alimentación de estas
familias y otras variables.
A partir de estos datos, y usando R-commander, estimad por el método de los mínimos
cuadrados ordinarios el siguiente modelo:

ALi = β 1 + β 2 RE i + β 3 PERi + β 4 EDi + β 5 Di + ui

donde las variables son las siguientes:

• AL: Gasto anual en alimentación, bebidas y tabaco (medido en euros).

• RE: Renta familiar anual (medida en euros).
• PER: Número de personas total que forman parte de la familia.
• ED: Media de edad de los dos miembros de la pareja (todas las familias están formadas como
mínimo por una pareja y, en su caso, hijos y otras personas).
• D: Variable cualitativa que toma el valor 1 si la familia vive en una vivienda propia y toma el valor 0
si vive de alquiler.

A partir de los resultados obtenidos contestad razonadamente las siguientes cuestiones:

a) ¿Cuáles de las variables explicativas consideradas resultan relevantes a la hora de explicar las
diferencias en el gasto anual en alimentación, bebidas y tabaco?

b) Fijaos en que el parámetro β5 no es estadísticamente significativo. ¿Podría suceder que el tipo de

vivienda fuera una variable relevante pero que por culpa de la heteroscedasticidad se llegara a la
conclusión de la no significación estadística?

Solución:

Para obtener los resultados de la estimación con R-Commander por el método de los mínimos
cuadrados ordinarios del modelo propuesto hay que seguir los pasos que hemos hecho en
anteriores unidades: ir a Estadísticos > Ajuste de modelos > Regresión lineal...

Los resultados de la estimación son éstos:

11
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Entonces, debe considerarse lo siguiente:

a) Teniendo en cuenta los resultados de los tests de significación individual de los diferentes
parámetros, llegamos a la conclusión de que las variables renta (RE), número de personas
(PER) y edad (ED) resultan relevantes a la hora de explicar las diferencias en el gasto anual en
alimentación, bebidas y tabaco. En cambio, según los resultados del test, el tipo de vivienda no
es relevante.

b) En efecto, la presencia de un problema de heteroscedasticidad puede provocar que una variable

relevante (por ejemplo, el tipo de vivienda) tenga asociada un parámetro no significativo porque la
varianza del estimador es demasiado grande. Recordemos que la estimación por mínimos
cuadrados ordinarios no es eficiente cuando hay heteroscedasticidad, es decir, que se podría
estimar con una varianza menor. Por otra parte, cuanto mayor sea la varianza de la estimación
del parámetro, menor es el t-estadístico y, por lo tanto, más fácil es que el parámetro sea
estadísticamente no significativo, no porque la variable no sea relevante, sino porque la
estimación es poco eficiente.

Actividad 2: Contraste de White

Tomad los datos del archivo Tourism_UK.xls referidos al turismo del Reino Unido.

Con estos datos se propone estimar el siguiente modelo:

VSPt = β 0 + β1PDI t + β 2 CPISPt + u t ,

donde las variables son:

• VSP: Días de vacaciones por residente en el Reino Unido.

• PDI: Renta personal real en el Reino Unido.
• CPISP: Índice de precios en el país de destino.

12
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

A partir de estos datos, calculad el contraste de White. ¿Qué conclusión se deriva de este contraste?

Solución:

Primero hay que hacer la estimación del modelo:

Seguidamente se debe guardar los valores de los residuos en la base de datos, haciendo lo siguiente:

Modelos > Añadir las estadísticas de las observaciones a los datos

Donde solo debemos dejar marcada la opción Residuos:

De esta manera se añadirá a la Base de Datos una variable con el nombre [Link].2.

Después es necesario calcular los residuos al cuadrado, los quadrados

de las variables independentes y los productos cruzados de las variables independentes. Se utiliza
el menú:
Datos > Modificar variables del conjunto de datos activo > Calcular una nueva variable....

13
Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

14
 Introducción a la econometría
GES 5: Planteamiento general
y heteroscedasticidad

Los resultados de la estimación con R-Commander por el método de los mínimos cuadrados
ordinarios de la regresión del test de White (donde hay que poner como variable dependiente los
residuos al cuadrado y como explicativas todos los regresores, sus cuadrados y sus productos
cruzados) son los siguientes:

A partir de estos resultados, el contraste de White proporciona un valor de N*R2 = 29*0,31 = 8,99
que no permite rechazar la hipótesis nula de homoscedasticidad, ya que el valor de una Ji-cuadrado
con 5 grados de libertad es 11,070. Podemos concluir, por lo tanto, que el modelo es
homoscedástico.

15