Tema 9

Econometría

Heterocedasticidad
 Índice
Esquema 3

Ideas clave 4
9.1. Introducción y objetivos 4
9.2. El concepto de heterocedasticidad 5
9.3. Consecuencias sobre el estimador MCO 9
9.4. Métodos para detectar la heterocedasticidad 11
9.5. Inferencia robusta a heterocedasticidad tras
estimar por MCO 16
9.6. Heterocedasticidad en regresiones con series
temporales 20
© Universidad Internacional de La Rioja (UNIR)

9.7. Actividades resueltas de Gretl para practicar 21

9.8. Contraste de heterocedasticidad y estimación
robusta en R 27
9.9. Referencias bibliográficas 30

A fondo 31

Test 32
 © Universidad Internacional de La Rioja (UNIR)

Heterocedasticidad

Definición: Incumplimiento del supuesto 5 del MRLG en la parte que afecta a la varianza de los residuos. En este caso, no es posible
asumir que los errores de nuestro modelo tienen una varianza constante; por tanto:
𝑉𝑉𝑉𝑉𝑝𝑝 𝑢𝑢𝑖𝑖 𝑥𝑥1𝑖𝑖 , … , 𝑥𝑥𝑘𝑘𝑖𝑖 = 𝜎𝜎𝑖𝑖2 , 𝑝𝑝𝑉𝑉𝑝𝑝𝑉𝑉 𝑝𝑝 = 1, … , 𝑁𝑁

Los estimadores siguen siendo insesgados:

Consecuencias en las estimaciones MCO

𝐸𝐸 𝛽𝛽̂ = 𝛽𝛽

Los estimadores dejan de ser eficientes, ya no se cumple que

El estadístico de contraste de las estimaciones MCO MCO sea el de menor varianza.
obtenidas del modelo con heterocedasticidad no Solución: Estimación de la varianza de White o varianza de
MCO robusta a la heterocedasticidad.
puede ser empleado para realizar inferencias.

Contraste de White

𝐻𝐻0 : 𝑉𝑉𝑉𝑉𝑝𝑝 𝑢𝑢𝑖𝑖 𝑋𝑋 = 𝜎𝜎 2 , para todo 𝑝𝑝 = 1, . . , 𝑁𝑁

𝐻𝐻1 : 𝑉𝑉𝑉𝑉𝑝𝑝 𝑢𝑢𝑖𝑖 X ≠ 𝑉𝑉𝑉𝑉𝑝𝑝 𝑢𝑢𝑗𝑗 X para algún 𝑝𝑝 ≠ 𝑗𝑗

Contrastes de
heterocedasticidad
Estadístico: 𝐿𝐿𝐿𝐿 = 𝑛𝑛 · 𝑅𝑅𝑒𝑒2 ~𝑎𝑎 𝜒𝜒𝑘𝑘2 , 𝑏𝑏𝑉𝑉𝑗𝑗𝐶𝐶 𝐻𝐻0

2
Rechazamos la hipótesis nula (homocedasticidad) para un nivel de significación 𝛼𝛼 % si: 𝐿𝐿𝐿𝐿 > 𝜒𝜒𝑘𝑘,𝛼𝛼

La representación gráfica de los residuos puede

Método gráfico ayudarnos a detectar si estamos ante un modelo que
presenta heterocedasticidad

Econometría
Esquema

Tema 9. Esquema
3
 Ideas clave

9.1. Introducción y objetivos

Recordamos, antes de comenzar con este tema, que el MRL clásico fue construido
sobre unos supuestos los cuales deberían cumplirse para asegurar que el modelo
pudiese ser estimado y que sus estimaciones en base al estimador MCO cumpliesen
unas propiedades estadísticas deseables, dando así lugar a la obtención de lo que
denominamos el estimador ELIO.

¿Qué ocurre si alguno de estos supuestos se incumple? En este tema vamos a

estudiar el caso particular de un conjunto de datos los cuales no satisfacen el
supuesto de varianza constante, introducido por el supuesto 5 y definido bajo el
nombre de homocedasticidad.

Este caso es bastante realista para la mayoría de conjunto de datos, pues dado un
conjunto de N individuos es razonable suponer que la dispersión existente entre
estos y el valor estimado no va a mantener una magnitud constante. En la primera
sección veremos ejemplos de estos tipos de datos y mostraremos gráficamente qué
es esto de la no varianza constante.

Dado que se estará incumpliendo un supuesto del modelo de regresión lineal clásico
deberemos revisar su estimación y aprender a estimar el modelo considerando ahora
el problema de heterocedasticidad para que sigamos obteniendo estimaciones
eficientes. También deberemos aprender a detectar este problema en nuestro
© Universidad Internacional de La Rioja (UNIR)

conjunto de datos y así en la especificación de nuestro modelo MRL.

Econometría
4
Tema 9. Ideas clave
 Por tanto, los objetivos de este tema son:

▸ Entender qué es la homocedasticidad y la heterocedasticidad en base a un

conjunto de datos y la especificación en base a estos de un MRL.
▸ Aprender técnicas para detectar la presencia de este problema en nuestro
modelo.
▸ Mostrar qué efecto tiene la presencia de heterocedasticidad en el estimador MCO,
eficiente hasta ahora.
▸ Aprender nuevos métodos de estimación para asegurarnos seguir produciendo
estimaciones eficientes en base a nuestro MRL.

9.2. El concepto de heterocedasticidad

Vamos a comenzar explicando qué es la heterocedasticidad de forma gráfica para

después introducir dicho problema en los supuestos del MRLG.

Cuando existe heterocedasticidad nos estamos refiriendo a que no es posible asumir

que los errores de nuestro modelo tienen una varianza constante. Esto es, que las
distancias de cada valor del conjunto de datos (𝑦𝑦𝑖𝑖 ) a la recta de regresión no mantiene
un valor constante, por tanto, la dispersión que se observa en el grafico no es
constante.

Vemos una serie de gráficos teóricos de residuos de modelos con y sin

heterocedasticidad para después dar paso a un ejemplo con datos reales.
© Universidad Internacional de La Rioja (UNIR)

En la figura 1 se muestran simulados dos conjuntos de datos, el primero cumple el

supuesto de varianza constante y el segundo no.

Econometría
5
Tema 9. Ideas clave
 Figura 1. Representación de un conjunto de datos con y sin heterocedasticidad.
Fuente: [Link]

Por otro lado, las varianzas de los residuos de ambos conjuntos de datos presentan
la misma dispersión (figura 2):

Figura 2. Representación de la varianza de los residuos.

Fuente: [Link]
© Universidad Internacional de La Rioja (UNIR)

Econometría
6
Tema 9. Ideas clave
 Ejemplo

Precio de una vivienda en función de su tamaño

Sea el conjunto de datos que trata de estimar el precio de las viviendas

en función del tamaño de estas.

En el gráfico de los datos (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) en función del regresor (𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠) puede

observarse como la dispersión crece a medida que el tamaño de la
vivienda aumenta.

Figura 3. Gráfico de la variable dependiente.

En la estimación de los residuos de esta regresión podemos ver esta

dispersión, tal y como se observaba en el caso teórico mostrado en la
figura 4.
© Universidad Internacional de La Rioja (UNIR)

Econometría
7
Tema 9. Ideas clave
 Figura 4. Gráfico de los residuos contra el tamaño (sqft).

Centrados ahora en el MRL clásico el supuesto que en el caso de presencia de

heterocedasticidad se está incumpliendo es el supuesto 5 el cual ahora deberá
mostrar la existencia de varianza no constante en los residuos:

Ahora se tiene que 𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢𝑖𝑖 |𝑥𝑥1𝑖𝑖 , … , 𝑥𝑥𝑘𝑘𝑘𝑘 ) = 𝜎𝜎𝑖𝑖2 , 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, … , 𝑁𝑁. La varianza del error
es diferente según la observación i que esté siendo considerada. De este modo, y
recurriendo a la forma matricial, la matriz de varianzas y covarianzas del error del
modelo quedaría del siguiente modo:

𝜎𝜎12
0 𝜎𝜎22
𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢|𝑋𝑋) = ⎛ ⎞
⋮ ⋮ ⋱
⎝0 0 … 𝜎𝜎𝑁𝑁2 ⎠

Ya que se mantiene la ausencia de correlación serial, luego 𝐶𝐶𝐶𝐶𝐶𝐶�𝑢𝑢𝑖𝑖 , 𝑢𝑢𝑗𝑗 �𝑋𝑋� =

© Universidad Internacional de La Rioja (UNIR)

𝐸𝐸�𝑢𝑢𝑖𝑖 𝑢𝑢𝑗𝑗 �𝑋𝑋� = 0.

Econometría
8
Tema 9. Ideas clave
 Causas de la heterocedasticidad

En primer lugar, hay que destacar que muchos fenómenos son por su propia
naturaleza heterocedásticos. Por ejemplo, variables como el gasto, la renta, el
ahorro, los beneficios empresariales, etc., comparten una distribución
heterocedástica.

No obstante, existen determinadas prácticas, la cuales señalamos a continuación,

que habrá que provocarla cuando esta no existe de forma «natural»:

1. La incorrecta especificación del modelo. Puede ser por omisión de variables o por

el uso incorrecto de la forma funcional.

2. Uso de determinados valores de la muestra. Presencia de valores atípicos o uso
de variables explicativas asimétricas o con rango excesivamente amplio.
3. Modelos concretos. Como el caso de los modelos que Gujarati y Porter (2010)
llaman «de autoaprendizaje sobre sus propios errores». En estos modelos el paso
del tiempo provoca desajustes en los valores de la varianza, dejando de ser esta
constante.

9.3. Consecuencias sobre el estimador MCO

Sobre la realización de inferencias en el modelo

Consideremos que todos los supuestos básicos se satisfacen excepto el supuesto de

homocedasticidad. Observa que la presencia de heterocedasticidad está relacionada
© Universidad Internacional de La Rioja (UNIR)

con la matriz de varianzas y covarianzas del error, pero el supuesto básico 4 se sigue
satisfaciendo: 𝐸𝐸[𝑢𝑢|X] = 0.

Por tanto, el modelo puede ser estimado por MCO y va a seguir siendo insesgado.
¿Dónde está por tanto el problema? En la estimación de la varianza de MCO. Dado

Econometría
9
Tema 9. Ideas clave
 que no es posible predeterminar la varianza de los errores para todas las
observaciones de forma constante ya que no se cumple que 𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢|𝑋𝑋) = 𝜎𝜎 2 no
puede ser empleado el estimador de 𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ �.

¿Qué consecuencias tiene esto? El estadístico de contraste, tal y como lo hemos

definido a partir de la varianza estimado de 𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ �, que considera varianza
constante en el término de error, no puede ser empleado. Por tanto, no es posible
realizar inferencias a partir de las estimaciones MCO obtenidas del modelo con
heterocedasticidad.

Sin embargo, 𝑅𝑅 2 y 𝑅𝑅� 2 no van a cambiar y van a seguir siendo válidos, y es posible
estimar el modelo por MCO (tal y como hemos indicado anteriormente), pero dicho
modelo y sus estimaciones MCO no podrán ser empleadas para realizar inferencias
(intervalos de confianza, predicción por intervalos y contraste de hipótesis).

Sobre las propiedades del estimador MCO

Ya ha sido comentado en el punto anterior que el problema de heterocedasticidad va

a afectar a la estimación de la varianza de 𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 .

Las propiedades estadísticas del estimador MCO se ven afectadas del siguiente modo:

a) Sigue cumpliéndose la insesgadez al no verse modificado el supuesto 4 del MRLG

que nos dice que la esperanza de los errores es cero.
b) Sin embargo, el estimador va a dejar de ser eficiente, o lo que es lo mismo, el
estimador MCO ya no es el de mínima varianza al haber modificado la
heterocedasticidad la varianza de este estimador.
© Universidad Internacional de La Rioja (UNIR)

Por tanto, bajo heterocedasticidad, ya no se puede afirmar que el estimador MCO es

el estimador lineal e insesgado de menor varianza de entre todos los estimadores
lineales e insesgados.

Econometría
10
Tema 9. Ideas clave
 ¿Qué ha ocurrido? El teorema de Gauss Markov establece que bajo los cinco
supuestos básicos del MRL el estimador MCO es el estimador lineal e insesgado de
menor varianza de entre todos los estimadores lineales e insesgados. Aunque no
vimos con detalle la demostración de este teorema, el supuesto de homocedasticidad
es clave en la demostración, por ello, cuando no se satisface homocedasticidad no se
puede aplicar el teorema de Gauss Markov.

Para solucionarlo recurriremos a una estimación robusta, a heterocedasticidad.

También aprenderemos a hacerlo mediante el software Gretl.

9.4. Métodos para detectar la heterocedasticidad

Relevancia de los contrastes de heterocedasticidad

Realizar contrastes de heterocedasticidad es importante por dos motivos. Por un

lado, si no tenemos en cuenta la presencia de heterocedasticidad y consideraremos
erróneamente que se cumple homocedasticidad las conclusiones derivadas de los
contrastes de hipótesis sobre los parámetros pueden ser erróneas, con lo que
necesitamos de un test que nos permita no rechazar la hipótesis de
homocedasticidad.

Por otro lado, realizar inferencias asumiendo heterocedasticidad resulta ineficiente

cuando existe homocedasticidad. La estimación robusta a heterocedasticidad
requiere de unos cálculos más complicados y los errores estándar bajo
heterocedasticidad son normalmente mayores que bajo homocedasticidad.
© Universidad Internacional de La Rioja (UNIR)

Por todo esto, resulta necesario realizar un contraste sobre heterocedasticidad, y si

esta se rechaza entonces continuamos nuestro análisis utilizando las herramientas
vistas hasta ahora para MCO, y si se asume la presencia de heterocedasticidad

Econometría
11
Tema 9. Ideas clave
 realizaremos una nueva estimación de nuestro modelo esta vez con una estimación
de las varianzas de los estimadores robustas a la presencia de heterocedasticidad.

El contraste de Breush-Pagan

El contraste de hipótesis de heterocedasticidad se expresa como:

𝐻𝐻0 : 𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢𝑖𝑖 |𝑋𝑋) = 𝜎𝜎 2 , para todo 𝑖𝑖 = 1, . . , 𝑁𝑁

𝐻𝐻1 : 𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢𝑖𝑖 |X) ≠ 𝑉𝑉𝑉𝑉𝑉𝑉�𝑢𝑢𝑗𝑗 �X�para algún 𝑖𝑖 ≠ 𝑗𝑗

O también puede expresarse como:

𝐻𝐻0 : 𝐸𝐸(𝑢𝑢𝑖𝑖2 �𝑋𝑋) = 𝜎𝜎 2 ,para todo 𝑖𝑖 = 1, . . , 𝑁𝑁

𝐻𝐻1 : 𝐸𝐸(𝑢𝑢𝑖𝑖2 �𝑋𝑋) ≠ 𝐸𝐸�𝑢𝑢𝑗𝑗2 �𝑋𝑋� para algún 𝑖𝑖 ≠ 𝑗𝑗

Por lo tanto, la hipótesis nula establece que el valor esperado de 𝑢𝑢𝑖𝑖2 no tiene ninguna
relación con las observaciones, mientras que en la hipótesis alternativa sí que existe
alguna relación del valor esperado con las observaciones. Bajo la hipótesis
alternativa, no conocemos la relación exacta entre el valor esperado de 𝑢𝑢𝑖𝑖2 y las
variables regresoras, pero lo podemos expresar mediante la expresión:

𝑢𝑢𝑖𝑖2 = 𝛼𝛼0 + 𝛼𝛼1 𝑥𝑥1𝑖𝑖 + 𝛼𝛼2 𝑥𝑥2𝑖𝑖 + ⋯ + 𝛼𝛼𝑘𝑘 𝑥𝑥𝑘𝑘𝑘𝑘 + 𝜀𝜀𝑖𝑖

Si se cumplen los supuestos básicos del MRL con este modelo donde la variable
dependiente es el error al cuadrado, tendremos que:

𝐸𝐸(𝑢𝑢𝑖𝑖2 �𝑋𝑋) = 𝛼𝛼0 + 𝛼𝛼1 𝑥𝑥1𝑖𝑖 + 𝛼𝛼2 𝑥𝑥2𝑖𝑖 + ⋯ + 𝛼𝛼𝑘𝑘 𝑥𝑥𝑘𝑘𝑘𝑘

© Universidad Internacional de La Rioja (UNIR)

Con lo que el valor esperado de 𝑢𝑢𝑖𝑖2 depende de las observaciones.

Econometría
12
Tema 9. Ideas clave
 Utilizando esta expresión podemos reescribir el contraste de hipótesis sobre
heterocedasticidad en función de los parámetros 𝛼𝛼𝑖𝑖 :

𝐻𝐻0 : 𝛼𝛼1 = 𝛼𝛼2 = ⋯ = 𝛼𝛼𝑘𝑘 = 0

𝐻𝐻1 : 𝛼𝛼𝑗𝑗 ≠ 0, para algún 𝑗𝑗 = 1, … , 𝑘𝑘

Observa que no incluimos el intercepto en la hipótesis nula. Dado que solo nos
interesa contrastar que la varianza del error no está relacionada con las variables
regresoras, solo van a intervenir los coeficientes de las variables regresoras. Bajo la
hipótesis nula 𝐸𝐸(𝑢𝑢𝑖𝑖2 �𝑋𝑋) = 𝛼𝛼0 = 𝜎𝜎 2 , con lo que 𝛼𝛼0 representa la varianza del error
bajo homocedasticidad.

Recuerda que el contraste que estamos realizando es un contraste de significatividad

global del efecto de las variables regresoras 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑘𝑘 en la variable dependiente
𝑢𝑢2 . ¿Cuál es el problema que nos encontramos ahora? Que la variable dependiente
𝑢𝑢2 no se puede observar ya que no podemos observar el error 𝑢𝑢. Utilizamos una
estimación en su lugar, los residuos del MRL de y:

𝑢𝑢�𝑖𝑖2 = 𝑒𝑒𝑖𝑖2 = (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑖𝑖 )2

El modelo que vamos a estimar queda entonces:

𝑒𝑒𝑖𝑖2 = 𝛼𝛼0 + 𝛼𝛼1 𝑥𝑥1𝑖𝑖 + 𝛼𝛼2 𝑥𝑥2𝑖𝑖 + ⋯ + 𝛼𝛼𝑘𝑘 𝑥𝑥𝑘𝑘𝑘𝑘 + 𝜖𝜖𝑖𝑖

Denotemos 𝑅𝑅𝑒𝑒2 el coeficiente de determinación de la regresión de 𝑒𝑒𝑖𝑖2 sobre las

variables regresoras 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑘𝑘 .
© Universidad Internacional de La Rioja (UNIR)

El MRL definido para 𝑒𝑒𝑖𝑖2 se asume que satisface los supuestos básicos del MRL y el
supuesto de normalidad.

Econometría
13
Tema 9. Ideas clave
 El estadístico de contraste para detectar heterocedasticidad se construye como:

𝐿𝐿𝐿𝐿 = 𝑛𝑛 · 𝑅𝑅𝑒𝑒2 ~𝑎𝑎 𝜒𝜒𝑘𝑘2 , 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝐻𝐻0

El símbolo ~𝑎𝑎 denota distribución asintótica, es decir, no es una distribución exacta

del estadístico, sino que la distribución del estadístico 𝐵𝐵𝐵𝐵 converge a la distribución
𝜒𝜒𝑘𝑘2 cuando el tamaño muestral 𝑁𝑁 crece. Los grados de libertad 𝑘𝑘 provienen del
número de restricciones en la hipótesis nula, que es igual al número de variables
regresoras en el modelo.

Rechazamos la hipótesis nula (homocedasticidad) para un nivel de significación 𝛼𝛼 %

si:

2
𝐿𝐿𝐿𝐿 > 𝜒𝜒𝑘𝑘,𝛼𝛼

Ejemplo

Estimación del salario en función de los años de experiencia, educación

y sexo del individuo

Este ejemplo ya fue utilizado en el tema anterior de regresores

cualitativos. Vamos ahora a detectar la posible presencia de
heterocedasticidad en este modelo, el cual recordamos utiliza datos del
fichero wage1 del manual de Wooldridge, en el que se estima el salario
de 526 trabajadores de EE. UU.

� 𝚤𝚤 )= 0,481−0,344𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖 +0,009𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑟𝑟𝑖𝑖 +0,091𝑒𝑒𝑒𝑒𝑒𝑒𝑐𝑐𝑖𝑖

𝑙𝑙𝑙𝑙𝑙𝑙(𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
(0,105) (0,038) (0,001) (0,007)
2
𝑁𝑁 = 526 𝑅𝑅 = 0,353

¿Cómo calculamos los residuos 𝑒𝑒𝑖𝑖 en Gretl? En la pestaña Guardar de la

© Universidad Internacional de La Rioja (UNIR)

ventana con los resultados de la estimación por MCO aparece la selección

residuos al cuadrado. Al seleccionar esta opción Gretl creará una nueva
variable (nos pedirá un nombre para esta nueva variable) cuyos valores
serán los residuos de la estimación al cuadrado, 𝑒𝑒𝑖𝑖2 .

Econometría
14
Tema 9. Ideas clave
 Ahora estimamos el siguiente modelo:

𝑒𝑒�2 = 0,100−0,034𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖 +0,001𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑟𝑟𝑖𝑖 +0,006𝑒𝑒𝑒𝑒𝑒𝑒𝑐𝑐𝑖𝑖

𝚤𝚤
(0,073) (0,026) (0,001) (0,005)
2
𝑁𝑁 = 526 𝑅𝑅 = 0,009

Lo que nos interesa de esta estimación es el coeficiente de

determinación: 𝑅𝑅𝑒𝑒2 = 0,009

Calculamos el valor del estadístico del contraste de heterocedasticidad:

𝐵𝐵𝐵𝐵 = 𝑁𝑁 ∗ 𝑅𝑅𝑒𝑒2 = 526 ∗ 0,009 = 4,939

2
Rechazamos la hipótesis nula de homocedasticidad al 5 % si 𝐵𝐵𝐵𝐵 > 𝜒𝜒3,0.05 .
2
Calculamos 𝜒𝜒3,0.05 con Gretl:

2
𝜒𝜒3,0.05 = 7,815

Como 4,939 < 7,815, no rechazamos la hipótesis nula para un nivel de

significación del 5 %, y concluimos que no hay evidencias en la muestra
de presencia de heterocedasticidad en el error del modelo del salario
considerado y, por lo tanto, no podemos rechazar homocedasticidad.

Si recurrimos a observar el gráfico de los residuos del modelo estimado

por MCO observamos que se observa un patrón bastante constante en la
dispersión de las observaciones. Lo vemos en la figura 5.
© Universidad Internacional de La Rioja (UNIR)

Figura 5. Gráfico de los residuos por número de observaciones.

Econometría
15
Tema 9. Ideas clave
 El contraste de White

Comparado este contraste con el anterior, la única modificación que encontramos es

que este introduce más regresores en la estimación de la ecuación de los errores al
cuadrado.

Salvo esa modificación en la recta de regresión a estimar, el estadístico de contraste

que se emplea es el mismo (el LM o estadístico de Breush-Pagan) considerando ahora
el R2 de ese modelo que incorpora más regresores

Esos regresores adicionales son el cuadrado de los regresores y el producto cruzado

de los mismos, de modo que la ecuación a estimar será la siguiente:

𝑘𝑘 𝑘𝑘 𝑘𝑘
2
𝑢𝑢�𝑖𝑖 = � 𝛾𝛾𝑗𝑗 · 𝑋𝑋𝑗𝑗𝑗𝑗 + � 𝛿𝛿𝑗𝑗 · 𝑋𝑋𝑗𝑗𝑗𝑗2 + � � 𝜃𝜃𝑗𝑗 · 𝑋𝑋𝑗𝑗𝑗𝑗 · 𝑋𝑋𝑞𝑞𝑞𝑞 + 𝜀𝜀𝑖𝑖
𝑗𝑗=1 𝑗𝑗=1 𝑗𝑗=1 𝑞𝑞<𝑗𝑗

Gretl realiza este contraste, introduce por tanto en la estimación del coeficiente de
determinación a utilizar en el estadístico de contraste los regresores considerados en
la ecuación anterior, de los errores al cuadrado.

9.5. Inferencia robusta a heterocedasticidad tras

estimar por MCO

Métodos robustos a la heterocedasticidad

© Universidad Internacional de La Rioja (UNIR)

Ya hemos indicado que la inferencia basada en las estimaciones MCO no es correcta

cuando existe heterocedasticidad. Dada la importancia de realizar tal inferencia en
nuestros modelos, se hace necesario buscar una solución para que esta pueda
realizarse en presencia de heterocedasticidad.

Econometría
16
Tema 9. Ideas clave
 Vimos que el problema se encuentra en que la varianza del término de error ha sido
modificada no siendo esta constante para todas las observaciones, y no pudiéndose
además utilizar una formulación estándar ya que ahora ésta dependerá del tipo de
heterocedasticidad que exista en cada caso. Por ello la varianza del estimador MCO
ya no es válida para realizar inferencias.

Lo que necesitamos es ajustar dicha varianza y en concreto los errores estándar de

nuestros estadísticos de contraste, para que estos puedan ser empleados en
presencia de heterocedasticidad. Esto además será útil ya que podrán ser utilizando
independientemente del tipo de heterocedasticidad con el que nos encontremos.
Este método bajo el término de robusto a la heterocedasticidad. Por tanto, vamos a
obtener errores estándar robustos a la heterocedasticidad.

Estimación de varianzas en presencia de heterocedasticidad

Ya vimos que cuando el estimador 𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 de un modelo de regresión simple puede es

expresado en función del término de error, su varianza puede ser expresada del
siguiente modo:

2 𝑁𝑁
∑𝑁𝑁
𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ )𝑢𝑢𝑖𝑖 1
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 � = 𝑉𝑉𝑉𝑉𝑉𝑉 � 𝑁𝑁 � = � 𝑁𝑁 � �(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ )2 𝑉𝑉𝑎𝑎𝑎𝑎(𝑢𝑢𝑖𝑖 )
∑𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ ) 2 ∑𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ )2
𝑖𝑖=1

Cuando existe homocedasticidad, esto es cuando 𝑉𝑉𝑉𝑉𝑉𝑉(𝑢𝑢𝑖𝑖 ) = 𝜎𝜎𝑖𝑖2 = 𝜎𝜎 2 esta fórmula

puede ser simplificada y escrita como:

𝜎𝜎 2 𝜎𝜎 2
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 � = =
∑𝑁𝑁
𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ )
2 𝑆𝑆𝑆𝑆𝐶𝐶𝑋𝑋
© Universidad Internacional de La Rioja (UNIR)

Siendo un estimador de la misma aquel que se obtiene reemplazando 𝜎𝜎 2 por su

�2 .
estimador 𝜎𝜎

Econometría
17
Tema 9. Ideas clave
 Sin embargo, cuando el modelo presenta heterocedasticidad la varianza no puede
ser simplificada teniendo que utilizar la expresión siguiente en todo caso:

∑𝑁𝑁 2 2
𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ ) 𝜎𝜎𝑖𝑖
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 � =
𝑆𝑆𝑆𝑆𝑇𝑇𝑋𝑋2

Necesitamos pues estimar esto cuando hay heterocedasticidad y para ello White
(1980) propuesto utilizar los residuos de la estimación de y sobre X y calcular la
estimación de la varianza de 𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 como sigue:

� ∑𝑁𝑁 2 2
𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ ) 𝑒𝑒𝑖𝑖
̂
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽𝑀𝑀𝑀𝑀𝑀𝑀 � =
𝑆𝑆𝑆𝑆𝑇𝑇𝑋𝑋2

La raíz cuadrada de la varianza estimada que acabamos de obtener recibe el nombre

de error estándar robusto a la heterocedasticidad o también error estándar de
White.

Esta varianza la calcula Gretl simplemente indicando en el cuadro de estimación MCO

que queremos que estime «desviaciones típicas robustas ante heterocedasticidad.
Variante HC3».

¿Qué ocurre en el caso de los modelos de regresión múltiple? Tal y como ya vimoslo
que debemos hacer es regresar cada variable independiente sobre todas las demás
para obtener la varianza estimada de cada beta MCO, ahora lo que haremos será
utilizar los residuos de estas estimaciones. De modo que la expresión de la varianza
a utilizar será:
© Universidad Internacional de La Rioja (UNIR)

∑𝑁𝑁 2 2
𝑖𝑖=1 𝑟𝑟̂𝑖𝑖𝑖𝑖 𝑒𝑒𝑖𝑖
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂𝑀𝑀𝑀𝑀𝑀𝑀 � =
𝑆𝑆𝑆𝑆𝑇𝑇𝑗𝑗2

Donde 𝑟𝑟̂𝑖𝑖𝑖𝑖 denota el i-ésimo residuo de regresar 𝑥𝑥𝑗𝑗 sobre todos los demás regresores
del modelo. Y STC es la suma de los cuadrados de los residuos de esta regresión.

Econometría
18
Tema 9. Ideas clave
 Debe tenerse en cuenta que los errores estándar robustos a heterocedasticidad son
siempre mayores que los errores estándar habituales.

Otros métodos: la estimación MCG

Vamos a comentar en esta sección sin mucho detalle que existen otros métodos
anteriores al desarrollo de los estadísticos robustos a la heterocedasticidad después
de estimar por MCO. Estos métodos consisten en modelizar el tipo de
heterocedasticidad existente (conocida o no la forma funcional de la misma en la
varianza del término de error) y estimar el modelo en su forma correcta, una vez la
heterocedasticidad ha sido eliminada.

La estimación de estos modelos se conoce con el nombre de estimación mínimos

cuadrados generalizados o mínimos cuadrados generalizados factibles cuando no
se conocía la forma funcional de la varianza del error.

No vamos a entrar a explicar el desarrollo teórico de estos modelos ni su estimación,

simplemente queremos dejar constancia de su existencia para indicar que Gretl nos
permite realizar estas estimaciones bajo el comando «otros modelos lineales: con
corrección de heterocedasticidad».

Nota: en el apartado A fondo en el recurso Análisis de datos: Un enfoque

econométrico realiza un repaso a todos los conceptos aprendidos en este tema al
tiempo que te muestra los comandos de Gretl a utilizar para contrastes y para la
obtención de la estimación con varianza robusta a heterocedasticidad.
© Universidad Internacional de La Rioja (UNIR)

Econometría
19
Tema 9. Ideas clave
 9.6. Heterocedasticidad en regresiones con series
temporales

Ya vimos en los apartados anteriores que la presencia de heterocedasticidad no

supone la aparición de sesgo o de inconsistencia en los estimadores MCO, pero sí los
invalida para realizar inferencias. En el caso de la utilización de series temporales en
los modelos de regresión ocurre exactamente los mismo.

En series temporales a penas se presta atención al problema de heterocedasticidad,

ya que este tipo de datos son más propensos de presentar otro tipo de problema
como es el de la autocorrelación.

No obstante, conviene repasar las soluciones analizadas en corte transversal para

saber si estas son válidas en el empleo de series temporales, dado lo habitual que
resulta encontrarse con este tipo de datos en el mundo económico y empresarial.
En primer lugar, debemos indicar que los métodos robustos introducidos en los
puntos anteriores son válidos para este caso, pero con un matiz y es que la presencia
de otro tipo de problema que afecte a los residuos, tal y como es el caso de la
autocorrelación invalidaría la utilización de estos para la obtención de los errores
estándar robustos. Por ello, debemos en series temporales detectar la presencia de
autocorrelación y solucionarla, para que en el caso de existir heterocedasticidad los
errores del modelo estimado por métodos robustos puedan ser utilizados.
© Universidad Internacional de La Rioja (UNIR)

Econometría
20
Tema 9. Ideas clave
 9.7. Actividades resueltas de Gretl para practicar

1. Una determinada empresa está preocupada porque las ventas de su producto

principal, los cigarrillos, están experimentando una caída sin precedentes
achacada, fundamentalmente, al incremento que ha experimentado el producto
como consecuencia de una política centrada en incrementar los impuestos
especiales del tabaco.

Con el objetivo de analizar si el producto es sensible al incremento en el precio

especifica el siguiente modelo:

𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖 + 𝛽𝛽2 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖 + 𝑢𝑢𝑖𝑖

Haciendo uso de datos de los últimos 60 años obtiene el siguiente output de Gretl:

Modelo 1: MCO, usando las observaciones 1957-2016 (T = 60)

Variable dependiente: logconsumopercapita

Coeficiente Desv. Típica Estadístico t valor p

const -1,9966 0,5127 -3,8946 0,0003***
logprecio -0,6125 0,0455 -13,4683 0,0000***
logpibpercapita 0,7087 0,0539 13,1517 0,0000***

Media de la vble. dep. 4,6719 D.T. de la vble. dep. 0,2456

Suma de cuad. residuos 0,7819 D.T. de la regresión 0,1171
R-cuadrado 0,7803 R-cuadrado corregido 0,7726
F(2, 57) 101,2478 Valor p (de F) 0,0000
Log-verosimilitud 45,0754 Criterio de Akaike -84,1509
Criterio de Schwarz -77,8678 Crit. de Hannan-Quinn -81,6932
© Universidad Internacional de La Rioja (UNIR)

rho 0,9524 Durbin-Watson 0,1670

Nota: recuerda que Gretl trabaja con el criterio anglosajón de separación de miles
por lo que si reproduces estos resultados en Gretl deberás tenerlo en cuenta.

Econometría
21
Tema 9. Ideas clave
 El gerente de la empresa está muy contento con los resultados obtenidos, pues
avalan la posición de que incrementos en el precio del producto producen caídas en
las ventas de este. No obstante, recuerda que cuando estudió su profesor le explicó
que había veces en que las estimaciones MCO no eran las mejores posibles,
concretamente, uno de los problemas que podían presentarse era la presencia de
heterocedasticidad. Para comprobar si se cumple la homocedasticidad realiza
haciendo uso de Gretl dos contrastes:

Contraste de Breush-Pagan:

MCO, usando las observaciones 1957-2016 (T = 60)

Variable dependiente: uhat^2 escalado

Coeficiente Desv. Típica Estadístico t valor p

---------------------------------------------------------------------
const 1,97052 4,95447 0,3977 0,6923
logprecio 1,58513 0,439497 3,607 0,0007 ***
logpibpercapi~ −0,167858 0,520763 −0,3223 0,7484

Suma de cuadrados explicada = 33,4499

Estadístico de contraste: LM = 16,724967,

con valor p = P(Chi-cuadrado(2) > 16,724967) = 0,000233

Contraste de heterocedasticidad de White:

MCO, usando las observaciones 1957-2016 (T = 60)

Variable dependiente: uhat^2
© Universidad Internacional de La Rioja (UNIR)

Coeficiente Desv. Típica Estadístico t valor p

---------------------------------------------------------------------
const 2,03306 2,87259 0,7077 0,4821
logprecio 0,446992 0,604753 0,7391 0,4630
logpibper~ −0,439429 0,611493 −0,7186 0,4755
sq_logprec 0,0476278 0,0168329 2,829 0,0065 ***

Econometría
22
Tema 9. Ideas clave
 X2_X3 −0,0491247 0,0622571 −0,7891 0,4335
sq_logpibper 0,0237825 0,0324972 0,7318 0,4674

R-cuadrado = 0,492453

Estadístico de contraste: TR^2 = 29,547206,

con valor p = P(Chi-cuadrado(5) > 29,547206) = 0,000018

Se pide la estimación realizada por MCO, ¿aporta los estimadores insesgados de

menor varianza posible?

2. Utilizando el fichero [Link] de la base de datos de Ramanathan estimamos

el siguiente modelo del precio de las viviendas (en miles de dólares) en función de
su tamaño y sus años de antigüedad:

𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑐𝑐𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑠𝑠𝑠𝑠𝑠𝑠𝑡𝑡𝑖𝑖 + 𝛽𝛽2 𝑎𝑎𝑎𝑎𝑒𝑒𝑖𝑖 + 𝑢𝑢𝑖𝑖

Se pide:
a) Estimar el modelo anterior por MCO sin tener en cuenta la posible presencia
de hetoroscedasticidad.
b) Mostrar por métodos gráficos la posible presencia de heterocedasticidad.
c) Realizar el contraste de heterocedasticidad para detectar la presencia de esta.
d) En función del resultado obtenido en el apartado anterior, obtén los errores
estándar necesarios para poder realizar inferencias en el modelo.
© Universidad Internacional de La Rioja (UNIR)

Econometría
23
Tema 9. Ideas clave
 Solución actividad Gretl 1

La estimación realizada por MCO, ¿aporta los estimadores insesgados de menor

varianza posible?

Teniendo en cuenta que tanto en el contraste de Breush Pagan como en el de White

se rechaza la hipótesis nula de homocedasticidad, el modelo presenta problemas de
heterocedasticidad y las estimaciones realizadas no son insesgadas y de menor
varianza.

Solución actividad Gretl 2

Estima el modelo anterior por MCO sin tener en cuenta la posible presencia de
hetoroscedasticidad

Modelo 1: MCO, usando las observaciones 1-224

Variable dependiente: salepric

Coeficiente Desv. Típica Estadístico t valor p

const −474.933 35.6379 −13.33 <0.0001 ***
age 7.71880 2.97742 2.592 0.0102 **
sqft 0.267217 0.00759795 35.17 <0.0001 ***

Media de la vble. dep. 642.9294 D.T. de la vble. dep. 371.3762

Suma de cuad. residuos 4624499 D.T. de la regresión 144.6559
R-cuadrado 0.849640 R-cuadrado corregido 0.848280
F(2, 221) 624.4041 Valor p (de F) 1.18e-91
Log-verosimilitud −1430.588 Criterio de Akaike 2867.177
Criterio de Schwarz 2877.412 Crit. de Hannan-Quinn 2871.308

Mostrar por métodos gráficos la posible presencia de heterocedasticidad.

A partir de los residuos de la estimación anterior obtenemos la representación de

© Universidad Internacional de La Rioja (UNIR)

estos por número de observaciones (Opción Gráficos del cuadro de estimación,

Grafico de residuo: por número de observaciones), obteniendo el siguiente gráfico el
cual muestra que la dispersión de éstos crece conforme avanzamos en las
observaciones.

Econometría
24
Tema 9. Ideas clave
 Además, en el siguiente gráfico realizamos una representación de los residuos contra
sqft lo que parece dejar todavía más evidencia de la presencia de heterocedasticidad
y de cómo esta está siendo provocada por esta variable.

Figura 6. Residuos por número de observaciones.

© Universidad Internacional de La Rioja (UNIR)

Figura 7. Residuos contra la variable tamaño, sqft.

Econometría
25
Tema 9. Ideas clave
 Realizar el contraste de heterocedasticidad para detectar la presencia de esta

Contraste de heterocedasticidad de Breusch-Pagan

MCO, usando las observaciones 1-224

Variable dependiente: uhat^2 escalado

Coeficiente Desv. Típica Estadístico t valor p

-----------------------------------------------------------------
const −5.65776 0.594606 −9.515 3.28e-018 ***
age 0.0851889 0.0496772 1.715 0.0878 *
sqft 0.00153817 0.000126769 12.13 2.66e-026 ***

Suma de cuadrados explicada = 881.159

Estadístico de contraste: LM = 440.579721,

con valor p = P(Chi-cuadrado(2) > 440.579721) = 0.000000

Contraste de heterocedasticidad de White

MCO, usando las observaciones 1-224

Variable dependiente: uhat^2

Coeficiente Desv. Típica Estadístico t valor p

-----------------------------------------------------------------
const 88538.8 35584.4 2.488 0.0136 **
age −3107.24 3858.01 −0.8054 0.4215
sqft −44.8335 12.4614 −3.598 0.0004 ***
sq_age 336.841 213.591 1.577 0.1162
X2_X3 −0.114143 0.657535 −0.1736 0.8623
sq_sqft 0.00664710 0.00109722 6.058 5.97e-09 ***

R-cuadrado = 0.499654

Estadístico de contraste: TR^2 = 111.922551,

con valor p = P(Chi-cuadrado(5) > 111.922551) = 0.000000

Rechazamos la hipótesis nula en favor de la presencia de heterocedasticidad con

ambos contrastes, y observamos la significatividad de la variable tamaño en ambas
especificaciones.
© Universidad Internacional de La Rioja (UNIR)

En función del resultado obtenido en el apartado anterior, obtén los errores

estándar necesarios para poder realizar inferencias en el modelo

Modelo 2: MCO, usando las observaciones 1-224

Variable dependiente: salepric
Desviaciones típicas robustas ante heterocedasticidad, variante HC3

Econometría
26
Tema 9. Ideas clave
 Coeficiente Desv. Típica Estadístico t valor p
const −474.933 97.2803 −4.882 <0.0001 ***
age 7.71880 4.24048 1.820 0.0701 *
sqft 0.267217 0.0238242 11.22 <0.0001 ***

Media de la vble. dep. 642.9294 D.T. de la vble. dep. 371.3762

Suma de cuad. residuos 4624499 D.T. de la regresión 144.6559
R-cuadrado 0.849640 R-cuadrado corregido 0.848280
F(2, 221) 63.44272 Valor p (de F) 1.69e-22
Log-verosimilitud −1430.588 Criterio de Akaike 2867.177
Criterio de Schwarz 2877.412 Crit. de Hannan-Quinn 2871.308

9.8. Contraste de heterocedasticidad y estimación

robusta en R

En el tema 9, has aprendido que, en presencia de heterocedasticidad, el cálculo de

los parámetros por MCO no aporta la estimación insesgada de menor varianza.
Cuando los errores del modelo no son homocedásticos, se deben estimar los
parámetros mediante estimación robusta. En este apartado, aprenderás cómo
contrastar la presencia de heterocedasticidad mediante el test de Breush-Pagan y
cómo hacer la estimación robusta de los parámetros.

Contraste de heterocedasticidad

La librería lmtest tiene implementado el contraste de Breusch-Pagan, por lo que, si la

instalamos y la cargamos, podemos contrastar la presencia de heterocedasticidad en
los errores del modelo. Por ello, lo primero que se debe ejecutar es dicha librería:

library(lmtest)
© Universidad Internacional de La Rioja (UNIR)

Una vez cargada la librería, estamos en disposición de hacer el contraste de Breusch-

Pagan, cuyas hipótesis, como se ha visto en el tema, son:

Econometría
27
Tema 9. Ideas clave
 𝐻𝐻0 : ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜

𝐻𝐻1 : ℎ𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

En primer lugar, se va a contrastar la presencia de heterocedasticidad en el primer

modelo especificado en el temario:

log (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) = 𝛽𝛽0 + 𝛽𝛽1 log (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) + 𝛽𝛽2 log (𝑃𝑃𝑃𝑃𝑃𝑃)

El código que se debe ejecutar para contrastar la presencia de heterocedasticidad es

(ten en cuenta que ese modelo estaba definido como mod1):

bptest(mod1)

studentized Breusch-Pagan test

data: mod1
BP = 18.873, df = 2, p-value = 7.978e-05

Dado que el pvalor asociado al contraste es menor a 0.01, se rechaza la hipótesis nula
con un 99 % de confianza. Es decir, se rechaza que los errores son homocedásticos.
En este contexto, se deben estimar los parámetros del modelo mediante estimación
robusta. Para ello, se van a usar dos librerías que, como sabes, debes instalar antes
de ejecutarlas:

library(faraway)
library(MASS)

Una vez que se han cargado las librerías, se especifica de nuevo el modelo usando la
función rlm() en lugar de lm():

mod1r <- rlm(y ~ x1 + x2)

© Universidad Internacional de La Rioja (UNIR)

Call: rlm(formula = y ~ x1 + x2)

Residuals:
Min 1Q Median 3Q Max
-0.351347 -0.055880 0.005455 0.058468 0.184845

Coefficients:
Value Std. Error t value
(Intercept) 3.0068 0.1340 22.4404
x1 -0.5316 0.0431 -12.3323

Econometría
28
Tema 9. Ideas clave
 x2 0.6632 0.0511 12.9905

Residual standard error: 0.08682 on 57 degrees of freedom

En este contexto, la estimación robusta supone que el modelo quede especificado

como:

log (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) = 3.007 − 0.532log (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) + 0.6632log (𝑃𝑃𝑃𝑃𝑃𝑃)

Como se ha indicado en los temas iniciales, R permite parametrizar soluciones para

que, de una manera simple, se puedan repetir procedimientos. Así, si se quisiera
contrastar la presencia de heterocedasticidad en los otros dos modelos
especificados, bastaría con hacer referencia a mod2 y mod3 al ejecutar el contraste.
Recuerda que los otros dos modelos especificados son:

log(𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) = 𝛽𝛽0 + 𝛽𝛽1 log(𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) + 𝛽𝛽2 log(𝑃𝑃𝑃𝑃𝑃𝑃) + 𝛽𝛽3 ley2005 + 𝛽𝛽3 ley2010

ln (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) = 𝛽𝛽0 + 𝛽𝛽1 ln (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)𝑖𝑖 + 𝛽𝛽2 ln (𝑃𝑃𝑃𝑃𝑃𝑃)𝑖𝑖 + 𝛽𝛽3 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴í𝑎𝑎𝑖𝑖 + 𝛽𝛽4 𝐶𝐶á𝑑𝑑𝑑𝑑𝑑𝑑𝑖𝑖
+ 𝛽𝛽5 𝐶𝐶ó𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑖𝑖 + ⋯ + 𝛽𝛽48 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑖𝑖 + 𝑢𝑢𝑖𝑖

Los resultados de contrastar la presencia de heterocedasticidad en estos dos modelos

son:

bptest(mod2)

studentized Breusch-Pagan test

data: mod2
BP = 6.3934, df = 4, p-value = 0.1716

bptest(mod2)
© Universidad Internacional de La Rioja (UNIR)

studentized Breusch-Pagan test

data: mod3
BP = 223.62, df = 48, p-value < 2.2e-16

Econometría
29
Tema 9. Ideas clave
 Como se puede comprobar, en el modelo 2, no se puede rechazar que los errores
sean homocedásticos, por lo que la estimación por MCO aporta la estimación
insesgada de menor varianza. Sin embargo, se deben estimar los parámetros del
modelo 3 mediante estimación robusta, puesto que se rechaza que los errores sean
homocedásticos en ese caso.

9.9. Referencias bibliográficas

Gujarati, D.N. y Porter, D.C. (2010). Econometría. McGraw Hill.

White, H. (1080). A Heteroskedasticity-Consistent Covariance Matrix Estimator and a

Direct Test for Heteroskedasticity. Econometrica, 48(4), 817-38.
© Universidad Internacional de La Rioja (UNIR)

Econometría
30
Tema 9. Ideas clave
 A fondo
Análisis de datos: Un enfoque econométrico

Puedes, en el siguiente recurso, repasar los conceptos aprendidos en este tema al

tiempo que realizas ejercicios en Gretl y aprendes más sobre este recurso. Para el
caso concreto de los conceptos aprendidos en este tema, te recomendamos la lectura
del capítulo 2.

Accede a las bases de datos a través del aula virtual o desde la siguiente dirección
web:
[Link]
© Universidad Internacional de La Rioja (UNIR)

Econometría
31
Tema 9. A fondo
 Test
1. Una empresa dedicada a la fabricación y venta de labores de tabaco en España
pretende explicar el comportamiento de las ventas (en cajetillas) a través de la
presencia que tiene el producto en el mercado de venta automática (en número
de teclas) y de su categoría de precio (low, middle, premium). Para ello, estima
mediante el procedimiento de mínimos cuadrados ordinarios el siguiente modelo:

𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑖𝑖 = 1662 + 29𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑖𝑖 − 300𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖 − 700𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖 + 𝑢𝑢𝑖𝑖

El director de marketing es conocedor de que, al realizar la estimación, los

resultados obtenidos ponen de manifiesto que la varianza del error del modelo no
es constante. ¿Qué le aconsejaría?
A. No debe tomar ninguna medida, la varianza del error no influye en la
estimación.
B. No debe tomar ninguna medida, ante varianza no constante del error,
mínimos cuadrados ordinarios es el método que aporta el estimador insesgado
de menor varianza.
C. Debería utilizar otro método de estimación, bajo heterocedasticidad, ya no
se puede afirmar que el estimador MCO sea el estimador lineal e insesgado de
menor varianza de entre todos los estimadores lineales e insesgados.
D. Ninguna de las anteriores es correcta.
© Universidad Internacional de La Rioja (UNIR)

Econometría
32
Tema 9. Test
 2. Una empresa dedicada a la fabricación y venta de labores de tabaco en España
pretende explicar el comportamiento de las ventas (en cajetillas) a través de la
presencia que tiene el producto en el mercado de venta automática (en número
de teclas) y de su categoría de precio (low, middle, premium). Para ello, estima
mediante el procedimiento de mínimos cuadrados ordinarios el siguiente modelo:

𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑖𝑖 = 1662 + 29𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑖𝑖 − 300𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖 − 700𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖 + 𝑢𝑢𝑖𝑖

El director de marketing es conocedor de que, al realizar la estimación, los

resultados obtenidos ponen de manifiesto que la varianza del error del modelo no
es constante. ¿Ha utilizado el método de estimación adecuado?
A. Sí, la varianza del error no influye en la estimación.
B. Sí, ante varianza no constante del error, mínimos cuadrados ordinarios es el
método que aporta el estimador insesgado de menor varianza.
C. Sí, bajo heterocedasticidad, se puede afirmar que el estimador MCO es el
estimador lineal e insesgado de menor varianza de entre todos los estimadores
lineales e insesgados.
D. Ninguna de las anteriores es correcta.

3. La hipótesis nula del contraste de heterocedasticidad de Breusch y Pagan

establece que:
A. Los errores satisfacen la propiedad de homocedasticidad.
B. Los errores satisfacen la propiedad de heterocedasticidad.
C. Los errores están correlacionados.
D. Los errores no están correlacionados.
© Universidad Internacional de La Rioja (UNIR)

Econometría
33
Tema 9. Test
 4. Si hay indicios de que un MRL presenta heterocedasticidad, pero es estimado por
MCO como si se cumpliera homocedasticidad entonces:
A. Los errores estándar de los coeficientes estimados serán mayores que los
verdaderos.
B. Los errores estándar de los coeficientes estimados serán menores que los
verdaderos.
C. No se puede saber si los errores estándar de los coeficientes estimados serán
menores o mayores que los verdaderos.
D. Ninguna de las anteriores es correcta.

5. Si hay indicios de que un MRL presenta heterocedasticidad, pero es estimado por

MCO como si se cumpliera homocedasticidad entonces:

A. Las estimaciones de los coeficientes serán sesgadas.
B. Las estimaciones de los coeficientes serán insesgadas.
C. No se puede saber si las estimaciones de los coeficientes serán sesgadas o
insesgadas.
D. En algunos casos las estimaciones serán sesgadas y en otros no.

6. El MRL presenta heterocedasticidad cuando:

A. Los errores son independientes.
B. Los errores están incorrelados entre sí y tienen la misma varianza para
todos los individuos de la muestra.
C. Los errores están incorrelados entre sí y tienen distinta varianza para
todos los individuos de la muestra.
D. Los errores están correlacionados entre sí y tienen distinta varianza
para todos los individuos de la muestra.
© Universidad Internacional de La Rioja (UNIR)

Econometría
34
Tema 9. Test
 7. La representación gráfica de los residuos de un modelo que incumple el supuesto
básico de homocedasticidad:
A. Pone manifiesto irregularidades en la dispersión de los errores.
B. Muestra una estructura estable y homogénea.
C. Es un gráfico en el que la distancia entre el punto y la media siempre es la
misma.
D. Ninguna de las anteriores es correcta.

8. Cuando un modelo incumple el supuesto básico de homocedasticidad:

A. La varianza de los errores es constante.
B. La varianza no es constante.
C. La covarianza entre los residuos es superior a la unidad.
D. Ninguna de las anteriores es correcta.

9. Cuando un modelo cumple el supuesto básico de homocedasticidad:

A. El estimador obtenido por MCO no es el estimador insesgado de menor
varianza.
B. El estimador obtenido por MCO es el estimador insesgado de menor
varianza.
C. El estimador obtenido por MCO es el estimador insesgado de menor varianza
en el caso de que se cumplan el resto de supuestos básicos del MRL.
D. Ninguna de las anteriores es correcta.

10. Si se detecta heterocedasticidad en un MRL:

A. No debe ser estimado por MCO.
B. Debe ser estimado por MCO.
C. No es aconsejable aplicar MCO robusto.
© Universidad Internacional de La Rioja (UNIR)

D. Ninguna de las anteriores es correcta.

Econometría
35
Tema 9. Test