Scribd
Cargar
63 vistas16 páginas

La Heteroscedasticidad

La heteroscedasticidad se refiere a la variabilidad no constante de los errores en un modelo de regresión, lo que puede llevar a estimaciones ineficientes y errores estándar incorrectos. Su presencia afecta la validez de pruebas de hipótesis y puede ser detectada mediante inspección visual o pruebas formales. Para corregirla, se pueden aplicar transformaciones de variables, utilizar modelos de regresión ponderada o estimaciones robustas.

Cargado por

Ruben Almazan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
63 vistas16 páginas

La Heteroscedasticidad

La heteroscedasticidad se refiere a la variabilidad no constante de los errores en un modelo de regresión, lo que puede llevar a estimaciones ineficientes y errores estándar incorrectos. Su presencia afecta la validez de pruebas de hipótesis y puede ser detectada mediante inspección visual o pruebas formales. Para corregirla, se pueden aplicar transformaciones de variables, utilizar modelos de regresión ponderada o estimaciones robustas.

Cargado por

Ruben Almazan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

La heteroscedasticidad

Es un término para describir una situación en la que la variabilidad de los errores (o


residuos) no es constante a lo largo de todas las observaciones en el modelo.

La varianza de los errores depende de las variables independientes o de los valores

predichos del modelo.

En un modelo de regresión lineal, se supone que los errores tienen una varianza
constante (homoscedasticidad).

Sin embargo, cuando este supuesto no se cumple y la varianza de los errores varía
sistemáticamente con las variables independientes, se dice que hay

heteroscedasticidad.

La presencia de heteroscedasticidad puede tener varias implicaciones negativas:

1. Estimaciones Ineficientes: Los estimadores de los coeficientes de

regresión pueden seguir siendo insesgados (que los estimadores de los


coeficientes de regresión, en promedio, coinciden con los valores verdaderos

de los coeficientes) , pero no serán los estimadores de mínima varianza.

Esto significa que no son los más eficientes posibles (que no tienen la menor
varianza entre todos los estimadores insesgados posibles.), lo que puede

llevar a pruebas de hipótesis menos precisas y puede llevar a p-valores


incorrectos, afectando la confiabilidad de las pruebas de significancia

estadística.

2. Errores Estándar Incorrectos: Los errores estándar de los coeficientes


estimados pueden estar sesgados. Esto puede llevar a inferencias incorrectas,
como conclusiones erróneas sobre la significancia de las variables

independientes.
3. Test de Hipótesis: La heteroscedasticidad afecta los resultados de los test de

hipótesis, como el t-test y el F-test, lo que puede llevar a rechazos


incorrectos o aceptaciones incorrectas de las hipótesis nulas.

Existen varios métodos para detectar la heteroscedasticidad:

1. Inspección Visual: Graficar los residuos del modelo contra las predicciones o
contra las variables independientes puede mostrar patrones en la varianza

que indiquen heteroscedasticidad.

2.
3. Pruebas Formales: Existen pruebas estadísticas como la prueba de Breusch-

Pagan, la prueba de White y la prueba de Goldfeld-Quandt, que pueden


utilizarse para detectar heteroscedasticidad.
Corrección de Heteroscedasticidad

Si se detecta heteroscedasticidad, se pueden tomar varias medidas para corregirla:

1. Transformaciones de Variables: Aplicar transformaciones como el


logaritmo, la raíz cuadrada u otras transformaciones puede estabilizar la

varianza de los errores.


2. Modelos de Regresión Ponderada: Usar regresión ponderada donde las

observaciones se ponderan de acuerdo con la varianza de los errores.


3. Estimación Robusta: Utilizar errores estándar robustos que ajusten las

estimaciones para corregir la heteroscedasticidad.

También podría gustarte