HETEROSCEDASTICIDAD
1.- Definición
2.- Causas de la Heteroscedasticidad
3.- Consecuencias de la Heteroscedasticidad
4.- Detección de la Heteroscedasticidad
5.- Cómo corregir la Heteroscedasticidad
HETEROSCEDASTICIDAD
La heteroscedasticidad significa que la varianza de las
perturbaciones no es constante a lo largo de las
observaciones, violando un supuesto básico del modelo:
𝑪𝒐𝒗 ( 𝝁 ) =𝝈 𝒊
𝟐 𝟐
𝑪 𝒐𝒗 ( 𝝁 )=𝝈
𝟐 𝟐
𝒕 𝒕
Homoscedasticida Heteroscedasticid
d ad
Causas de la Heteroscedasticidad
1. Con base en los modelos de aprendizaje de los errores, a
medida que la gente aprende, disminuyen sus errores de
comportamiento con el tiempo. En este caso, esperamos que σ2i
se reduzca.
2. Con base en los modelos de aprendizaje de los errores, a
medida que la gente aprende, disminuyen sus errores de
comportamiento con el tiempo. En este caso, esperamos que σ2i
[Link] reduzca.
medida que mejoran las técnicas de recolección de datos, es
probable que σ2i se reduzca.
4. La heteroscedasticidad también surge por la presencia de
datos atípicos o aberrantes. Una observación atípica es la que
es muy diferente (muy pequeña o muy grande) en relación con
las demás observaciones en la muestra.
5. Otra fuente de heteroscedasticidad surge de la violación del
supuesto de los MCO, que establece que el modelo de regresión
está correctamente especificado.
Consecuencias de la Heteroscedasticidad
1. Es posible que la varianza estimada por MCO, en
presencia de Heteroscedasticidad, resulte sobre
estimada.
2. Los estimadores siguen siendo MELI, insesgados y
consistentes, pero dejan de ser eficientes. Ya no
tiene varianza mínima.
3. Los intervalos de confianza basados en estos últimos
serán innecesariamente grandes.
4. Es probable que las pruebas t y F den resultados
imprecisos
Detección de la Heteroscedasticidad
Método Gráfico
Detección de la Heteroscedasticidad
Detección de la Heteroscedasticidad
Métodos formales
Prueba de Park
Park formaliza el método gráfico con la sugerencia de que σ2i es
algún tipo de función de la variable explicativa Xi. La forma
funcional fue:
donde vi es el término de perturbación estocástico.
Como σ2i por lo general no se conoce, Park sugiere utilizar ˆu2i
como aproximación y correr la siguiente regresión:
Detección de la Heteroscedasticidad
Prueba de Goldfeld-Quandt
Se supone que la varianza heteroscedástica, σ2i está
relacionada positivamente con una de las variables
explicativas en el modelo de regresión. Por simplicidad,
considere el modelo usual con dos variables:
Yi = β1 + β2 Xi + ui
Suponga que σ2i está relacionado positivamente con Xi,
en la forma:
σ2i = σ2X2
Prueba de Goldfeld-Quandt
Para probar esto explícitamente, Goldfeld y Quandt
sugieren los siguientes pasos:
Paso 1. Ordene las observaciones de acuerdo con
los valores de Xi, a partir del valor más bajo de X.
Paso 2. Omita las c observaciones centrales,
donde c se especificó a priori, y divida las
observaciones restantes (n − c) en dos grupos,
cada uno de (n − c)/2 observaciones.
Paso 3. Ajuste regresiones MCO separadas a las
primeras (n − c)/2 observaciones y a las últimas
(n − c)/2 observaciones, y obtenga las respectivas
sumas de cuadrados residuales, SCR1 y SCR2; SCR1
representa la SCR de la regresión correspondiente
Detección de la
Heteroscedasticidad
Paso 4. Calcule la razón
GQ
Si supusimos que las ui están normalmente distribuidas (lo cual suele
hacerse), y si el supuesto de homoscedasticidad es válido, entonces se
demuestra que GQ, sigue la distribución F con un número de gl en el
numerador y uno en el denominador iguales a (n − c − 2k)/2.
Si en una aplicación GQ(= F) calculada es superior al F crítico en el nivel de
significancia seleccionado, podemos rechazar la hipótesis de
homoscedasticidad, es decir, podemos afirmar que la heteroscedasticidad es
muy probable.
Detección de la
Heteroscedasticidad
Prueba Breusch-Pagan-Godfrey
Para ilustrar esta prueba, considere el modelo de regresión lineal con k variables
Suponga que la varianza del error σ2i se describe como:
es decir, σ2i es algún tipo de función de las variables Z no estocásticas; alguna de las X o todas
ellas pueden servir como Z. Específicamente, suponga que:
es decir, σ2i es una función lineal de las Z. Si α2 = α3 = · · · = αm 0, σ2i = α1, que es una
constante. Por consiguiente, para probar si σ2i es homoscedástica, se puede probar la hipótesis
de que α2 = α3 = · · · = αm = 0. Ésta es la idea básica de la prueba Breusch-Pagan.
Prueba de White
Este contraste es el más general por que no especifica concretamente la heteroscedasticidad.
H 0 : i2 2 No existe Heteroscedasticidad
H1 : no se verifica H 0
White sin termino cruzado (no cross terms)
ˆt2 0 1 x1i 2 x2i 11 x12i 22 x 22 i 12 x1i x2i ui i 1 N
Esta prueba es similar a MCG que considera los residuos del cuadrado como variable dependiente.
LM T * R 2 22k
White con termino cruzado (cross terms)
La varianza toma forma general en función de regresores al cuadrado y de su producto cruzado
ˆt2 0 1 x1i k xkt 11 x12k kk x 2kt 12 x1t x2t k 1,k xk 1,t xkt ui
H o : 1 k 11 kk 12 k 1,k 0
LM T * R 2 22k
Aplicando la Heteroscedasticidad en Eviews
View que se encuentra en el objeto de ecuación Cagan(es el
nombre de nuestra ecuación) pulsamos View/Residual
Test/Specification White (no cross terms)
rechaza
Cómo corregir la Heteroscedasticidad
Cuando se conoce σ2i: método de los mínimos cuadrados ponderados
Si se conoce σ2i, el método más directo de corregir la Heteroscedasticidad es
con los mínimos cuadrados ponderados, pues los estimadores obtenidos
mediante este método son MELI.
El método de mínimos cuadrados generalizados
Considere el modelo ya familiar con dos variables:
el cual, para facilitar el reordenamiento algebraico, escribimos como
suponga que se conocen las varianzas heteroscedásticas σ2i . Dividimos ambos
lados entre σi para obtener:
la cual, para facilidad de exposición, escribimos como:
Cómo corregir la Heteroscedasticidad
Cuando no se conoce σ2
Cómo corregir la Heteroscedasticidad
Cómo corregir la Heteroscedasticidad
Cómo corregir la
Heteroscedasticidad
