Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Heterocedasticidad
En un modelo de Regresin Lineal, hay Heterocedasticidad
cuando las varianzas (de Ui) son diferentes a medida que se incrementa la variable Xi. Para examinar un supuesto, se propone el siguiente mtodo: 1. Naturaleza y Origen de la Heterocedasticidad. 2. Consecuencias de la violacin del supuesto. 3. Formas de detectar Heterocedasticidad. 4. Medidas remediales.
forma:
entre el valor observado y el valor estimado mediante el modelo de regresin, se puede introducir la varianza condicional.
por la que las varianzas condicionales del error no son constantes. La Heterocedasticidad aparece porque ha omitido una variable relevante para explicar el comportamiento de Y. Con frecuencia, entonces, lo que parece ser un problema de Heterocedasticidad puede deberse al hecho de que alguna de las variable importantes han sido omitidas del modelo. Ejemplo: Cuando se est interesado en regresar el ahorro sobre el nivel de ingresos de un hogar, la teora econmica indica que el incremento del ingreso puede entenderse tambin con un incremento en las alternativas discrecionales de utilizacin de este ingreso marginal. Por tanto, tambin se incrementara la varianza en el nivel de ahorro observado para estos hogares con altos ingresos respecto de los hogares con mas bajos ingresos.
mediante mnimos cuadrados (MCO) siguen siendo insesgadas pero ya no son de varianza mnima. Si no es posible estimar con certeza los errores estndares para cada uno de los coeficientes de regresin, esto supone que tampoco podr computarse el valor del estadstico t. Finalmente, no es posible tomar decisiones respecto de las hiptesis nulas formuladas para los coeficientes de regresin porque no se cuenta con estadsticos t.
disponen de dos grandes tipos de pruebas: las graficas, tambin denominadas no-formales, y las pruebas formales.
errores de regresiones (SCE) ajustadas con subconjuntos de la muestra original de los datos. La hiptesis nula es que existe homocedasticidad: si es correcta entonces el conjunto de modelos ajustados tendrn los mismo residuos cuadrados.
Pasos:
1. Ordenar la matriz de datos de acuerdo a los valores de X, de menor a mayor. 2. Omitir P observaciones en la mitad de la muestra de modo que queden dos grupos de datos con datos de cada uno. Algunas reglas para practicas para 2 seleccionar P son: Si = 30 = 8 4 n p 4 3 Si = 60 90 = 16 10 3. Se hace regresiones por separado a las primeras (que corresponden a los 2 valores ms bajos de Xi es decir de varianza pequea) y de las ltimas 2 observaciones (que corresponda los valores mas altos de Xi, el grupo de mayor varianza) y en cada uno de estas regresiones calcular: 4. Bajo el supuesto de homocedasticidad y normalidad del termino de error del cociente.
1 1
Ejemplo:
Se tienen datos de tasa de retiro contra desempleo. Datos ordenados segn
Ao 66 68 69 67 65
Retiro
2,6 2,5 2,7 2,3 1,9
Desempleo
3,2 3,3 3,3 3,6 4
64
70 72
1,5
2,1 2,2
5
5,6 5,6
63
62 60 71 61
1,4
1,4 1,3 1,8 1,2
5,7
5,8 6,2 6,8 7,8
Prueba de Park
Park formula el mtodo grfico suponiendo que en funcin de la
donde es estocstico. Como no se conoce, entonces sugiere utilizar los errores como aproximacin y correr la siguiente regresin: si es significativamente diferente de cero entonces puede implicar la existencia de Heterocedasticidad en los datos.
Ejemplo:
Se tiene una relacin entre compensacin salarial y productividad para diferentes niveles de empleados:
Donde:
: Compensacin salarial promedio en millones US$ :Productividad promedio en millones de US$ Los resultados de la regresin fueron:
DS (936.47)
(0.0998)
(2.127)
(2.333)
Prueba de Glejser
Es similar a la prueba de Park, slo que despus de obtener i de
la regresin de MCO, Glejser sugiere regresar los valores absolutos o al cuadrado de los residuos, sobre una potencia de la variable Xi, seleccionando el que se cree que est asociado con la i, de la siguiente forma funcional:
Para valores de = 1, 1, 1 21
y escoger el valor de h que proporcione una mejor regresin ( significativo y una SRC pequea).
2
Prueba de White
Esta prueba no se apoya en el supuesto de normalidad. Consideremos un
modelo original:
Y=+X++UI Pasos: a. Estimar el modelo I. y hallar b. Efectuar la regresin auxiliar: =+X+X+X+X+XX+V y obtener Rj de esta regresin auxiliar. c. Bajo la hiptesis nula de que no existe Heterocedasticidad (H:=====0) puede demostrarse que el tamao de la muestra multiplicado por Rj asintticamente sigue con distribucin X con kj-1 grados de libertad, donde kj es el numero de variables regresoras de la regresin. 2 d. Si el valor de X excede el valor de Xkj1 critico al nivel de significancia seleccionado, la conclusin es que hay Heterocedasticidad.
Ejemplo:
Se tiene un modelo basado en informacin de corte trasversal de
41 pases
Y = Impuestos arancelarios (impuestos sobre importaciones y exportaciones) y recaudos totales del gobierno. X= entre suma de exportaciones e importaciones y el PIB X= PIB per cpita
4. Medidas remediales.
Las medidas remediales disponibles para lidiar con el problema de
la Heterocedasticidad dependen de la causa que la ha generado. Conviene que antes de tomar decisiones, se haya identificado la o las causas de Heterocedasticidad presentes.
Bibliografa:
Econometra, Universidad Nacional de Colombia. Capitulo 6: