Causas frecuentes de heterocedasticidad:

Aunque las que se citan a continuacin no son las nicas posibilidades que
dan lugar a un
modelo heterocedstico, s son las ms frecuentes.
A.- Variables explicativas cuyo recorrido tenga una gran dispersin respecto
a su propia media. En esta situacin, los modelos de corte transversal son
especialmente susceptibles a registrar heterocedasticidad. La disposicin
arbitraria de las observaciones en este caso (puede responder, por ejemplo
al orden alfabtico de las observaciones de la endgena o al modo en que
se han obtenido los datos o a cualquier otra razn) pueden agrupar,
casualmente, observaciones que presenten valores grandes en una
determinada variable explicativa y lo mismo con valores pequeos de esta
misma variable. Si esta variable es la que est produciendo la distorsin en
el modelo de heterocedasticidad, dicha distorsin ser probablemente
mayor en aquellas observaciones que contengan una mayor carga de sta y
menor en las que su peso sea ms pequeo. Por ello, la varianza de las
perturbaciones aleatorias estimada por subperodos distintos de la muestra
sera diferente; es decir, habra heterocedasticidad.
B.- Omisin de variables relevantes en el modelo
especificado.Evidentemente, cuando se ha omitido una variable en la
especificacin, dicha variable quedar parcialmente recogida en el
comportamiento de las perturbaciones aleatorias, pudiendo introducir en
stas su propia variacin, no necesariamente fija. Recurdese que la
hiptesis inicial del MBRL de homocedasticidad haca referencia a la
varianza constante de las perturbaciones aleatorias, pero no obligaba a que
las variables explicativas tuvieran tambin varianza constante, hecho que,
adems, sera una restriccin muy poco plausible.
C.- Cambio de estructura
El hecho de que se produzca un cambio de estructura determina un mal
ajuste de los parmetros al conjunto de los datos muestrales. Este no tiene
porque influir del mismo modo en todo el recorrido de la muestra1,
pudiendo producir cuantas de desajuste del modelo diferentes y, por tanto,
varianza no constante por subperodos.Al fin y al cabo, el fenmeno del
cambio de estructura es equiparable a una especificacin incorrecta por
omisin de variables relevantes: precisamente faltara la variable ficticia
que distingue entre las dos situaciones o estructuras distintas que conviven
en el perodo muestral elegido en el modelo.
D.- Empleo de variables no relativizadas
De un modo similar al comentado en el caso A), aquellas observaciones que
contengan un valor mayor de una variable explicativa concreta (sospechosa
de ser la que produce laheterocedasticidad) pueden originar valores del
error diferentes.Observadas las causas frecuentes de heterocedasticidad, es

fcil deducir que la varianza no constante de las perturbaciones aleatorias

viene casi siempre inducida por alguna variable, presente o no en el
modelo, por lo que se podran distinguir dos componentes en la varianza
heterocedstica resultante del modelo: una cambiante, proveniente de esa
variable que induce el problema, y una constante, que sera la que se dara
si el modelo hubiera sido bien planteado.

Matemticamente podramos escribir esto del siguiente modo:

donde
sera el parmetro fijo o parte fija de la varianza, y Zi sera la
matriz de variable o variables que est produciendo ese comportamiento no
constante de la varianza de las perturbaciones aleatorias. Esta funcin
podra ser empleada precisamente como el supuesto simplificador al que
anteriormente se haca referencia para posibilitar la estimacin mediante
MCG sin encontrarnos con ms incgnitas que observaciones.

RAZONES POR LA QUE PUEDE GENERARSE:

Valores cada vez mayores de las variables explicativas crece la dispersin absoluta y
relativa del modelo de regresin. En general cuando se trabaja con informacin de
corte transversal es habitual encontrarse con oscilaciones importantes entre la
dependiente y las independientes debido a las unidades que se comparan (familias,
empresas, pases etc).
Especificacin errnea del modelo o la propia existencia de un cambio estructural,
una variable importante omitida puede ser origen de un comportamiento distinto del
trmino de error de unos perodos a otros.
En series de rendimientos de activos financieros observados con alta frecuencia
(horaria, diaria, semanal etc), la heterocedasticidad a menudo se muestra como
perodos de alta y baja volatilidad en una serie estacionaria.
CONSECUENCIAS
Aunque los estimadores siguen siendo insesgados y consistentes tendrn varianzas
relativamente amplias, con lo que se ver reducida la confianza que se pueda
depositar en el valor de los parmetros estimados en cada caso.
Las varianzas muestrales de los estimadores no sern las correctas incluso para
muestras grandes.
Los contrastes habituales de significacin carecern de validez al asumirse una
distribucin normal ya que la heterocedasticidad trae consigo pruebas estadsticas

incorrectas e intervalos de confianza sesgados que aumentan la probabilidad de

cometer error de tipo II (Es decir aceptar una hiptesis falsa).
La asimetra en la distribucin de las variables explicativas parece provocar (para
valores iguales de media y varianza) una intensificacin de la ineficiencia y el sesgo
generalmente superiores para el caso normal.

Glosario:
Sesgado : diferencia entre su esperanza matemtica y el valor numrico del parmetro
que estima. Un estimador cuyo sesgo es nulo se llama insesgado o centrado.
Informacin de corte transversal: falta poner
Volatilidad: la volatilidad mide la capacidad de variacin de los precios de un activo
respecto de su media.

serie estacionaria :ya lo puse

Bibliografa:
http://es.wikipedia.org/wiki/Sesgo_estad%C3%ADstico
http://www.buenastareas.com