09 Heteroscedasticidad

HETEROSCEDASTICIDAD
ESQUEMA
1.
Introduccin / Causas de heteroscedasticidad
2.
Problemas con los estimadores MCO.
3.
Identificacin
del
Heteroscedasticidad.
4.
Posibles Soluciones.
Problema:
contrastes
de
1. INTRODUCCIN
Matriz de varianzas y covarianzas de los trminos de

perturbacin es igual a:
12
Var (u ) E (uu ' )

0
V
2
n
0
22
2 X 21
0
2
0
X 22
Var (u ) E (uu ' )

0
0
0
2
2
X 2 n
1. CAUSAS DE HETEROSCEDASTICIDAD
Agregacin de datos.
Omisin de variables relevantes.
Modelos de aprendizaje. La perturbacin se va reduciendo a
medida que pasa el tiempo.
Las tcnicas de recoleccin de datos mejoran con el tiempo.
Cuando las muestras estn compuestas de diferentes grupos de
datos que no tienen el mismo tamao. En este caso, las varianzas
son proporcionales a los tamaos de los grupos.
Heterogeneidad de las observaciones.
Incorrecta especificacin funcional.
2. PROBLEMAS CON LOS ESTIMADORES MCO

Eficiencia: El estimador de MCO deja de ser eficiente (el estimador MCO
sigue siendo insesgado, pero ya no es el de mnima varianza), por lo que
se buscar la estimacin por Mnimos Cuadrados Generalizados Factibles
(MCGF) con matrices de covarianzas consistentes. Es posible trabajar con
MCG?
Inferencia: Los errores MCO son incorrectos, por lo que los intervalos de
confianza y las pruebas de hiptesis son erradas.
Mxima Verosimilitud: el estimador de MCO ya no ser igual al estimador

de MV.

1.
PROBLEMAS CON LA INFERENCIA
Si existe heteroscedasticidad, la frmula convencional de la varianza

del vector de estimadores de MCO cambia.
Var ( MCO ) 2 ( X ' X ) 1

H
Var ( MCO
) 2 ( X ' X ) 1 X ' X ( X ' X ) 1
Entonces, la inferencia se distorsiona si se usa el estimador MCO

convencional y no el correcto:

El estimador MCO convencional,
Var ( MCO )
respecto al estimador correcto MCO
s2 es sesgado.
Se tiene que:
, es sesgado
:
H
Var ( MCO )
( X ' X ) 1 ( X ' X ) 1 ( X ' X )( X ' X ) 1

Si es posible identificar la presencia de heteroscedasticidad, el
modelo relevante es el MRL General (MRLG); usar: MCG.
Sin embargo, suele suceder que no se conoce la forma

poblacional de la heteroscedasticidad.
Por ello, no es posible encontrar una transformacin adecuada de

los datos para eliminar el problema.
Entonces, dado que no es posible calcular los estimadores MCG

se utilizan los de MCO correctos.
Si no es posible identificar la heteroscedasticidad, lo natural es

seguir usando MCO en la estimacin e inferencia.
Para seguir usando MCO en la inferencia
, es
H
Var ( MCO
)
necesario encontrar un estimador consistente de la matriz de

varianzas y covarianzas de las perturbaciones heteroscedsticas:
H
Var ( MCO
) ( X ' X ) 1 X '[ 2 ] X ( X ' X ) 1
1 X'X
H
Var ( MCO )
n n
cuya forma general sera:
1
X'X
2
X ' [ ] X
n
n
H
] X ( X ' X ) 1
Var ( MCO
) ( X ' X ) 1 X '[ 2
Cuando
X ' 2 X '
es desconocido , se utiliza el estimador
de White o Matriz de White, que es un estimador

consistente de
H
Var . As.( MCO )

2. INEFICIENCIA DEL ESTIMADOR CORRECTO DE MCO
Sin embargo, cuando existe heteroscedasticidad, el estimador MCO

correcto no es el ms eficiente dentro del grupo de estimadores
lineales e insesgados.
Los Estimadores de Mnimos Cuadrados Generalizados (MCG):
MCG ( X ' 1 X ) 1 X ' 1 y
son MELI, pues:
E ( MCG )
H
Var ( MCG ) 2 ( X ' 1 X ) 1 Var ( MCO
) Var ( MCG )

Por qu los estimadores MCG son ms eficientes?
Utilizan la siguiente informacin: si una perturbacin es

grande, se debe a que la varianza de la misma es grande y
positiva.
MCG minimiza la suma ponderada
de los residuos al
cuadrado: se le da menor peso a las perturbaciones que se

espera que sean grandes porque su varianza es grande.
Los pesos estn determinados por los elementos de la

matriz de varianzas y covarianzas de las perturbaciones.
Cuando se cumplen SC1, Sc2, SC3, SC4 (aim>), SC5 (con

conocido) utilizar MCG.
Sin embargo, en la prctica no se conoce , por lo tanto debemos

obtener un estimador de esta matriz y obtener el estimador MCGF.
X
MCGF X '
1
X ' y

3. EFICIENCIA ASINTTICA Y MXIMA VEROSIMILITUD.
Bajo el supuesto que la distribucin de los trminos de perturbacin no
esfricos es normal, se obtiene que:
Los estimadores convencionales MCO no son estimadores de MV.
Los estimadores pendiente MV son iguales los estimadores MCG. Por ello,
los estimadores MCG son asintticamente eficientes.
MV MCG ( X ' 1 X ) 1 X ' 1 y
3.IDENTIFICACINDELPROBLEMA
Para esto, se utilizan las denominadas pruebas o contrastes
de Heteroscedasticidad. Los ms importantes y usados son:

(1)
Inspeccin Visual de los Residuos.
Se utiliza para determinar si:
Grfico de dispersin de los residuos elevados al
i2 i
cuadrado:
Un variable que se sospecha como causante de la

heterocedasticidad. Se incrementa o disminuye la dispersin.
Una combinacin de regresores, sospechosos de generar la

heteroscedasticidad.
24,000
24,000
20,000
20,000
16,000,000
14,000,000
12,000,000
16,000
12,000
8,000
10,000,000
RESIDUO1^2
EDUC
EDUC
16,000
12,000
8,000
8,000,000
6,000,000
4,000,000
4,000
4,000
2,000,000
0
0
100,000 200,000 300,000 400,000 500,000
0
0
GDP
20,000
40,000
60,000
80,000
100,000
100,000 200,000 300,000 400,000 500,000
POP
16,000,000
14,000,000
GDP
300,000,000
300,000,000
250,000,000
250,000,000
200,000,000
200,000,000
8,000,000
6,000,000
RESIDUO2^2
10,000,000
RESIDUO2^2
RESIDUO1^2
12,000,000
150,000,000
100,000,000
150,000,000
100,000,000
4,000,000
50,000,000
2,000,000
0
50,000,000
0
0
20,000
40,000
60,000
POP
80,000
100,000
0
0
100,000 200,000 300,000 400,000 500,000

GDP
20,000
40,000
60,000
POP
80,000
100,000
(1)
Test de Goldfeld-Quandt (1965)
Para el caso proporcional, se ordenan los datos de menor a mayor

considerando los valores de la variable que posiblemente genere la
Se extrae un nmero de observaciones centrales tal que. dos

submuestras restantes tengan el mismo tamao.
Se estima por separado cada submuestra y se calculan las respectivas

Sumatoria de cuadrados de residuos (SCR).
Se construye un estadstico F = [SCR2]/[SCR1], que debera ser

cercano a uno si existe homocedasticidad.
La Hiptesis nula del test de Goldfeld-Quandt es que los trminos de

perturbacin son homocedsticos.
Nota: para aplicar este test es necesario tomar en cuenta la ordenacin de los
datos!
El programa GyQ contiene el cdigo para llevar a cabo este test. Los resultados
sugieren que rechazamos la hiptesis nula de homocedasticidad.
3. IDENTIFICACIN DEL PROBLEMA

(2) Test de Breusch-Pagan (1979): permite evaluar la hiptesis
de que la varianza sea funcin de una combinacin lineal de
variables conocidas.
Es un contraste general: no requiere un conocimiento previo de la
forma funcional.
H 0 : i2 2
H1 : i2 2 h zi
Se realiza la regresin auxiliar de los residuos de la ecuacin

original estimada contra
auxiliar entre
2s 4
1 , zi . Se divide la SCE de esta regresin
para obtener el estadstico LM que tiene una
distribucin Ji-Cuadrado con z grados de libertad.

(3)
Test de White (con y sin trminos cruzados; White, 1980)

permite evaluar la hiptesis de que la varianza sea funcin de una
combinacin lineal de variables conocidas.
Es un contraste general: no requiere un conocimiento previo de la
forma funcional.
H 0 : i2 2
Se estima el modelo:
H1 : i2 f prod .cruz . reg
yi b1 b2 xi b3 zi ei

Se realiza la regresin auxiliar de los residuos de la ecuacin
original estimada contra todos los posibles productos cruzados de
regresores (no redundantes):
ei 0 1 xi 2 zi 3 xi 4 zi 5 xi zi vi
2
El estadstico de White es igual a
nR
, donde el
es el
indicador de bondad de ajuste centrado de la regresin auxiliar.

Este estadstico se distribuye como Ji-Cuadrado con grados de
libertad igual al nmero de coeficientes pendiente menos la
constante en al regresin auxiliar. Tambin se construye un LM.

(4)
Test ARCH-LM (heteroscedasticidad condicional; Engel, 1982). La

hiptesis nula es de homocedasticidad y la alternativa es de
Se realiza la regresin auxiliar de los residuos de la ecuacin original
estimada contra los rezagos hasta el orden q de los residuos al cuadrado:
et 0
El estadstico de White es igual a
e
s 1
vt
2
t s
nR 2 , donde el R 2
es el indicador de
bondad de ajuste centrado de la regresin auxiliar. Este estadstico se

distribuye como Ji-Cuadrado con q grados de libertad. Tambin se
construye un LM.

(5)
Test de Harvey (1966): similar al test de BPG, sin embargo se

diferencian en la forma funcional de la heterocedasticidad. En
este caso se parte de un modelo no lineal.
H 0 : i2 2
H1 : i2 exp zi
Se realiza la regresin auxiliar de los residuos de la ecuacin original

estimada contra 1 , z . Se divide la SCE de esta regresin auxiliar entre
i
para obtener el estadstico LM que tiene una distribucin Ji
' 0.5ssvv
Cuadrado con z grados de libertad.

(5)
Test de Glesjer (1969):
H0 :
2
i
H1 : zi
2
i
1
m
2
Regresin auxiliar: valor absoluto de los residuos como funcin

de una combinacin lineal de variables conocidas 1 , z . Goldfeld
i
y Quandt (1972), proponen un test de Glesjer alternativo, usando
la varianza estimada a travs de la SCR de MCO.
Se divide el indicador de bondad de ajuste por
1 2 / s 2 y se
distribuye como Ji-Cuadrado con z grados de libertad.
4. POSIBLES SOLUCIONES
Dos posibles soluciones:
(1)
Solucin prctica: estimar por MCO, pero hacer inferencia

utilizando la matriz de White.
(2)
Solucin tericamente ptima: Estimar por MCG y calcular

MCGF.
1.
Estimar por
MCO, pero hacer inferencia utilizando la
matriz de White.
Esto genera estimados consistentes de los errores estndar

de MCO.
Los estadsticos t y F son vlidos slo asintticamente. Sin

embargo, es posible evaluar hiptesis lineales a travs del
contraste de Wald.
A pesar de ser insesgado y consistente, el estimador

correcto MCO sigue siendo ineficiente.
2.
Estimar por MCG y calcular el estimador MCGF
La metodologa MCG genera estimadores eficientes.
Sin embargo, calcular
el estimador
MCGF es
muy
complicado porque se requiere conocer la forma estructural

de la heteroscedasticidad, lo cual muchas veces no es
factible.
Incluso, si fuera posible encontrar el estimador MCGF, este

estimador ya no es lineal ni insesgado. Sus propiedades en
muestras pequeas son desconocidas.
Para resolver el problema de estimacin de la matriz de varcov, se asume alguna forma especfica de heteroscedasticidad
que reduzca el nmero de parmetros a estimar en la matriz:
En este caso, la matriz de var-cov es:
12
Var (u ) E (uu ' )

0 0
22 0
V

2
0 n
El modelo tiene k+n parmetros a estimar, lo cual no es

posible con n observaciones.
Por ello se hacen supuestos como:
, con lo cual
i2 2 X 2i
la matriz de varianzas y covarianzas sera igual a:
2 X 21
Var (u ) E (uu ' )
0
2

2
X 2 n
2 X 22
En este caso los parmetros a estimar se reducen nuevamente

a
k+1
(k
desconocido).
parmetros
un
trmino
poblacional
La transformacin adecuada se obtiene dividiendo cada

observacin (incluyendo la constante), por la raz cuadrada
de la varianza estimada del trmino de perturbacin.
NOTAS:
El problema de Heteroscedasticidad se presenta

bsicamente en estimaciones que utilizan datos de
corte transversal.
Sin embargo, es posible encontrar heteroscedasticidad

condicional en series de tiempo (procesos ARCH).
BANCO CENTRAL DE RESERVA DEL PER

CURSO DE ACTUALIZACIN PARA PROFESORES
ECONOMETRA
HETEROSCEDASTICIDAD

09 Heteroscedasticidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

09 Heteroscedasticidad

Cargado por

Copyright:

Formatos disponibles

HETEROSCEDASTICIDAD

Introduccin / Causas de heteroscedasticidad

Problemas con los estimadores MCO.

Matriz de varianzas y covarianzas de los trminos de

Var (u ) E (uu ' )

Var (u ) E (uu ' )

2. PROBLEMAS CON LOS ESTIMADORES MCO

Mxima Verosimilitud: el estimador de MCO ya no ser igual al estimador

2. PROBLEMAS CON LOS ESTIMADORES MCO

PROBLEMAS CON LA INFERENCIA

Si existe heteroscedasticidad, la frmula convencional de la varianza

Var ( MCO ) 2 ( X ' X ) 1

Entonces, la inferencia se distorsiona si se usa el estimador MCO

2. PROBLEMAS CON LOS ESTIMADORES MCO

respecto al estimador correcto MCO

( X ' X ) 1 ( X ' X ) 1 ( X ' X )( X ' X ) 1

2. PROBLEMAS CON LOS ESTIMADORES MCO

modelo relevante es el MRL General (MRLG); usar: MCG.

Sin embargo, suele suceder que no se conoce la forma

Por ello, no es posible encontrar una transformacin adecuada de

Entonces, dado que no es posible calcular los estimadores MCG

Si no es posible identificar la heteroscedasticidad, lo natural es

2. PROBLEMAS CON LOS ESTIMADORES MCO

Para seguir usando MCO en la inferencia

necesario encontrar un estimador consistente de la matriz de

cuya forma general sera:

2. PROBLEMAS CON LOS ESTIMADORES MCO

es desconocido , se utiliza el estimador

de White o Matriz de White, que es un estimador

Var . As.( MCO )

2. PROBLEMAS CON LOS ESTIMADORES MCO

Sin embargo, cuando existe heteroscedasticidad, el estimador MCO

Los Estimadores de Mnimos Cuadrados Generalizados (MCG):

MCG ( X ' 1 X ) 1 X ' 1 y

son MELI, pues:

2. PROBLEMAS CON LOS ESTIMADORES MCO

Utilizan la siguiente informacin: si una perturbacin es

MCG minimiza la suma ponderada

cuadrado: se le da menor peso a las perturbaciones que se

Los pesos estn determinados por los elementos de la

2. PROBLEMAS CON LOS ESTIMADORES MCO

Cuando se cumplen SC1, Sc2, SC3, SC4 (aim>), SC5 (con

Sin embargo, en la prctica no se conoce , por lo tanto debemos

2. PROBLEMAS CON LOS ESTIMADORES MCO

esfricos es normal, se obtiene que:

Los estimadores convencionales MCO no son estimadores de MV.

MV MCG ( X ' 1 X ) 1 X ' 1 y

de Heteroscedasticidad. Los ms importantes y usados son:

Inspeccin Visual de los Residuos.

Se utiliza para determinar si:

Grfico de dispersin de los residuos elevados al

Un variable que se sospecha como causante de la

Una combinacin de regresores, sospechosos de generar la

100,000 200,000 300,000 400,000 500,000

100,000 200,000 300,000 400,000 500,000

100,000 200,000 300,000 400,000 500,000

Test de Goldfeld-Quandt (1965)

Para el caso proporcional, se ordenan los datos de menor a mayor

Se extrae un nmero de observaciones centrales tal que. dos

Se estima por separado cada submuestra y se calculan las respectivas

Se construye un estadstico F = [SCR2]/[SCR1], que debera ser

La Hiptesis nula del test de Goldfeld-Quandt es que los trminos de

3. IDENTIFICACIN DEL PROBLEMA