Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESQUEMA
1.
2.
3.
Identificacin
del
Heteroscedasticidad.
4.
Posibles Soluciones.
Problema:
contrastes
de
1. INTRODUCCIN
12
0
V
2
n
0
22
2 X 21
0
2
0
X 22
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.
Inferencia: Los errores MCO son incorrectos, por lo que los intervalos de
confianza y las pruebas de hiptesis son erradas.
Var ( MCO )
s2 es sesgado.
Se tiene que:
, es sesgado
:
H
Var ( MCO )
, es
H
Var ( MCO
)
1 X'X
H
Var ( MCO )
n n
1
X'X
2
X ' [ ] X
n
n
H
] X ( X ' X ) 1
Var ( MCO
) ( X ' X ) 1 X '[ 2
Cuando
X ' 2 X '
E ( MCG )
H
Var ( MCG ) 2 ( X ' 1 X ) 1 Var ( MCO
) Var ( MCG )
de los residuos al
X
MCGF X '
1
X ' y
Los estimadores pendiente MV son iguales los estimadores MCG. Por ello,
los estimadores MCG son asintticamente eficientes.
3.IDENTIFICACINDELPROBLEMA
Para esto, se utilizan las denominadas pruebas o contrastes
i2 i
cuadrado:
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
0
0
GDP
20,000
40,000
60,000
80,000
100,000
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
20,000
40,000
60,000
POP
80,000
100,000
3.IDENTIFICACINDELPROBLEMA
(1)
3.IDENTIFICACINDELPROBLEMA
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.
H 0 : i2 2
H1 : i2 2 h zi
2s 4
H 0 : i2 2
Se estima el modelo:
yi b1 b2 xi b3 zi ei
ei 0 1 xi 2 zi 3 xi 4 zi 5 xi zi vi
2
nR
, donde el
es el
et 0
e
s 1
vt
2
t s
nR 2 , donde el R 2
es el indicador de
H 0 : i2 2
H1 : i2 exp zi
H0 :
2
i
H1 : zi
2
i
1
m
2
1 2 / s 2 y se
4. POSIBLES SOLUCIONES
(1)
(2)
4. POSIBLES SOLUCIONES
1.
Estimar por
matriz de White.
4. POSIBLES SOLUCIONES
2.
el estimador
MCGF es
muy
4. POSIBLES SOLUCIONES
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:
12
0 0
22 0
V
2
0 n
4. POSIBLES SOLUCIONES
, con lo cual
i2 2 X 2i
2 X 21
0
2
2
X 2 n
2 X 22
k+1
(k
desconocido).
parmetros
un
trmino
poblacional
4. POSIBLES SOLUCIONES
NOTAS:
HETEROSCEDASTICIDAD