TODO ECONOMETRA

Heteroscedasticidad
 ndice

Definicin
Consecuencias
Deteccin
Medidas correctivas
Definicin de la heteroscedasticidad
 Definicin de la heteroscedasticidad

Las perturbaciones ui de la FRP no tienen la

misma varianza 2: su varianza vara de
observacin a observacin, es decir,
2
Var(ui / X i ) i ;i 1,..., n

Qu es la
homoscedasticidad?
Cmo se expresa?
 Definicin de la heteroscedasticidad

Se suele producir heteroscedasticidad en los

datos de seccin cruzada.
En los datos de series temporales es menos
comn, aunque posible.
En los datos de seccin cruzada tenemos observaciones
de una poblacin en determinado momento del tiempo.
Por ejemplo, consumidores individuales o familias,
empresas, industrias, o estados, comunidades autnomas,
ciudades, etc. Adems, estas observaciones pueden ser
de distintos tamaos, como empresas grandes, medianas
o pequeas, o rentas bajas, medias o altas.
 Definicin de la heteroscedasticidad
Un ejemplo
En un modelo de regresin simple donde la variable
dependiente es el ahorro personal y la variable
explicativa es la renta personal disponible, se observa
que:
el nivel medio de ahorros aumenta a medida que
aumente la renta disponible... es de esperar?
la varianza de los ahorros aumenta con la renta
personal disponible ... es de esperar?
la varianza de los factores no observados que
afectan al ahorro aumenta con la renta.
Definicin de la heteroscedasticidad

(a) Homoscedasticidad; (b) heteroscedasticidad.

Consecuencias de la heteroscedasticidad
 Consecuencias de la heteroscedasticidad

Bajo los supuestos del Teorema Gauss- Markov

los estimadores MCO son ELIO.
Si no se satisface el supuesto de
homoscedasticidad:
-Los estimadores MCO son lineales.
-Los estimadores MCO son insesgados.
-Los estimadores MCO no son eficientes.
Por qu no
son eficientes?
 Consecuencias de la heteroscedasticidad

Ya que los estimadores MCO no son eficientes:

i. las estimaciones de las varianzas de los

estimadores son sesgadas

ii. las contrastaciones de hiptesis y los

intervalos de confianza ya no son fiables.
Deteccin de la heteroscedasticidad
 Deteccin de la heteroscedasticidad

Naturaleza del problema

- No es tan fcil porque i2 slo se puede conocer
si tenemos toda la poblacin. Pero nuestros datos
se basan fundamentalmente en una muestra.
- Cualquier estimacin se realiza bajo el supuesto
de homoscedasticidad, y lo que hay que hacer es
averiguar si este supuesto es correcto.
- En los datos de seccin cruzada relativos a
unidades heterogneas, la heteroscedasticidad es
muy comn.
 Deteccin de la heteroscedasticidad

Anlisis grfico de los residuos

-Los residuos constituyen una proxy de los

errores, especialmente para muestras grandes.
-Los residuos se pueden representar grficamente
respecto a una o ms variables explicativas.
-Y tambin los residuos al cuadrado respecto a
una o ms variables explicativas.
-En vez de dibujar respecto a cada X, podemos
utilizar el valor medio estimado de Y.
Algunos patrones de los
residuos al cuadrado.
Deteccin de la heteroscedasticidad
Anlisis grfico de los residuos
 Deteccin de la heteroscedasticidad

Algunos test
-Test de Park
-Test de Glejser
-Test de Goldfeld-Quandt (disponible en Eviews)
-Test de Bartlett (disponible en Eviews)
-Test de Breusch-Pagan
-Test de CUSUMSQ (disponible en Eviews)
-Test de Spearman
-Test de White (disponible en Eviews)
 Deteccin de la heteroscedasticidad

Test general de heteroscedasticidad de White

1.Se estima la regresin original.

2.Los residuos de la regresin original se elevan al
cuadrado y se ejecuta una regresin auxiliar sobre
todas las variables originales, sus valores al
cuadrado y sus productos cruzados.
3.Se obtiene el R2 de la regresin auxiliar y se
realiza un contraste de hiptesis. La nula es de
que no hay heteroscedasticidad (es decir todos los
coeficientes dependientes de la regresin auxiliar son
cero).
Correccin de la heteroscedasticidad
 Correccin de la heteroscedasticidad

Si hay indicacin de que haya heteroscedasticidad:

-cmo resolvemos el problema, si es que se
puede resolver?
-hay alguna manera de que podamos
transformar el modelo?
-qu tipo de transformacin?

Las respuestas dependen de si la varianza del error

se conoce o no.
 Correccin de la heteroscedasticidad
Cuando se conoce i2 :
METODO MINIMOS CUADRADOS PONDERADOS
(MCP)
Dividir cada observacin Y y X por la i conocida, es
decir Y y X se ponderan.
Estimar el modelo ponderado.
El error del modelo ponderado es homoscedastico.
As los estimadores por MCP sern ELIO.
Demostrar que el
error del modelo
ponderado es
homoscedastico
 Correccin de la heteroscedasticidad
Cuando se desconoce i2 .

Hay que hacer supuestos sobre la desconocida

varianza del error.

Y luego aplicar el mtodo de MCP.

Distintos casos
 Correccin de la heteroscedasticidad
Cuando se desconoce i2 :
Suponiendo que i2 es proporcional a Xi
Si los residuos frente a X muestran un patrn como
en la figura, es decir,
cuando hay una relacin
lineal, o proporcional
entre i2 y X, la
transformacin
adecuada es dividir por
la raz cuadrada de Xi.
 Correccin de la heteroscedasticidad
Cuando se desconoce i2 :
Suponiendo que i2 es proporcional a Xi

Si hay ms de un X en el modelo, utilizamos el X

ms adecuado.

Si hay ms de uno adecuado, utilizamos el valor

medio estimado de Y.
 Correccin de la heteroscedasticidad
Cuando se desconoce i2 :
Suponiendo que i2 es proporcional a Xi
Un ejemplo
 Correccin de la heteroscedasticidad
Cuando se desconoce i2 :
Suponiendo que i2 es proporcional a Xi2.
Si los residuos muestran un patrn como en la
figura, es decir aumentan
proporcionalmente al
cuadrado de X ,
la transformacin
adecuada es dividir
ambos lados del modelo
por X.
 Correccin de la heteroscedasticidad
Nueva especificacin del modelo
En vez de hacer supuestos sobre i2, a veces una
nueva especificacin del modelo poblacional puede
reducir la heteroscedasticidad.

Por ejemplo, una transformacin logartmica

comprime las escalas en las que se miden las
variables.

La transformacin adecuada depende de la

naturaleza del problema y de su gravedad.
 Correccin de la heteroscedasticidad
Errores estandar con heteroscedasticidad
corregida por el mtodo White

El procedimiento White genera errores estndar de

los coeficientes de la regresin estimada que tienen
en cuenta la heteroscedasticidad.

As, los tests de la t y de la F son vlidos

asintticamente, es decir, en grandes muestras.
 Reflexiones

1. Es el supuesto de heteroscedasticidad
necesario a la hora de demostrar la insesgadez
de los estimadores MCO?

2. Afecta la heteroscedasticidad la interpretacin

del R2 y del R2 ajustado?
 Un ejemplo
Research and development (R&D) expenditure in the United
States ($, in millions).
Un ejemplo Dependent Variable: RDEXP
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
SALES 0.030878 0.008346 3.699582 0.0019
C 266.1917 1002.961 0.265406 0.7941
R-squared 0.461042

RDEXP vs. SALES

14000

12000

10000

8000
RDEXP

6000

4000

2000

0
0 100000 200000 300000

SALES
Un ejemplo
8000

6000

4000

2000
RESID

-2000

-4000

-6000

-8000
0 100000 200000 300000

SALES
Un ejemplo

6.E+07

5.E+07

4.E+07
RESID2

3.E+07

2.E+07

1.E+07

0.E+00
0 100000 200000 300000

SALES
Un ejemplo

Se desconoce i2 :
Suponemos que i2 es proporcional a Xi
Transformamos dividiendo por la raz cuadrada de X.

Dependent Variable: RDEXP_RC

Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
SALES_RC 0.036431 0.007136 5.105219 0.0001
C_RC -235.6060 383.6277 -0.614153 0.5477
R-squared 0.354929
 Dependent Variable: RDEXP
Un ejemplo Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
SALES 0.030878 0.008346 3.699582 0.0019
C 266.1917 1002.961 0.265406 0.7941
R-squared 0.461042

Dependent Variable: RDEXP_RC

Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
SALES_RC 0.036431 0.007136 5.105219 0.0001
C_RC -235.6060 383.6277 -0.614153 0.5477
R-squared 0.354929

Los coeficientes de las pendientes son parecidos.

Ahora el coeficiente de X es ms significativo.
Antes el error estndar del coeficiente de X se
sobreestimaba.
En ambos casos la constante no es significativa.