Documentos de Académico
Documentos de Profesional
Documentos de Cultura
σ 2 0 L 0
0 σ2 L 0
′
E (uu ) = = σ 2I
M M O M
0 0 L σ 2
σ 2 0 L 0
1
0 σ 22 L 0
E (uu ′) = = σ 2Ω
M M O M
0 0 L σ T2
La varianza es distinta para cada individuo. En este caso tendremos que estimar k+T
parámetros; k coeficientes más las T varianzas de las perturbaciones. Dado que el
tamaño muestral es T, se tiene que el número de parámetros a estimar es mayor que el
número de observaciones disponibles. No es posible estimar y en ese caso es necesario
suponer que la heteroscedasticidad sigue un determinado esquema de comportamiento.
2
gran cantidad de sus ingresos en I+D o no invertir nada por lo que habrá una elevada
volatilidad.
Otro ejemplo sería la demanda de un bien de lujo entre distintos consumidores que
difieren en el nivel de renta. Cabe esperar que conforme aumente la renta de los
consumidores aumenta la variabilidad del comportamiento de los consumidores.
Consecuencias:
El estimador de MCO no es óptimo. Hay un método mejor para estimar los parámetros
del modelo: MCG
Como una primera aproximación puede analizarse el gráfico de los residuos mínimo-
cuadráticos en función de la variable endógena estimada o en función de la variable
explicativa que supuestamente genera la heteroscedasticidad.
3
El siguiente gráfico es el gráfico de dispersión de los residuos en valor absoluto del
modelo: Lvalacct = β1 + β 2 Lvalcont + u t (Uriel et al. Pág. 123) y LVALCON
Yi = β1 + β 2 X 2i + β 3 X 3i + L + β k X ki + u i
H0: σ i2 = σ 2 ∀i
H1: σ i2 = f ( X ji )
4
SCR2 /(T2 − k ) uˆ 2′ uˆ 2 /(T2 − k )
GC = =
SCR1 /(T1 − k ) uˆ1′ uˆ1 /(T1 − k )
el cual se distribuye como una F con T2-k grados de libertad en el numerador y T1-k
grados de libertad en el denominador.
Cuanto más elevado sea el valor del estadístico GQ, es mas probable que se rechace la
hipótesis nula, lo que indicaría que tenemos un problema de heteroscedasticidad. Si no
se rechaza la hipótesis nula quiere decir que “no existe evidencia para aceptar el
esquema concreto de heteroscedasticidad planteado”. NO quiere decir que el modelo sea
homocedástico.
Contraste de White
Yi = β1 + β 2 X 2i + β 3 X 3i + u i
H0: σ i2 = σ 2 ∀i
H1: σ i2 = f ( X 2i , X 3i )
1) Se efectúa una regresión auxiliar. En esta regresión auxiliar el regresando serán los
residuos al cuadrado del modelo original, y los regresores serán los regresores del
modelo original, los regresores del modelo original al cuadrado y ópcionalmente los
productos cruzados de los regresores del modelo original. O sea, en nuestro ejemplo:
u t2 = α1 + α 2 X 2i + α 3 X 3i + α 4 X 22i + α 5 X 32i + α 6 X 2i X 3i + η i
En la regresión auxiliar siempre debe haber término independiente y hay que eliminar
las redundancias.
2
2) Designando por R RA al coeficiente de determinanción de la regresión auxiliar se
calcula el siguiente estadístico:
2
TR RA
5
Ejemplo:
∧ ∧ ∧
C i = 51,3 − 4, 6 Pi + 151,9 N i + 284,1Pi xN i ; u' u = 24, 2; R 2 = 0, 68
donde C es el coste, P es una variable ficticia que toma el valor 1 si la escuela es pública
y 0 si es privada y N es el número de alumnos/as.
T
vâr( βˆ ) = ( X ′X ) −1 Σˆ ( X ′X )−1 siendo Σˆ = ∑ uˆ i2 xi xi′ , donde xi es un vector columna
i =1
correspondiente a la i-ésima observación.
6
Ejemplo:
(Examen 6/2/2007)
Con una muestra de 100 individuos se ha estimado la siguiente función de demanda del
bien Y:
Cuadro 1
7
Cuadro 2. Contraste de White