Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lunes 5 de noviembre
1
Violación supuesto
Varianza constante
Heterocedasticidad
2
Supuesto homocedasticidad
• Varianza condicional del error constante
𝑉 𝜇𝑖 |𝑥 = 𝜎 2 ∀ 𝑖
3
¿Qué es la heterocedasticidad?
• Supuesto: la varianza condicional en las
variables explicativas del error no observado 𝜇
es constante.
4
Ejemplo de heterocedasticidad
f(y|x)
E(y|x) = b0 + b1x
x1 x2 x3 x
5
Ejemplo de heterocedasticidad
6
Consecuencias heterocedasticidad
• 𝛽𝑗 : insesgados y consistentes
• 𝑉(𝛽𝑗 ): sesgada e inconsistente.
• Por lo tanto:
– No es válido para IC ni test de hipótesis
– Estadístico t ya no se distribuye t
– No se puede utilizar para tests F ni LM.
– Problemas no se resuelven al aumentar el tamaño
de muestra (son inconsistentes).
7
Diagnóstico
– Lo anterior es equivalente:
– Y realizamos test F o LM
8
Diagnóstico: Test de Breush-Pagan
• Estimar modelo por MCO
• Obtener los residuos al cuadrado de la regresión.
• Estimar
• Obtener el estadístico F o el estadístico LM
– 𝐸𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜 𝐹~𝐹 𝑘, 𝑛 − 𝑘 − 1
– 𝐿𝑀~𝜒 2 (𝑘)
• Si se rechaza Ho, se rechaza homocedasticidad.
9
Diagnóstico: Test de Breush-Pagan
• Estimar modelo por MCO
• Obtener los residuos al cuadrado de la regresión.
• Estimar
• Obtener el estadístico F
10
Diagnóstico: Test de Breush-Pagan
• Estimar modelo por MCO
• Obtener los residuos al cuadrado de la regresión.
• Estimar
• Obtener estadístico LM
Bajo Ho:
𝐿𝑀~𝜒 2 (𝑘)
11
Test de White
12
Forma alternativa del test de White
• Los valores predichos de MCO, ŷ, son una función
de todos los x’s
13
Test de White
• Alternativa:
• Donde
– 𝐸𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜 𝐹~𝐹 2, 𝑛 − 𝑘 − 1
– 𝐿𝑀~𝜒 2 (2)
14
Inferencia en presencia de
heterocedasticidad
• Errores estándares robustos: robustos ante
heterocedasticidad de forma desconocida.
15
Errores estándares robustos
• No es necesario conocer la forma de la heterocedasticidad.
16
Errores estándares robustos
• Modelo:
• Se cumplen todos los supuestos excepto
homocedasticidad:
𝜎2 𝜎2
𝑉(𝛽1 ) = 𝑛 2 =
𝑖=1(𝑥𝑖 −𝑥) 𝑆𝐶𝑇𝑥
18
Errores estándares robustos
• Para el caso de la regresión múltiple:
𝑛 2 𝑛
𝑟
𝑖=1 𝑖𝑗 𝜇𝑖2 𝑟 2
𝑖=1 𝑖𝑗 𝜇𝑖2
𝑉(𝛽𝑗 ) = 2 =
𝑆𝑅𝐶𝑥𝑗 [𝑆𝐶𝑇𝑥𝑗 1 − 𝑅𝑗2 ]2
• Donde:
– 𝑟𝑖𝑗2 es el residuo de la regresión de 𝑥𝑗 sobre las
demás variables explicativas.
– 𝑆𝑅𝐶𝑥𝑗 = 𝑛𝑖=1 𝑟𝑖𝑗2 ∶ la suma de los residuos al
cuadrado de la regresión de 𝑥𝑗 sobre las demás
variables explicativas
19
Errores estándares robustos
• Para el caso de la regresión múltiple:
𝑛 2
𝑟
𝑖=1 𝑖𝑗 𝜇𝑖2
𝑉(𝛽𝑗 ) =
[𝑆𝐶𝑇𝑥𝑗 1 − 𝑅𝑗2 ]2
𝜎2 𝜎2
𝑉(𝛽𝑗 ) = 𝑛 2 = 2
𝑖=1(𝑥𝑗𝑖 − 𝑥 ) (1 − 𝑅𝑗 ) 𝑆𝐶𝑇𝑥𝑗 (1 − 𝑅𝑗 )
2
20
Errores estándares robustos
• No es necesario conocer la forma de la heterocedasticidad.
• Son consistentes asintóticamente, por lo que sólo se pueden
usar en muestra grande.
𝑛 2 2
𝑖=1 𝑟𝑖𝑗 𝜇𝑖
• Note que 𝑉(𝛽𝑗 ) = , por lo tanto, también
𝑆𝐶𝑇𝑥𝑗 (1−𝑅𝑗2 )
aumentar en presencia de multicolinealidad alta.
𝛽𝑗 − 𝛽𝑗
∼ 𝑡𝑛−𝑘−1
𝑠𝑒(𝛽𝑗 )
23
Test F robusto a heterocedasticidad
• Solo válido asintóticamente: es decir, muestra
grande.
𝐻0 : 𝛽1 = 0, 𝛽5 = 0
26
Mínimos Cuadrados Ponderados
• Si se conoce la forma de la
heterocedasticidad:
– 𝑉 𝜇 𝑥 = 𝜎 2 ℎ(𝑥),
• ℎ 𝑥 > 0 ∀ 𝑥 (¿por qué?)
27
Mínimos Cuadrados Ponderados
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ 𝛽𝑘 𝑥𝑖𝑘 + 𝜇𝑖
𝑉 𝜇𝑖 𝑥𝑖 = 𝜎 2 ℎ(𝑥𝑖 )
29
Mínimos Cuadrados Ponderados
• 𝑦′𝑖 = 𝛽0 + 𝛽1 𝑥′𝑖1 + 𝛽2 𝑥′𝑖2 + ⋯ 𝛽𝑘 𝑥′𝑖𝑘 + 𝜇′𝑖
2
• 𝑉 𝜇′𝑖 𝑥𝑖 = 𝑉 𝜇𝑖 ℎ 𝑥𝑖 =𝐸 𝜇𝑖 ℎ 𝑥𝑖 =
2 1 2 1
𝐸(𝜇𝑖 ) ∗ = 𝜎 ℎ 𝑥𝑖 ∗ = 𝜎2
ℎ 𝑥𝑖 ℎ 𝑥𝑖
• Es decir: 𝑉 𝜇′𝑖 𝑥𝑖 = 𝜎 2
30
Relación con Mínimos Cuadrados Ordinarios
31
Relación con Mínimos Cuadrados
Ordinarios
• Interpretación:
– 𝛽𝑘
– Test t y test F
– 𝑅2 : cuidado
32
Mínimos Cuadrados Generalizados Factibles
• Si no conocemos, debemos estimarla,
siguiendo Wooldridge:
𝑉 𝜇𝑖 𝑥𝑖 = 𝜎 2 exp(𝛿0 + 𝛿1 𝑥𝑖1 + 𝛿2 𝑥𝑖2 + ⋯ 𝛿𝑘 𝑥𝑘𝑖 )
• Es decir ℎ 𝑥𝑖 = exp(𝛿0 + 𝛿1𝑥𝑖1 + 𝛿2𝑥𝑖2 + ⋯ 𝛿𝑘 𝑥𝑘𝑖 )
• Si 𝑉 𝜇𝑖 𝑥𝑖 tiene esa forma, entonces:
𝜇𝑖 2 = 𝜎 2 exp(𝛿0 + 𝛿1 𝑥𝑖1 + 𝛿2 𝑥𝑖2 + ⋯ 𝛿𝑘 𝑥𝑘𝑖 )𝑣
– Suponiendo además que 𝐸 𝑣 𝒙 = 1 y 𝑣 es independiente
de todos los x:
log(𝜇𝑖 2 ) = ao + 𝛿1 𝑥𝑖1 + 𝛿2 𝑥𝑖2 + ⋯ 𝛿𝑘 𝑥𝑘𝑖 + 𝑒𝑖
𝐸(𝑒𝑖 ) = 0, independiente de los x; cumple los supuestos G-M
33
Mínimos Cuadrados Generalizados
Factibles
• Por lo tanto, podemos estimar ℎ 𝑥𝑖 usando los
residuos de la regresión original.
• Estimamos:
log(𝜇𝑖 2 ) = ao + 𝛿1 𝑥𝑖1 + 𝛿2 𝑥𝑖2 + ⋯ 𝛿𝑘 𝑥𝑘𝑖 + 𝑒𝑖
Y obtenemos una estimación de la función ℎ 𝑥𝑖 y
con eso estimamos a través de Mínimos Cuadrados
Ponderados.
Pero, dado que ℎ 𝑥𝑖 es estimada, nuestros
estimadores sólo son asintóticamente consistente
(i.e. no son insesgados)
34
Mínimos Cuadrados Generalizados
Factibles
• Diferencias entre MCO y MCGF:
– Pueden indicar problemas de especificación
𝐸 𝜇 𝑥 ≠ 0 , es decir,
35