DESARROLLO

a)

. predict e, residuals
-775.7709, -205.1284, 165.7972, 183.8684, 199.3065, 54.55018, 113.7094
150.4718, 113.1957
b) Según la prueba de Park:

Ho=No existe heteroscedasticidad

Ha= Existe heteroscedasticidad

. g ec=e^2
. g lnec=ln(ec)
. g lnprod=ln(productividad_promedio)
. reg lnec lnprod

. scalar lm=9* 0.0599

. dis lm= 0.5391
. dis invchi2(1,1-0.05) = 3.8414588
Lm < invchi2 por lo tanto la Ho se acepta, es decir no existe heteroscedasticidad en el
modelo de pruebo por Park.
c) Según la prueba de Glejser:
Glejser utiliza los residuos en valor absolutos
g e=abs(e)

. scalar lm= 0.0128*9

. dis lm=0.1152
. dis invchi2(1,1-0.05)= 3.8414588
Lm es menor que el invchi2, entonces se acepta la Ho, es decir no esxiste
heteroscedasticidad.
. g rx=sqrt( productividad_promedio )

. scalar lm=9* 0.0110

. dis lm=0.099
. dis invchi2(1,1-0.05)= 3.8414588
Lm < invchi2 por lo tanto la Ho se acepta, es decir no existe heteroscedasticidad en el
modelo de prueba por Glejser.
d)
. replace e = 775.77087 in 1
. replace e = 205.12837 in 2

La variable residuo y productividad tienen una correlación negativa, es decir tienen menor grado
de asociación.
11.16. Gasto alimentario en India. En la tabla 2.8 se proporcionaron datos sobre el
gasto en alimentos y el gasto total de 55 familias de India.
a) Haga la regresión del gasto alimentario sobre el gasto total y examine los residuos
obtenidos en dicha regresión.

Gráfica con los valores estimados de los residuos de todo el modelo:

.twoway scatter e totalexp
200
100
Residuals
0
-100
-200

250 300 350 400 450

Fitted values

Siendo el método gráfico un modelo informal, se asume que existe heteroscedasticidad

porque existe un patrón sistemático parecido a la dispersión de éstos residuos, de igual modo
debemos corroborar con los métodos formales.
b) Grafique los residuos obtenidos en el inciso a) contra el gasto total y verifique si existe
algún patrón sistemático.
200
100 .twoway scatter e totalexp
Residuals
0
-100
-200

400 500 600 700 800

TOTALEXP

.twoway scatter e totalexp, msymbol(circle_hollow)|| connected e totalexp

200
100
Residuals
0
-100
-200

400 500 600 700 800

TOTALEXP

Residuals Residuals
c) Si la gráfica del inciso b) sugiere heteroscedasticidad, aplique las pruebas de Park,
Glejser y White para determinar si la sensación respecto de la heteroscedasticidad
observada en b) se sustenta con estas pruebas.
Ho=No existe heteroscedasticidad
Ha=Existe heteroscedasticidad
PARK
. predict e,resid
. g ec=e^2
. g lec=ln(ec)
. g ltotal=ln(totalexp)
. reg lec ltotal

. scalar lm=55* 0.0970

. dis lm= 5.335

. dis invchi2(1,1-0.05)=3.8414588

Lm es mayor invchi2 por lo tanto se rechaza la Ho, y se concluye con este método que sí existe
heteroscedasticidad.
GLEJSER
.reg foodexp totalexp
. predict e, resid
. g ea=abs(e)
. g eac= ea^2

. scalar lm=55* 0.1169

. dis lm= 6.4295
. dis invchi2(1,1-0.05)= 3.8414588

Lm es mayor invichi2 por lo tanto se rechaza la Ho, y se concluye con este método que sí existe
heteroscedasticidad.

WHITE
 . predict e, resid
. g ec=e^2
. g totalc= totalexp^2
. reg ec totalexp totalc

. scalar Lm=55*0.1341
. dis Lm= 7.3755
. dis invchi2(2,1-0.05) = 5.9914645

Lm >invchi2 por lo tanto se rechaza la Ho, es decir existe heteroscedasticidad.

d) Obtenga los errores estándar de White consistentes con la heteroscedasticidad y
compárelos con los errores estándar de MCO. Decida si vale la pena corregir este ejemplo
a causa de la heteroscedasticidad.
Ho: No existe heteroscedasticidad
Ha: Exite heteroscedasticidad

. scalar Lm=55* 0.1341

. dis Lm= 7.3755
. dis invchi2(2,1-0.05)= 5.9914645

Lm >invchi2 por lo tanto se rechaza la Ho, es decir existe heteroscedasticidad.

 Analizando este modelo con las pruebas anteriores nos damos cuenta que existe la
heteroscedasticidad, por lo cual debemos corregir el modelo.
White aparte de ayudarnos a detectar la heteroscedasticidad, también nos ayuda a
corregirla mediante los errores estándar robust, y ahora la pregunta es ¿Valdrá la pena corregirlo?,
vemos que en el MCO nos salió un error estándar de 0.0783226 y en el modelo corregido por
White nos sale un 0.0742544 disminuye en pequeña cantidad, el p>|t| para la predeterminada sigue
siendo menor al nivel de significancia por lo que se dice que se rechaza la Ho, la varianza del
MCO es mayor al modelo corregido por White pero en poca diferencia. Entonces no será tan
necesario corregirlo ya que es parecido los resultados de las dos regresiones.
12.9. Estimación de ρ: procedimiento de dos pasos de Cochrane-Orcutt. Es una versión
abreviada del procedimiento iterativo C-O. En el paso 1 se estima ρ a partir de la primera
iteración, es decir, de la ecuación (3) del ejercicio anterior,

y en el paso 2 se utiliza la estimación de ρ para efectuar la ecuación en diferencias

generalizada, como en la ecuación (4) del ejercicio anterior.

A veces en la práctica este método de dos pasos proporciona resultados muy similares a
los del procedimiento iterativo C-O, más elaborado. Aplique el método de dos pasos C-O
para ilustrar la regresión de los salarios sobre la productividad (12.5.1) de este capítulo y
compare los resultados con los obtenidos mediante el método iterativo. Ponga especial
atención a la primera observación en la transformación. pag446

TABLA 12.4. Índices de remuneración real y productividad en Estados Unidos, 1960- 2005.
Necesitamos averiguar si en los datos hay autocorrelación. En la siguiente sección analizaremos
varios métodos para detectar la autocorrelación.
1. Formulación de la hipótesis y nivel de significancia.
Ho: p=0
α=0.05
 Métodos iterativos para estimar ρ

Todos los métodos para estimar ρ que hemos visto proporcionan sólo una estimación de
ρ. Pero existen los llamados métodos iterativos que estiman ρ de manera iterativa, es decir,
mediante aproximaciones sucesivas, comenzando con algún valor inicial de ρ.
Entre estos métodos, mencionaremos los siguientes: Procedimiento iterativo de Cochrane-Orcutt,
procedimiento de dos pasos de Cochrane-Orcutt.

Antes de proceder hacemos una regresión de Y con respecto a X y obtenemos los

residuos, para hallar el primer p (rho) del proceso autorregesivo que se usa generalmente, y nos
damos cuenta que es distinto a los últimos p (rho) hallados por los otros autores según sus
métodos.

MÉTODO ITERATIVO C-O

Utilizaremos el comando prais para recuperar la observación perdida.
.prais y x, corc
MÉTODO DE DOS PASOS C-O
 El método de dos etapas no soluciona la autocorrelación, por el contrario el iterativo sí lo
hace, ya que al ubicar el “d” de Durbin Watson en la tabla con nivel de significancia del 0.05,
k´=1 y n=46
Nos arroja este intervalo= 1.475 < d > 1.566
Donde el “d” transformado para el modelo iterativo de C-O es 1.63129 y no se encuentra
en la zona de rechazo de la Ho ni en la Zona de indecisión, sino en la zona de aceptación con
tendencia al 2, es decir que el método iterativo corrige el problema de autocorrelación.
Lo contrario pasa con el “d” transformado para el modelo de dos pasos C-O que es
1.453039 en donde se encuentra fuera del intervalo (antes de dl) es decir que para este modelo
sigue teniendo el problema de autocorrelación.