Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La prueba KB se basa en los residuos al cuadrado, 𝑢̂𝑖2 , pero en vez de hacer la regresión
sobre una o más regresoras, se efectúa la regresión de los residuos al cuadrado sobre los
valores estimados de la regresora al cuadrado.
Procedimiento
Para el empleo de esta prueba se necesita una variable que sea proxy para la varianza no
observable (los residuos al cuadrado) y una variable que solo está influenciada por los
regresores (variable dependiente estimada al cuadrado).
1. Estimar el modelo
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖
2. Obtener los residuos y las 𝑌̂𝑖 elevadas al cuadrado.
3. Y con los valores anteriores estimar el siguiente modelo:
𝑢̂𝑖 2 = 𝛼1 + 𝛼2 (𝑌
̂𝑖 )2 + 𝑣𝑖
𝑣𝑖 ~𝑁(0, 𝜎 2 )
𝑯𝟎 : 𝜶𝟐 = 𝟎
𝑯𝟏 : 𝜶𝟐 ≠ 𝟎
5. Contrastar con el t crítico. Dado que la prueba “t” tiene solo un grado de libertad, el
valor cuadrado del valor t se distribuye como una distribución F con un grado de
libertad. Si rechazamos la Ho concluimos que hay evidencia de heterocedasticidad.
Ventajas
Park sugiere que 𝜎𝑖2 es algún tipo de función de la variable explicativa 𝑋𝑖 , siendo la forma
función sugerida
𝛽
𝜎𝑖2 = 𝜎 2 𝑋𝑖 𝑒 𝑣𝑖
𝑙𝑛 𝜎𝑖2 = 𝑙𝑛 𝜎 2 + 𝛽 𝑙𝑛 𝑋𝑖 + 𝑣𝑖
𝝈𝟐𝒊 es desconocida por lo que se usa 𝑢̂i2 como una aproximación y correr la siguiente
expresión:
𝑙𝑛 𝑢̂𝑖 2 = 𝑙𝑛 𝜎 2 + 𝛽 𝑙𝑛 𝑋𝑖 + 𝑣𝑖
𝑙𝑛 𝑢̂𝑖 2 = 𝛼 + 𝛽 𝑙𝑛 𝑋𝑖 + 𝑣𝑖
Establecemos las siguientes hipótesis:
𝐻0: 𝛽 = 0 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻𝑎: 𝛽 ≠ 0 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
̂𝒊𝟐
1. Realizar una regresión MCO, ignorando la heterocedasticidad y capturando los 𝒖
2. Realizar una regresión tomando como variable dependiente los residuos al cuadrado
en función de una o varias variables explicativas y analizar la significación conjunta
de la regresión
Desventajas
Ha habido cierto debate sobre la validez de esta prueba. Por ejemplo, Goldfeld y Quandt
advirtieron que 𝑣𝑖 puede violar los supuestos de MCO y demás puede tener
heterocedasticidad, por lo que es aconsejable utilizarla como un método estrictamente
exploratorio.
CONTRASTE DE HETEROCEDASTICIDAD
Vamos a verificar la presencia de heterocedasticidad, mediante el contraste de White, el
contraste de Breusch-Pagan/Godfrey, el contraste de Goldfeld-Quandt.
Contraste de White
A diferencia de la prueba de Goldfeld-Quandt, que requiere reordenar las observaciones
respecto de la variable X que supuestamente ocasiona la heteroscedasticidad, o de la prueba
BGP, sensible al supuesto de normalidad, la prueba general de heteroscedasticidad propuesta
por White no se apoya en el supuesto de normalidad y es fácil aplicarla. Es el test más general
para detectar la heteroscedasticidad en los modelos de regresión lineal.
Considere el siguiente modelo de regresión con tres variables:
𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝟐𝒊 + 𝜷𝟑 𝑿𝟑𝒊 + 𝝁𝒊
Para realizar la prueba de White se procede de la siguiente forma:
• Paso 1: Se estima la regresión anterior por MCO y se obtiene los residuos 𝑢̂𝑖
Contraste de Breusch-Pagan
El éxito de la prueba de Goldfeld-Quandt depende no sólo del valor de c (el número de
observaciones centrales que se van a omitir), sino también de la identificación de la variable
X correcta que servirá de referencia para ordenar las observaciones. Esta limitación de la
prueba se evita si consideramos la prueba Breusch-Pagan-Godfrey (BPG).
• Considere el modelo:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖
• Es decir, 𝜎𝑖2 es algún tipo de función de las variables 𝑍 que presumiblemente causan
heterocedasticidad; alguna de las 𝑋 o todas pueden servir como 𝑍,
• H0 : α2 = α3 = ⋯ = αn = 0 ( 𝒉𝒂𝒚 𝒉𝒐𝒎𝒐𝒔𝒄𝒆𝒅á𝒔𝒕𝒊𝒄𝒊𝒅𝒂𝒅)
El procedimiento es el siguiente.
• Paso 1: Estimar el modelo inicial por MCO, y obtenga los residuos (𝑢̂𝑖 )
• Paso 2: Calcular el estimador de MV de la varianza
𝜎̃ 𝟐 = ∑ 𝑢̂𝑖2 ⁄𝒏
𝑝𝑖 = 𝑢̂𝑖2 ⁄𝜎̃ 𝟐
𝑝𝑖 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼𝑚 𝑍𝑚𝑖 + 𝑣𝑖
Si suponemos que los 𝑢𝑖 están normalmente distribuidos se demuestras que sí hay
homocedasticidad, y si el tamaño n de la muestra aumenta indefinidamente, entonces
𝚯~𝒙𝟐m−𝟏
Donde m es el número de variables incluidas en la regresión auxiliar.
Regla de decisión:
Contraste de Goldfeld-Quandt
Este contraste es muy sencillo y se aplica para muestras finitas (1995) se aplica cuando
sospechamos que la varianza del error aumenta con los valores de una variable 𝑋𝑖 , es decir,
cuando se supone que una única variable (típicamente uno de los regresores) provoca la
heterocedasticidad.
𝜎𝑖2 = 𝜎𝑢2 𝑍𝑖
𝑐=4 𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 = 30
𝑐 = 10 𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 = 60
𝑛
𝑐= 𝑝𝑎𝑟𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑔𝑟𝑎𝑛𝑑𝑒𝑠.
3
𝛼
7. La hipótesis 𝐻0 se rechaza al nivel de significancia 𝛼, si 𝐹𝑐 > 𝐹𝑚 1 −𝑘1 ,𝑚2 −𝑘2
(siendo
𝐹𝑑 el valor critico).
Cabe recalcar que tendrá poca potencia cuando C sea demasiado grande y por lo tanto
𝑆𝐶𝑅1y 𝑆𝐶𝑅2 tengan pocos grados de libertad; sin embargo, si C es pequeño, la potencia
será también escasa ya que se reducen las diferencias existente entre 𝑆𝐶𝑅1y 𝑆𝐶𝑅2 .
Contraste de Glesjer
Los estadísticos anteriores (de White, Goldfeld-Quandt) son capaces de darnos
información sobre el grado de igualdad de las varianzas de una serie de submuestras,
pero no modelizan el patrón heterocedástico que sigue la varianza de la perturbación.
Debemos tener en cuenta que para aplicar mínimos cuadrados generalizados resulta
indispensable conocer qué tipo de heterocedasticidad sigue la varianza de la
perturbación. Desde este punto de vista, parece conveniente utilizar métodos que nos
den alguna ayuda en este sentido.
Glesjer propone descartar la variación del error en función de una variable z, que
ahora pueden estar elevadas a una potencia " 𝛾 " que estaría comprendida entre
-1 y 1.
𝛾
𝜎𝑖 = 𝛼 + 𝛿𝑍𝑖 + 𝜈𝑖
2. Estimar cuatro regresiones para los valores absolutos del error del modelo
anterior, como sustituto de σi, en función de una variable elevada consecutivamente
a " γ ", que para cada modelo tomaría los valores -1, -0,5, 0,5 y 1.
𝛾
|𝑢̂𝑖 | = 𝛼 + 𝛿𝑍𝑖 + 𝜈𝑖
Glejser propone diversas relaciones funcionales donde se incluyen tantas formas funcionales
lineales y no lineales:
|𝑢̂𝑖 | = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
|𝑢̂𝑖 | = 𝛽1 + 𝛽2 √𝑋𝑖 + 𝑣𝑖
1
|𝑢̂𝑖 | = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋𝑖
1
|𝑢̂𝑖 | = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋
√ 𝑖
Inconvenientes
Goldfeld y Quandt establece que el término de error 𝑣𝑖 tiene algunos problemas; pues su
valor esperado diferente de cero 𝐸(𝑣𝑖 ) ≠ 0, está fuertemente correlacionado.
Los modelos de regresión propuestos por GLEJSER los modelos (5) y (6) no son lineales en
los parámetros por tanto no pueden estimarse mediante el procedimiento de MCO habitual.
GLEJSER descubrió que para muestras grandes, los cuatro primeros modelos suelen
dar resultados satisfactorios en la detección de la heterocedasticidad.
En la práctica, la técnica de GLEJSER es útil para muestras grandes, y en muestras
pequeñas sirve estrictamente como herramienta cualitativa para obtener una noción
sobre la heterocedasticidad.