Está en la página 1de 2

Definición

En estadística se dice que un modelo de regresión lineal presenta


heterocedasticidad cuando la varianza de los errores no es constante en todas las
observaciones realizadas.

Esto implica el incumplimiento de una de las hipótesis básicas sobre las que se
asienta el modelo de regresión lineal.

De ella se deriva que los datos con los que se trabaja son heterogéneos, ya que
provienen de distribuciones de probabilidad con distinta varianza.

Existen diferentes razones o situaciones en las que cabe encontrarse con


perturbaciones heteroscedásticas. La situación más frecuente es en el análisis de
datos de corte transversal, ya que los individuos o empresas o unidades económicas
no suelen tener un comportamiento homogéneo.

Otra situación en la que se presenta heteroscedasticidad es en muestras cuyos datos


son valores que se han obtenido agregando o promediando datos individuales.

Consecuencias de la heterocedasticidad
Las principales consecuencias que derivan del incumplimiento de la hipótesis de
homocedasticidad en los resultados de la estimación de mínimos cuadrados son:

Heterocedasticidad y Homocedasticidad.
Error en el cálculo del estimador de la matriz de varianzas y covarianzas de los
estimadores de mínimos cuadrados.
Pérdida de eficiencia en el estimador mínimo cuadrático.
Por lo demás, los estimadores de mínimos cuadrados siguen siendo insesgados pero ya
no eficientes, es decir que los estimadores ya no serán de varianza mínima.}

Representación matemática de la heterocedasticidad


En matemáticas, la heterocedasticidad se representa así:

Para que se cumpliera la hipótesis de la heterocedasticidad, y atendiendo a la


formulación anterior, debemos decir que a iguales varianzas de “u” para los
distintos valores de “x” implica necesariamente igual dispersión (varianza) de “y”
para distintos valores de “x”2 lo que implica necesariamente que la recta de
regresión de “Y” sobre “X” va a representar con igual precisión la relación entre
“x” e “y” independientemente de los valores de “x”.

También se presenta heterocedasticidad en aquellas muestras donde sus elementos son


valores que se han ido agregando sobre datos individuales.

Un ejemplo gráfico de la heterocedasticidad sería este:

onsecuencias de la heterocedasticidad
Las consecuencias que emanan del incumplimientos de las hipótesis de
heterocedasticidad en los resultados sobre la EMC (estimación de mínimos cuadrados)
son:

Existen errores en los cálculos del estimador de la matriz de varianzas y


covarianzas de los estimadores de mínimos cuadrados.
Se suele perder eficiencia sobre el estimador cuadrático mínimo.
En general, y al margen de lo anterior, los estimadores de mínimos cuadrados siguen
siendo insesgados aunque ya no eficientes, esto es, que los estimadores ya no
tendrán varianza mínima.
Diferencias entre homocedasticidad y heterocedasticidad
La heterocedasticidad se diferencia de la homocedasticidad en que en ésta la
varianza de los errores de las variables explicativas es constante a lo largo de
todas las observaciones. A diferencia de la heterocedasticidad, en los modelos
estadísticos homeostáticos el valor de una variable puede predecir otra, si el
modelo es insesgado, y por tanto los errores son comunes y constantes durante el
estudio.

Las situaciones principales en las que aparecen perturbaciones heterocedásticas son


los análisis con datos de corte transversal donde los elementos seleccionados, ya
sean empresas, individuos o elementos económicos no tienen un comportamiento
homogéneo entre ellos.