HETEROSCEDASTICIDAD

AUTOCORRELACION

Ing. RUBEN FLORES GOMEZ

 HOMOSCEDASTICIDAD, o igual (homo) dispersión
(cedasticidad), es decir, igual varianza.
Un supuesto importante del modelo clásico de regresión
lineal es que la varianza de cada término de perturbación
ui, condicional a los valores seleccionados de las
variables explicativas, es algún número constante igual a
σ2.
AUTOCORRELACIÓN
se define como la “correlación entre miembros de series de
observaciones ordenadas en el tiempo [como en datos de
series de tiempo] o en el espacio [como en datos de corte
transversal]”
El modelo clásico de regresión lineal supone que no
existe tal autocorrelación en las perturbaciones ui
el término de perturbación relacionado con una observación
cualquiera no recibe influencia del término de perturbación
relacionado con cualquier otra observación.

HETEROSCEDASTICIDAD
1. Modelo de aprendizaje
de los errores
2. Ingreso discrecional
3. Se mejoran las técnicas
de recolección de datos
4. Presencia de datos
atípicos
5. Especificación del modelo:
Omisión de algunas variables
6. Asimetría en la distribución de
una o más regresoras
7. Incorrecta transformación de
los datos y forma funcional
incorrecta
¿por qué ocurren? Causas
AUTOCORRELACIÓN
A medida que la gente aprende, disminuyen Las observaciones sucesivas puede que sean
interdependientes. (series PNB, Producción, empleo,
sus errores de comportamiento con el 1. Inercia
tiempo. desempleo)
A medida que aumentan los ingresos tiene Variables que no se incluyeron en el modelo por
mayores posibilidades de decidir cómo 2. Variables diversas razones. la inclusión de estas, elimina el patrón
disponer de su ingreso excluidas de correlación observado entre los residuales
Es probable que la varianza se reduzca
por lo presencia de equipos complejos de 3. Forma funcional
procesamiento de información que incorrecta
conlleven a cometer menos errores
4. Fenómeno de la La oferta reacciona al precio con un rezago de un
Es muy diferente (muy pequeña o muy periodo (Productos Agropecuarios)
telaraña
grande) en relación con las
demás observaciones en la muestra. Se conoce como autorregresión porque una variable
5. Rezagos explicativa es el valor rezagado de la variable dependiente
Se omiten del modelo algunas variables
importantes
El ingreso y la riqueza en la mayoría 6. “Manipulación” Los datos trimestrales provienen de datos
de las sociedades es desigual de datos mensuales. La interpolación de datos.
Las transformaciones de razón o de 7.Transformación de datos Primeras diferencias
primeras diferencias. modelos lineales
frente a modelos log-lineales. 8. No estacionariedad
 Consecuencias
AUTOCORRELACIÓN
HETEROSCEDASTICIDAD

Los intervalos de confianza serán innecesariamente

grandes.
Es probable que las pruebas t y F den resultados
imprecisos, y lo que parece un coeficiente
estadísticamente no significativo (pues el valor t es más
bajo de lo apropiado), de hecho puede resultar
significativo si se establecen intervalos de confianza
correctos con base en el procedimiento de MCG.

La var β2 es un estimador sesgado.

ya no es posible depender de los intervalos de confianza
calculados convencionalmente ni de las pruebas t y F
tradicionales.
Si insistimos en los procedimientos de prueba usuales a
pesar de la presencia de heteroscedasticidad, las
conclusiones o inferencias que obtengamos pueden ser
muy equivocadas.
 Detección de la heteroscedasticidad
AUTOCORRELACIÓN
HETEROSCEDASTICIDAD

Métodos informales I. Método gráfico

Naturaleza del problema II. Prueba de “las rachas”
Método gráfico III. Prueba d de Durbin-Watson
IV. Una prueba general de autocorrelación:
Métodos formales la prueba de Breusch-Godfrey (BF)
Prueba de Park
Prueba de Glejser
Prueba de correlación de orden de Spearman
Prueba de Goldfeld-Quandt
Prueba Breusch-Pagan-Godfrey
Prueba general de heteroscedasticidad de White
 Medidas correctivas
HETEROSCEDASTICIDAD
Cuando se conoce σ2 corregir la heteroscedasticidad es
con los mínimos cuadrados ponderados, pues los
estimadores obtenidos mediante este método son MELI.
Varianzas y errores estándar consistentes con
heteroscedasticidad de White. Los errores estándar de
White corregidos mediante heteroscedasticidad también
se conocen como errores estándar robustos
Supuestos razonables sobre el patrón de
heteroscedasticidad. además de ser de muestras
grandes, es que los estimadores obtenidos por este
medio pueden no ser tan eficientes
AUTOCORRELACIÓN
1. Trate de averiguar si se trata de autocorrelación pura y no el resultado de una
mala especificación del modelo. A veces se observan patrones en los
residuos porque el modelo está mal especificado —es decir, se excluyeron
variables importantes—o porque su forma funcional no es correcta.
2. Si se trata de autocorrelación pura, se puede utilizar una transformación
apropiada del modelo original de manera que en el modelo transformado no se
presente el problema de la autocorrelación (pura). Emplear algún método
generalizado de mínimos cuadrados (MCG).
3. En muestras grandes se puede utilizar el método Newey-West para obtener
los errores estándar de los estimadores de MCO corregidos para
autocorrelación. Este método en realidad es una extensión del método de
errores estándar consistentes con heteroscedasticidad de White
4. En algunas situaciones se puede conservar el método MCO.
Debido a la importancia de cada uno de estos temas, les dedicamos una
sección
 PRUEBAS - HETEROSCEDASTICIDAD

Se aplicable si se supone que la varianza heteroscedástica,

Prueba de Goldfeld- está relacionada positivamente con una de las variables
explicativas en el modelo de regresión.
Quandt
Postula que la varianza es proporcional al cuadrado de la
variable X

mientras mayores fueran los valores de Xi. Si éste resulta ser
el caso, es muy probable que haya heteroscedasticidad en el
modelo. Para probar esto explícitamente, Goldfeld y Quandt
sugieren los siguientes pasos
Paso 1. Ordene las observaciones de acuerdo con los valores de Xi, a partir del
valor más bajo de X.
Paso 2. Omita las c observaciones centrales, donde c se especificó a priori, y
divida las observaciones restantes (n − c) en dos grupos, cada uno de (n − c)/2
observaciones.
Paso 3. Ajuste regresiones MCO separadas a las primeras (n − c)/2 observaciones
y a las últimas (n − c)/2 observaciones, y obtenga las respectivas sumas de
cuadrados residuales
Paso 4. Calcule la razón

λ sigue la distribución F con un número de gl en el numerador y uno en el denominador

iguales a (n − c − 2k)/2.

Si en una aplicación λ ( F) calculada es superior al F crítico en el nivel de significancia

seleccionado, podemos rechazar la hipótesis de homoscedasticidad, es decir, podemos
afirmar que la heteroscedasticidad es muy probable