Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Albert Gonzales Botin-Heterocedasticidad-Econometria Ii
Albert Gonzales Botin-Heterocedasticidad-Econometria Ii
UNIVERSIDAD NACIONAL
SANTIAGO ANTÚNEZ DE
MAYO
“Una Nueva Universidad para el
TEMA
QUIEBRE ESTRUCTURAL Y MODELO DE PRUEBA DE CHOW, DESARROLLE
UN EJEMPLO REAL.
CURSO: ECONOMETRÍA II
FACULTAD: ECONOMÍA Y CONTABILIDAD.
ESCUELA: ECONOMÍA.
DOCTOR: FERNANDEZ LOPEZ Carlos Enrique
ALUMNOS: GONZALES BOTIN Albert Emerson.
HUARAZ 2020
HETEROCEDASTICIDAD
1. DEFINICIÓN:
La heterocedasticidad significa que la varianza de las perturbaciones no es
constante a lo largo de las observaciones, eso quiere decir que la variabilidad es
diferente para cada observación, violando uno de los supuestos básicos del
MCRL.
La matriz de varianzas-covarianzas es diagonal.
Por consiguiente, se sigue verificando independientemente entre las
observaciones, aunque éstas no provienen de la misma población.
σ 21 … 0
(
Σ=diag ( σ 2 … σ 2T ) = : : :
0 … σ 2T )
2. HETEROSIDAD GRAFICAMENTE:
Si todas las varianzas son desconocidas, ¿Cuántos parámetros debemos estimar?
Esto nos obliga a que habitualmente debamos suponer algún tipo de forma funcional
que sigue la heterocedasticidad para de esta forma reducir el número de parámetros a
estimar.
3. CONSECUENCIAS:
Una pérdida de eficiencia de los estimadores mínimos cuadrado.
La varianza del estimador por MCO no es mínima.
4. EJEMPLO DE HETEROCEDASTICIDAD:
Una empresa decide invertir en bolsa. Analiza los riesgos de varios activos
comprobando que estos son diferentes, de hecho, el riesgo es proporcional al valor del
activo.
En este caso se dice que existe heterocedasticidad aditiva creciente.
Suponer que la heterocedasticidad tiene una determinada forma funcional implica que
existe una o más variables que afectan a la varianza de las perturbaciones.
Denominamos a ese conjunto de variables heteroauxiliares, o también variables
independientes de la ecuación de la varianza.
TIPOS DE HETEROCEDASTIICIDAD:
σ 2t = α 0 +α 1 σ 2t −1
Son test donde la hipótesis alternativa es que existe algún tipo de heterocedasticidad,
pero no es necesario explicar el modelo concreto de esa heterocedasticidad. Vamos a
considerar los siguientes.
Test Glesjer
Test de Golfeld y Quant.
Test de White.
Test de Breusch- Pagan (en realidad es mixto)
6. CASO PRACTICO.
Ob GV R
s
1 12 325
2 20 600
3 10 410
4 20 550
5 15 370
6 8 250
7 10 580
8 15 650
9 25 630
10 10 420
Estime un modelo lineal para explicar los gastos en viajes y detecte la posible
existencia de heterocedasticidad mediante los siguientes métodos:
b) Test de Glesjer
La estimación del modelo lineal que explica los gastos en viajes mediante la renta a
partir de las observaciones consideradas es:
(5´234) (0´0105)
En primer lugar, consideraremos los métodos gráficos. Así, en la figura (1) se tiene el
gráfico de dispersión de los residuos frente a cada observación, donde se puede
observar que los grupos de observaciones 1-6 y 7-10 tienen distinta varianza. Además,
en la figura (2), gráfico de dispersión de los residuos frente a la variable que se
sospecha provoca la heterocedasticidad en el modelo (que en este caso no puede ser
otra sino la renta), se observa que la variabilidad de los residuos aumenta conforme lo
hace la renta. Todo esto nos hace sospechar que hay heterocedasticidad en la
perturbación aleatoria del modelo y que ´esta viene determinada por la variable renta.
2
residuo
−2
−4
−6
−8
1 2 3 4 5 6 7 8 9 10
2
residuo
−2
−4
−6
−8
250 300 350 400 450 500 550 600 650
R
Cuadro 2: Información regresiones auxiliares
et GV Rt R R Rt−1
t1/2 t−1/2
t
a) Así, por ejemplo, empezando por el test de Glesjer, habrá que tener en cuenta la
in|formación de la tabla 2 para realizar las regresiones auxiliares:
|e t|=α 0 +α1 Rht + vt ,h=± 1, ± 1/2.
()( )
10 10 410
20 20 550
y= 15 x = 15 370
8 8 250
10 10 580
15 15 650
25 25 630
10 10 420
−1
^β= 10 4785
(
4785 2467825 ) (71440505 )=(−01 ´´3848
0027
−0 ´ 0027 . 14 5 = 1 ´ 9671
)(
0 ´ 00001 7 4050)( 0 ´ 0105 )
Entonces, para h = 1:
^
Var ( α^ ) =¿ 3 ´ 1827 −0 ´ 0062 ¿
( )
−0´ 0062 0 ´ 000129
Esto es:
|e^ t|=−1 ´ 5509+0 ´ 0105. Rt
(1´784) (0´0036)
0 ´ 0105
t exp= =2 ´ 9167>2 ´ 31=t 8 ( 0 ´ 975 )
0 ´ 0036
Para h = ½
−1
10 216 ´ 4 34 ´ 6783
α^ = ( 216 ´ 4 4785 ) .( 795´ 4088)
α^ = (−04 ´´7712
2158
216 ´ 4 34 ´ 6783 =¿ −6 ´ 2063
. )(
4785 795 ´ 4088 ) (
0 ´ 447 )
^
Var ( α^ ) =¿ 10´ 7084 −0 ´ 4844 ¿
( )
−0´ 4844 0 ´ 0224
Esto es:
0 ´ 447
t exp= =2 ´ 986> 2´ 31=t 8 ( 0 ´ 975 )
0 ´ 149
Para h = -1:
−1
10 0´ 0229
α^ = ( 0 ´ 0229 0´ 0001 ) .(340 ´´0687
6783
)
GVt 8 12 15 10 10 20 10 20 25 15
Rt 250 325 370 410 420 550 580 600 630 650
(1´501) (621´166)
1881´ 1
t exp= =3´ 0283> 2´ 31=t 8 ( 0 ´ 975 )
621´ 166
Como en todos los casos se rechaza la hipótesis de que sea nula, habrá heterocedasticidad en el
modelo.