Econometría básica Heterocedasticidad 1

CAPITULO 6
HETEROCEDASTICIDAD

6.1 NATURALEZA

Uno de los supuestos del modelo clásico es que,

var(i )  E[ i  E ( i )]2  E ( i2 )   2 es constante para cada observación.

Es decir, todos los términos de error tienen la misma varianza. El que este
supuesto no se cumpla se conoce como heterocedasticidad de las
perturbaciones.

Existen diversas razones por las que puede producirse la

heterocedasticidad de las perturbaciones:

a) Razones lógicas

Son aquellas relacionadas a modelos de corte transversal. Cuando se

trabaja con datos de corte transversal es habitual encontrarse con
oscilaciones importantes en la renta de los individuos, los tamaños de las
empresas o la riqueza de las diferentes regiones:

EJEMPLO 1:

Si nuestro propósito es analizar los costos de producción de una

determinada industria, con información de corte transversal, es posible
que las empresas de mayor escala de planta, tengan una mayor
diversificación de los costos, parte de los cuales no suelen cuantificarse
con exactitud. De modo que a mayor escala de planta es posible que se
tenga una mayor dispersión en cuanto a costos.

EJEMPLO 2:

Supongamos que tenemos datos de renta y de gasto en alimentación para un

número grande de familias. Si representamos en un gráfico el gasto en
alimentación frente a la renta es de esperar que encontremos heterocedasticidad.
Probablemente, la dispersión en el gasto en alimentación para diferentes niveles
de renta aumente con la renta. Las familias pobres tienen menos flexibilidad en su
nivel de gasto en alimentación, de manera que veremos poca dispersión en el
gasto de alimentación para dichas familias. Por el contrario, cabe esperar que
algunas familias ricas gasten mucho en alimentación (por ejemplo, comiendo
caviar o cenando a menudo en restaurantes caros) y que otras familias ricas con
preferencias diferentes gasten mucho menos en alimentación, destinando su renta
a otros usos. Así, con datos de corte transversal, cuando se realizan
estudios de presupuesto familiar asociados a su capacidad de consumo,
Econometría básica Heterocedasticidad 2

lo que ocurre, generalmente, es que a mayores niveles de ingreso las

familias tienen un mayor número de posibilidades de utilizar su ingreso,
por tanto, puede crecer la dispersión absoluta e incluso relativa de los
gastos de consumo. En consecuencia,  i puede aumentar con el nivel
2

de ingreso.

EJEMPLO 3:

Supongamos que 100 estudiantes se apuntan a una clase de mecanografía.

Supongamos además que algunos han escrito a máquina antes y otros no lo han
hecho nunca. Al acabar la primera clase, algunos estudiantes mecanografían fatal
y otros lo hacen bastante bien.

Si construyéramos un gráfico mostrando los errores tipográficos cometidos por los

estudiantes con respecto a las horas acumuladas de mecanografía, veríamos que la
dispersión de los errores tipográficos disminuye a medida que la variable
explicativa (el número de horas acumuladas de mecanografía) aumenta. La
diferencia en los errores cometidos entre el mejor y el peor de la clase será
probablemente más pequeña después de la última clase que después de la primera
clase.

b) Errores de cuantificación y Especificación

Con series de tiempo, a medida en que mejoran las técnicas de

recolección de datos, es probable que  i2 tienda a disminuir. Por tanto,
instituciones que cuentan con equipos de procesamiento de información
muy sofisticados probablemente tiendan a cometer menos errores que
aquellas instituciones que no poseen este tipo de herramientas.

Por último, una especificación errónea del modelo o la presencia de algún

tipo de cambio estructural puede ser motivo de un comportamiento
sistemático distinto del término de error de unos períodos a otros.

6.2 PROPIEDADES DE LOS ESTIMADORES MÍNIMOCUADRÁTICOS

Considerando que existe heterocedasticidad el modelo de dos variable

tradicional ahora debe plantearse del siguiente modo:

Yi  1   2 X 2i   i [6.1]

Donde:

E (i )  0
E (i  j )  0
E (  i2 )   i2
Econometría básica Heterocedasticidad 3

El último supuesto implica que la variación de la perturbación puede variar

de una observación a otra. ¿Cuáles son los efectos de este cambio sobre
las propiedades de los estimadores mínimo cuadráticos? Para verificar la
posible existencia de algunos cambios, consideremos en primer lugar la
propiedad de insesgadez.

Siendo el estimador mínimo cuadrático:

ˆ 2 
x y 2i i
[6.2]
x 2
2i

ˆ 2 
x Y 2i i

x 2
2i

ˆ 2 
 x (
2i 1   2 X 2i   i )
x 2
2i

ˆ 2  1  2 2i  2  22i 2i   2i2 i
 x  x X x 
 x2 i  x2 i  x2 i
ˆ 2   2 
 x2i  i [6.3]
 x22i
Por tanto,

E ( ˆ 2 )   2 
 x E ( )
2i i

x 2
2i

E ( ˆ 2 )   2 [6.4]

Del mismo modo,

ˆ1  Y  ˆ 2 X 2

ˆ1  1   2 X 2    ˆ 2 X 2

E ( ˆ1 )  E ( 1 )  X 2 E (  2 )  E (  )  X 2 E ( ˆ 2 )

E ( ˆ1 )  1   2 X 2   2 X 2

E ( ˆ1 )  1 [6.5]

Es decir, aun en condiciones de heterocedasticidad, los estimadores

mínimo cuadráticos son insesgados. Ahora ¿La varianza de este
estimador sigue siendo la misma?
Econometría básica Heterocedasticidad 4

Al respecto, de la relación [6.3] se deduce que,

ˆ 2   2 
x  2i i

x 2
2i

Por lo cual la varianza de ̂ 2 esta dado por la expresión:

Var ( ˆ 2 )  E ( ˆ 2   2 ) 2

  x 2i  i
2

Var ( ˆ 2 )   
  x2 
 2i 

De donde,

Var ( ˆ 2 )  x  2
21 i
2

[6.6]
( x ) 2 2
2i

¿Es posible mostrar que la varianza dada por (6.6) es mínima?

Consideremos el siguiente estimador lineal arbitrario,

ˆ
̂ 2   ciYi [6.7]
ˆ
E ( ˆ 2 )  1  ci   2  ci X i   ci E ( i )
ˆ
E ( ˆ 2 )  1  ci   2  ci X i
ˆ
E ( ˆ 2 )   2

el cual será insesgado solo bajo la siguiente restricción,

c  0i

c X 1
i i

La varianza de ̂ˆ 2 esta dado por la expresión:

Var ( ˆ 2 )  E[ ciYi  E ( ciYi )]2

ˆ
Var ( ˆ 2 )  E[ ci (Yi  E (Yi )]2
ˆ
Var ( ˆ 2 )  E[ ci  i ]2
ˆ
Var ( ˆ 2 )   ci2 i2 [6.8]
Econometría básica Heterocedasticidad 5

Para obtener las ponderaciones ci que minimizan la Var ( ˆ 2 ) de tal modo

que a su vez se cumple las condiciones de  ci  0 y  ci X i  1 ? Se
utiliza los multiplicadores de Lagrange, mediante el cual podemos
establecer la siguiente función:

L   ci i2  1 ( ci )  2 ( ci X i  1)

Por la condición de primer orden, derivamos esta última función con

respecto a ci , 1 y 2 e igualando a cero se obtiene:

2c1 12  1  2 X 21  0
2c2 22  1  2 X 22  0
...
2cn n2  1  2 X 2 n  0
  ci  0
  ci X i  1  0

Obsérvese que se tiene (n+2) ecuaciones con igual número de incógnitas.

Ahora, despejando cada ci obtenemos:

1   X
c1  [ 12  2 2 21 ]
2 1 1
1   X
c2  [ 12  2 2 22 ]
2 2 2
...

1   X
cn  [ 12  2 22 n ]
2 n n
cuya expresión general es:

1   X
ci  [ 12  2 2 2i ] [6.9]
2 i i

Luego su suma es:

1 1 X
c i  [1  ( 2 )  2  ( 22i )]
2 i i
[6.10)

Multiplicando (6.10) por X 2i ambos miembros tenemos:

1 X 2i X 22i
 i 2 i 2 1   2 2   2 )]
c X  [  ( )   (
i i
Econometría básica Heterocedasticidad 6

Como c i 0 y c Xi i  1 entonces,

1 1 X
0  [1  ( 2 )  2  ( 22i )] [6.11]
2 i i
1 X X2
1  [1  ( 22i )  2  ( 22i )] [6.12]
2 i i

Por tanto, la solución del sistema [6.11] y [6.12] para 1 y 2 es:

X 2i
 2 ( )]
 i2
1  [6.13]
1 X2 X
[ ( 2 )][ ( 22i )]  [ ( 22i )]2
i i i
X
2 ( 22i )]
i
2  2 [6.14]
1 X X
[ ( 2 )][ ( 22i )]  [ ( 22i )]2
i i i

Reemplazando (6.13) y (6.14) en (6.7) tenemos:

1 X X 1
2 
)[ ( 22i )  ( 22i ) ( 2 )]
(
i i i i
ci  2 [6.15]
1 X X
[ ( 2 )][ ( 22i )]  [ ( 22i )]2
i i i
Entonces, estas son las ponderaciones que minimizan la Var ( ˆˆ 2 ) . Sí
reemplazamos estas ponderaciones en la relación lineal definida por [6.6],
obtenemos,

ˆ
ˆ 2 
 (1 /  )[ ( X Y / 
i
2
2i i i
2
)   ( X 2 i /  i2 ) (Yi /  i2 )
[6.16]
[ (1 /  )][ ( X /  i2 )]  [ ( X 2i /  i2 )]2
2 2
i 2i

Del mismo modo, reemplazando [6.15] en [6.8] tenemos:

ˆ
Var ( ˆ 2 ) 
 (1 /  i
2
)
[6.17]
[ (1 /  i2 )][ ( X 2i /  i2 )]  [ ( X 2i /  i2 )]2
2

En conclusión, cuando existe heterocedasticidad, los estimadores mínimo

cuadráticos no poseen la menor varianza dentro de la clase de
estimadores insesgados y por lo tanto no son eficientes.
Econometría básica Heterocedasticidad 7

Por lo expuesto, existen tres posibilidades para estimar  2 :

El primero, aun cuando existe heterocedasticidad suponer que esta no

existe y proceder a utilizar las fórmulas convencionales dadas por:

ˆ 2  yx i 2i

x 2
2i

 2
Var ( ˆ 2 ) 
 x22i
El segundo, suponer que existe heterocedasticidad y utilizar las siguientes
fórmulas:

ˆ 2  yx i 2i

x 2
2i

Var ( ˆ )  
x  2
21 i
2

( x )
2 2 2
2i

Y finalmente, considerar que existe heterocedasticidad y utilizar las

siguientes fórmulas:

ˆ
ˆ 2 
 (1 /  )[ ( X Y /  )   ( X /  ) (Y / 
i
2
2i i i
2
2i i
2
i i
2
)
[ (1 /  )][ ( X /  )]  [ ( X /  )]
2 2 2 2 2
i 2i i 2i i

ˆ
Var ( ˆ ) 
 (1 /  ) i
2

[ (1 /  )][ ( X /  )]  [ ( X /  )]
2 2 2 2 2 2
i 2i i 2i i

Evidentemente, este último procedimiento es el más adecuado para

estimar un modelo en presencia de heterocedasticidad. Pero, ¿Qué
método es este? Este método es conocido como mínimos cuadrados
ponderados el cual nos proporciona estimadores eficientes. El criterio de
este método es el siguiente:

Dado el siguiente modelo:

Yi  1   2 X 2i  i [6.18]

Donde:
Econometría básica Heterocedasticidad 8

E (i )  0
E (i  j )  0
E (  i2 )   i2

Bajo el supuesto de que se conocen las varianzas heterocedásticas de las

perturbaciones,  i2 , dividiendo el modelo [6.18] por  i2 se obtiene:

Wi  1Z1i   2 Z 2i   i* [6.19]

Donde las variables transformadas corresponden a las variables

originales divididas por el valor conocido  i2

Una característica importante de este procedimiento es pasar de un

modelo heterocedástico utilizando variables originales a un modelo
homocedástico con variables transformadas, es decir, sí:

i 2
Var ( i* )  E ( )
i
Entonces,

1
Var ( i* )  E ( i ) 2
i2

Var (  i* )  1 Es una constante.

De este modo, si se mantienen los demás supuestos, solo queda aplicar

el método de mínimos cuadrados ordinarios en el modelo “transformado”
dado por [6.19] y obtener estimadores, lineales, insesgados y de varianza
mínima. Por tanto, aplicando el MMCO para la estimación de los
parámetros de a relación [6.19] tenemos:

e 2
i   (Wi  ˆ1Z1i  ˆ 2 Z 2i ) 2

  ei2
 2 (Wi  ˆ1Z1i  ˆ 2 Z 2i )( Z1i )  0
ˆ1
  ei2
 2 (Wi  ˆ1Z1i  ˆ 2 Z 2i )( Z 2i )  0
ˆ 2

De donde se deduce las siguientes ecuaciones normales:

W Z i 1i  ˆ1  Z12i  ˆ 2  Z 2i Z1i

W Z  ˆ1  Z1i Z 2 i  ˆ 2  Z 2 i
2
i 2i

Cuya solución para ̂ 2 es:

Econometría básica Heterocedasticidad 9

ˆ 2  W Z  Z  W Z  Z
i 2i
2
1i i 1i 1i Z 2i
 Z  Z  ( Z Z )
2 2 2
2i 1i 2i 1i

Siendo:

Yi
Wi 
i
1
Z1i 
i
X 2i
Z 2i 
i

Entonces,

ˆ 2 
 (1 /  )[ ( X Y / 
i
2
2i i i
2
)   ( X 2i /  i2 ) (Yi /  i2 )
[6.20]
[ (1 /  )][ ( X /  i2 )]  [ ( X 2i /  i2 )]2
2 2
i 2i

Var (ˆ 2 ) 
 (1 /  i
2
)
[6.21]
[ (1 /  )][ ( X 2i /  )]  [ ( X 2i /  i2 )]2
2 2 2
i i

Nótese que estas dos últimas fórmulas deducidas son exactamente

iguales a [6.16] y [6.17].

6.3 PROPIEDADES DE LAS VARIANZAS ESTIMADAS DE LOS

ESTIMADORES MÍNIMOCUADRÁTICOS

Como se ha mostrado, en condiciones de heterocedasticidad, los

estimadores mínimos cuadráticos de los coeficientes de regresión son
insesgados pero no eficientes (es decir, no tienen varianza mínima). Por
tanto, si el término de perturbación es heterocedastico y no lo sabemos (o
lo sabemos pero no lo tomamos en cuenta) y usamos las formulas
convencionales dadas por [6.2] y [6.6] los estimadores resultantes tendrán
solo una propiedad deseable. El problema se complica cuando se trata de
utilizar estos estimadores para la prueba de hipótesis o para construir
intervalos de confianza, por que no solo se requiere que estos
estimadores sean insesgados sino que sus varianzas también lo sean. En
caso contrario, las pruebas de hipótesis no son válidas y los intervalos
construidos resultan incorrectos. ¿Es posible mostrar que las varianzas de
los estimadores mínimos cuadráticos son insesgados? Si no lo son ¿Cuál
es el sesgo? ¿De qué depende este sesgo?

La varianza del estimador mínimo cuadrático ̂ 2 considerando

homocedasticidad es,
Econometría básica Heterocedasticidad 10

 (Y  ˆ
i 1  ˆ2 X 2i ) 2
S 2ˆ  n2
2
 x22i
¿Este mismo estimador es insesgado en presencia de
heterocedasticidad? Para responder esta pregunta es necesario calcular
su esperanza matemática.

E  (Yi  ˆ1  ˆ 2 X 2i ) 2
E ( S 2ˆ )  n2
2
 x22i
En consecuencia,

E  (Yi  ˆ1  ˆ2 X 2i ) 2  E[ ( 1   2 X 2i  i  ˆ1  ˆ2 X 2i ) 2 ]

E  (Yi  ˆ1  ˆ2 X 2i ) 2   E[( ˆ1  1 )  ( ˆ2   2 )X 2i  i ]2

E (Y  ˆ  ˆ X ) 2 
i 1 2 2i 
E[( ˆ   )  ( ˆ   )X   ]2
1 1 2 2 2i i

Como,

ˆ1   1  Y  ˆ 2 X 2  Y   2 X 2    ( ˆ 2   2 ) X 2  

Reemplazando,

E  (Yi  ˆ1  ˆ2 X 2i ) 2   E[( ˆ 2   2 ) x 2i  i   ]2

E  (Yi  ˆ1  ˆ2 X 2i ) 2   x22i E ( ˆ2   2 ) 2  E  ( i   ) 2  2 E ( ˆ 2   2 ) x2 i ( i   )
En presencia de heterocedasticidad se tiene que,

E ( ˆ 2   2 ) 2 
x  2i i
2

[ x ] 2 2
2i

E  (  i   ) 2  E[  i2  2    i    2 ] E[  i2  n 2 ]
1 1
E  (  i   ) 2   E (  i2 )  E[  i ] 2    i2    i2
n n

Y además,

E ( ˆ 2   2 ) x 2i (  i   )  E ( ˆ 2   2 ) x 2i  i  E ( ˆ 2   2 )   x 2i

E ( ˆ 2   2 ) x 2i (  i   )  E ( ˆ 2   2 ) x 2i  i  E[
 x 2i  i
x i ]
 x22i
2i

( x 2 i  i ) 2
1 x  2 2

E ( ˆ 2   2 ) x 2i (  i   )  E[ E ( x 2 i  i ) 2 
2i i
]
 x22i  x2i
2
x 2
2i
Econometría básica Heterocedasticidad 11

Reemplazando

E  (Yi  ˆ1  ˆ 2 X 2i ) 2 
x  2 2

   i2 
1  x22i i2
 i
2i i
 2
 2
x 2
2i n  x22i
1
E  (Yi  ˆ1  ˆ 2 X 2i ) 2    i2    i2 
 x 2 i i 2 2

n  x22i
Finalmente siendo,

E  (Yi  ˆ1  ˆ 2 X 2i ) 2
E ( S 2ˆ )  n2
2
 x22i
Entonces,

E  (Yi  ˆ1  ˆ 2 X 2i ) 2
E ( S 2ˆ )  n2
2
 x22i
1  x22i i2 n x 22i   i2  x 22i   i2  n x 22i i2
  i2   i
 2

S 2

n  x22i 
n x 22i
ˆ 2
( n  2) x 22i (n  2) x 22i

 n x 22i i2  (n  1) x 22i   i2

S 2ˆ 
2
n(n  2)[ x 22i ] 2
Como este estimador de la varianza de ̂ 2 no es igual a la expresión
obtenida por el método de mínimos cuadrados ordinarios suponiendo
homocedasticidad, llegamos a la conclusión de que la varianza calculada
de forma convencional está sesgada cuando la perturbación es
heterocedástica. Esto significa que si efectuamos el análisis de regresión
basándonos en la idea equivocada de que la perturbación es
homocedástica, las inferencias acerca de los coeficientes de la población
serán incorrectos. El sesgo viene dado por

 n x 22i i2  ( n  1) x 22i   i2 x  2 2

S 2ˆ  Var ( ˆ 2 ) 
2i i

2
n( n  2)[ x 22i ] 2 [ x ] 2 2
2i

 n( n  1) x 22i  i2  (n  1) x 22i   i2

S 2ˆ  Var ( ˆ 2 ) 
2
n( n  2)[ x 22i ] 2

Es evidente que la dirección del sesgo depende del signo de esta

expresión. Para n>2, el denominador será siempre positivo y, por tanto, el
signo decisivo será el del numerador. Este signo depende del tipo de
Econometría básica Heterocedasticidad 12

relación que existe entre xi y  i . Por ejemplo, si  i  a  bxi , donde

2 2

b  0 , el sesgo es negativo. Es decir, si x i y  i2 .se hallan positivamente

asociadas, el sesgo es negativo y el uso de los errores estándar calculado
de forma convencional tenderá a producir regiones de aceptación e
intervalos de confianza más estrechos que los correctos, lo cual significa
que la probabilidad de rechazar la hipótesis nula, siendo esta cierta, será
mayor que la indicada por el nivel de significación que se mencione.

6.4 CONSECUENCIAS DEL PROBLEMA DE HETEROCEDASTICIDAD

Si es que estimamos el modelo asumiendo que existe heterocedasticidad

y se conocen los  i es necesario tomar en cuenta que:
2

ˆ
Var ( ˆ 2 )  Var ( ˆ 2 )

Lo cual implica que los intervalos de confianza basados en la primera

serán innecesariamente mayores. Asimismo, las pruebas t y F
posiblemente mostrarán resultados inexactos puesto que la Var ( ˆ 2 ) es
excesivamente grande y aparentemente será estadísticamente no
significativo pudiendo ser significativo si los correctos intervalos de
confianza se establecieran utilizando el método de mínimos cuadrados
ponderados.

Si es que estimamos el modelo asumiendo que no existe

heterocedasticidad el problema se complica. Este es el caso por lo
general común.

En el modelo siguiente:

Yi   1   2 X 2i   i

Si aplicamos MCO asumiendo que existe homocedasticidad en un caso

en que existe heterocedasticidad la varianza de ̂ 2 será:

ˆ
 2
Var (  2 ) 
 x22i
Esta varianza será un estimador sesgado de Var ( ˆ 2 ) , lo que implica que,
en promedio, se está sobreestimando o subestimando esta última. Como
ya sostuvimos el sesgo depende de la relación existente entre  i y la
variable exógena X i

Por las consideraciones anteriores, no podemos basarnos en los

intervalos de confianza, ni en las pruebas t y F utilizadas
convencionalmente por que podemos cometer serios errores.
Econometría básica Heterocedasticidad 13

6.5 IDENTIFICACION DEL PROBLEMA DE HETEROCEDASTICIDAD

Como generalmente no es posible conocer  i para un modelo de

2

regresión determinado:

 No existe una regla fija para determinar la existencia del problema de

heterocedasticidad
 Existen algunas reglas para detectar la existencia del problema de
heterocedasticidad, la mayoría de las cuales están basados en el
examen de los errores muestrales del MMCO.
 Estos exámenes requieren que el tamaño muestral sea relativamente
grande a fin de que los errores muestrales, ei , sean buenas
estimaciones de  i .

Los procedimientos usuales para detectar si existe o no existe

heterocedasticidad en un modelo determinado son los siguientes:

a) Naturaleza del problema

En las series de corte transversal que involucren unidades

heterogéneas, la existencia de un problema de heterocedasticidad,
puede ser la regla antes que la excepción.

b) Método gráfico

 Calcular la regresión bajo el supuesto de que no existe

heterocedasticidad
 Aun cuando ei2 y  i2 no son la misma cosa, si la muestra es
suficientemente grande, considerarla como una aproximación
2
 Graficar ei en función de X i (o Yi ) para verificar la existencia
de algún patrón sistemático que los relacione.

c) Prueba de Park

A través de esta prueba, se formaliza el método gráfico, asumiendo

que:

 i2   2 X i e 

El cual puede ser escrito también como,

Ln i2  Ln 2  LnX i   i

Como antes, dado que  i2 es desconocida se usa ei2 como una

aproximación y se estima el siguiente modelo de regresión:
Econometría básica Heterocedasticidad 14

Lnei2  Ln 2  LnX i   i

Si  es estadísticamente significativo ello implica la existencia de
heterocedasticidad.

d) Prueba de Glejser

Este método nos propone:

 Obtener los errores muestrales bajo el supuesto de que existe
homocedasticidad mediante el MMCO.
 Regresionar los valores absolutos de los errores muestrales con
la variable exógena con la cual se sospecha que esté asociada
utilizando las siguientes relaciones funcionales:

ei   1   2 X i   i
ei   1   2 X i  i
1
ei   1   2  i
Xi
1
ei   1   2  i
Xi
ei  1   2 X i   i
ei   1   2 X i2   i

e) Prueba de correlación de rango de Spearman

 Estimar el modelo Yi   0   1 X i   i y obtener los errores

muestrales, ei .
 Determinar el coeficiente de correlación de rango Spearman,
  d i2 
rS  1  6   , del valor absoluto de los errores y la
 n(n  1) 
2

variable exógena.

 Realizar la siguiente prueba de hipótesis:

Ho :  0 No existe heterocedasticidad
Ha : 0 Existe heterocedasticidad

Donde:

 es el coeficiente de correlación de rango Spearman

poblacional.

 Utilizar el siguiente estadístico de prueba:

Econometría básica Heterocedasticidad 15

rS n  2
t n2 
1  rS2

f) Prueba de Goldfeld-Quandt

Consiste en suponer que la varianza heterocedástica  i está

2

positivamente relacionada con una de las variables explicativas. En

el modelo de regresión:

Yi   0   1 X i   i

Suponiendo que:

 i2  X i2

 Ordenar las observaciones de menor a mayor de acuerdo con

los valores de la variable exógena X i .
 Omitir “c” observaciones centrales y dividir el resto de
observaciones en dos muestras iguales.
 Estimar el modelo propuesto con base a las observaciones de
cada muestra.
 Obtener la suma de los errores muestrales al cuadrado en cada
muestra.
 Utilizar el siguiente estadístico de prueba:

e 2
2i

nc
k
F 2
 e12i
nc
k
2

h) Prueba de White

Considerando el siguiente modelo de regresión:

Yi   1   2 X 2i   3 X 3i   i

 Estimar los errores muestrales del modelo propuesto

 Efectuar la siguiente regresión auxiliar:

ei2   1   2 X 2i   3i X 3i   4 X 22i   5 X 32i   6 X 2i X 3i  vi

 Utilizar el estadístico de prueba:

Econometría básica Heterocedasticidad 16

 k2  nR 2

i) Prueba de Breusch-Pagan

Considere el modelo de k variables:

Yi  1   2 X 2i ,...,  k X ki  i

suponiendo que la varianza del error  i se describe como:

2

 i2  f ( 1   2 Z 2i  ...   m Z mi )

Es decir, que  i es cierta función de las variables Z no

2

estocásticas; algunas o la totalidad de las X pueden utilizarse

como variables Z . Específicamente suponga que:

 i2   1   2 X 2i  ...   m X mi

Es decir,  i es una función lineal de las Z .

2

Por tanto, para evaluar si  i2 es homocedástica, se puede evaluar

la hipótesis de que:

 2   3  ...   m  0

El procedimiento en la práctica es el siguiente:

 Estimar el modelo y obtener los residuos ei

Obtener ˆ    ei N
2 2


 Construir las variables pi , las cuales se definen como:

ei2
pi  2
ˆ 
 Efectuar la regresión de pi en función de las Z :
pi  1   2 Z 2i  ...   m X mi  vi
 Obtener la suma de cuadrados explicada por la regresión
anterior (SCE) y definir:

  1 2 ( SCE )

Si existe homocedasticidad y el tamaño de la muestra N aumenta

indefinidamente, entonces:

 ~  m2 1
Econometría básica Heterocedasticidad 17

Si    m 1 (de tablas al nivel de significancia escogido)

2

Se puede rechazar la hipótesis de homocedasticidad.

6.6 REMEDIOS ANTE LA PRESENCIA DE HETEROCEDASTICIDAD

En la práctica si se quiere utilizar el método de mínimos cuadrados

ponderados se tiene que recurrir a ciertos supuestos razonables sobre
 i2 para poder transformar el modelo original de manera de que cumpla
con el supuesto de homocedasticidad.

Si se tiene el siguiente modelo:

Yi   0   1 X i   i

Es posible considerar los siguientes supuestos:

SUPUESTO 1:

E (  i2 )   2 X i2

Dividiendo el modelo original por X i :

Yi 1 
 0  1  i
Xi Xi Xi

Yi 1
 0   1  vi
Xi Xi
Donde, obviamente vi es el término de perturbación para el modelo
transformado. Es relativamente fácil mostrar que el modelo transformado
es homocedástico:

i 2 1
)  2 E (  i2 )   2
E (vi2 )  E (
Xi Xi
Bajo estas condiciones es posible estimar el modelo transformado sin
ningún problema utilizando el MMCO.

SUPUESTO 2:

E (  i2 )   2 X i

Dividiendo el modelo original por Xi :

Econometría básica Heterocedasticidad 18

Yi 1 Xi i
 0  1 
Xi Xi Xi Xi

Yi 1 Xi
 0  1  vi
Xi Xi Xi

Donde, vi es el término de perturbación cuya varianza es:

i 2 1
E (vi2 )  E ( )  E (  i2 )   2
Xi X i

SUPUESTO 3:

E (  i2 )   2 [ E (Yi )] 2

Dividiendo el modelo original por E (Yi ) :

Yi 1 Xi i
 0  1 
E (Yi ) E (Yi ) E (Yi ) E (Yi )
Yi 1 Xi
 0  1  vi
E (Yi ) E (Yi ) E (Yi )

Donde, vi es el término de perturbación cuya varianza es:

i 2 1
E (vi2 )  E ( )  2
E (  i2 )   2
E (Yi ) [ E (Yi )]

Esta transformación no es operativa por que la E (Yi ) depende de  0 y

 1 que no se conocen.

Sin embargo es posible conocer Yˆi  ˆ 0  ˆ1 X i el cual es un estimador de

E (Yi ) de modo que el modelo transformado debería ser:

Yi 1 X 
  0  1 i  i
Yˆi Yˆi Yˆi Yˆi

SUPUESTO 4: Transformación Logarítmica.

Si en lugar de utilizar el modelo Yi   0   1 X i   i utilizamos el modelo

LnYi   0   1 LnX i   i es posible que se reduzca el problema de
Econometría básica Heterocedasticidad 19

heterocedasticidad, ya que se comprimen las escalas en las que se miden

las variables.

ANEXO F
NOCIONES BASICAS DE EVIEWS 3.1
HETEROCEDASTICIDAD

6.1 PRUEBA DE HETEROCEDASTICIDAD

a) Método Gráfico

Estando en el Workfile1

 Seleccionar la variable endógena (consu) seguida de la exógena

(ingre) presionando la tecla ctrl.
 Seleccionar Open/as Equation
 En la ventana activa (Equation Specification) pulsar OK.
 Seleccionar el comando Forecast estando en la ventana objeto
ecuación
 En la ventana activa (Forecast) pulsar OK

Estando en el Workfile

 Seleccionar Genr
 En la ventana activa escribir e=resid

 Nuevamente seleccionar Genr

 En la ventana activa escribir e2=e*e

Estando en el Workfile:

 Seleccionar la variable exógena (ingre) seguida del objeto serie e

(alternativamente, e2 y consuf) presionando la tecla ctrl.
 Seleccionar Open/as Group

1 Para esta sección utilice el archivo en formato Eviews: Capitulo 6_Heterocedasticidad_Ejemplo 1_Consumo
Econometría básica Heterocedasticidad 20

 En la ventana activa (Group: Untitled) seleccionar

View/Graph/Scatter/Simple Scatter

Análisis de los resultados:

 En el Gráfico adjunto a medida que aumenta el nivel del ingreso

(ingre) se nota que los residuos al cuadrado son más dispersos por
ello es posible que exista heterocedasticidad.
 En el caso del análisis gráfico siempre es necesario considerar
adicionalmente los gráficos: residuos en función al ingreso y el valor
absoluto de los residuos en función al ingreso. (¡Hágalo!)

b) Prueba de Park

Estando en el Workfile

 Utilizar el comando Genr para generar el logaritmo de los residuos al

cuadrado (le2) y el logaritmo de la variable exógena (lingre).
 Utilizando el Mouse seleccionar la serie le2 seguida de lingre
presionando la tecla ctrl.
 Seleccionar Open/as Equation
 En la ventana activa (Equation Specification) pulsar OK.
Econometría básica Heterocedasticidad 21

Análisis de los resultados:

 La probabilidad de rechazar la hipótesis de nulidad de que el

coeficiente asociado a la variable lingre es 0.81. Por tanto, según Park
no existe heterocedasticidad.

c) Prueba de Glejser

Estando en el Workfile:

 Utilizar el comando Genr para generar el valor absoluto de los

residuos escribiendo en la ventana activa: abse=@abs(e)
 Seleccionar la serie abse seguida de la serie ingre utilizando el Mouse
presionando la tecla ctrl.
 Seleccionar Open/as Equation
 En la ventana activa (Equation Specification) reemplazar abse ingre C
por abse=c(1)+c(2)*yngre. Pulsar OK
Econometría básica Heterocedasticidad 22

Estando en la ventana activa En la ventana activa del objeto ecuación

(Equation: Untitled)

 Seleccionar el comando Procs/Specify/Estimate

 En la ventana activa (Equation Specification), alternativamente,
escribir:
Abse=c(1)+c(2)*ingre^0.5
Abse=c(1)+c(2)*(1/ingre)
Abse=c(1)+c(2)*(1/ingre^0.5)
Abse=(c(1)+c(2)*ingre)^0.5)
Abse=(c(1)+c(2)*ingre^2)^0.5
Econometría básica Heterocedasticidad 23

Análisis de los resultados:

Es posible que exista heterocedasticidada. (verifique la prueba de

significancia individual de cada uno de los resultados de las
especificaciones anteriores)

d) Prueba de Correlación por grado de Spearman

Estando en el Workfile

 Seleccionar la serie abse y la serie ype utilizando el

ratón y presionando la tecla ctrl.
 Seleccionar Procs/Make Regressor Group

Estando en la ventana del objeto grupo:

 Marcar toda la información de las series

seleccionadas.
 Presionar ctrl. C
 Activar el Excel y Presionar ctrl. V.
 Calcular el coeficiente de correlación de rangos
Spearman del valor absoluto de los residuos con la variable ingre

Análisis de los resultados:

 Recordar que el coeficiente de rangos Spearman es:

d i2
rS  1  6[ ]
n(n 2  1)
 Y que el estadístico de prueba es:
Econometría básica Heterocedasticidad 24

rS n  2
t n2 
1  rS2

e) Prueba de Goldfeld y Quand

En la línea de comandos escribir:

 Genr t=@trend(1)

La nueva serie t toma valores correlativos empezando por cero. El cual

nos servirá para reordenar todas las variables una vez realizado el
contraste.

Estando en la ventana del Workfile

 Activar el comando Procs/Sort Series para ordenar las

observaciones de todas las series del fichero de acuerdo con los
valores de ingre (variable exógena) en forma ascendente.
 En el cuadro de diálogo activado escribir ingre y
seleccionar el sentido ascendente de la ordenación. Pulsar OK

 Estando en la ventana del Workfile

 Seleccionar las series consu e ingre

 Presionando la tecla Ctrl y con el botón derecho del Mouse
seleccionar Open/as Equation
 En la ventana activa (Equation Specification) reemplazar
en el cuadro de diálogo de sample reemplazar 30 por 13. Pulsar OK
 En la ventana del objeto ecuación activar el comando
Name y pulsar OK. Si se desea se puede cambiar el nombre del
objeto ecuación asignado por defecto por el Eviews como EQ01.
 Luego de realizada una regresión siempre es posible
guardar como un escalar la desviación estándar de la regresión,

ˆ  
e 2
i
, escribiendo en la línea de comandos: scalar se1=@se.
nk
Econometría básica Heterocedasticidad 25

Estando en la ventana activa (Equation: EQ01)

 Seleccionar el comando Procs/Specify/Estimate

 En el cuadro de diálogo de sample reemplazar 1 por 18 y 13 por 30.
Pulsar OK
 En la ventana del objeto ecuación activar el comando Name y en
recuadro escribir EQ02. pulsar OK.
 Guardar como un escalar la desviación estándar de la regresión
escribiendo en la línea de comandos :scalar se2=@se.

En la línea de comandos, generamos el estadístico para realizar el

contraste de Golfeld y Quandt, escribiendo:
Econometría básica Heterocedasticidad 26

 Scalar f=(se2/se1)^2

El valor muestral del estadístico lo vemos en la parte inferior izquierda de

la pantalla haciendo doble Clic sobre el objeto escalar que acabamos de
crear (Compruebe que dicho valor es 4.0745958099)

Tomando en cuenta que, el estadístico de prueba de Goldfeld y Quandt,

se distribuye como una F con 11 grados de libertad en el numerador y el
denominador, en la línea de comandos calculamos la probabilidad de
rechazar la hipótesis nula siendo esta cierta, escribiendo:

 Scalar prob=1-@cfdist(f,11,11)

Análisis de los resultados:

 Cómo la probabilidad de rechazar la hipótesis nula (de

homocedasticidad) siendo esta cierta es de 0.01408971 (no supera el
nivel de significancia del 5%) se concluye que existe
heterocedasticidad.

f) Contraste de White

Antes de empezar con este contraste, es necesario volver a colocar las

series en su posición original. Estando en la ventana del Workfile:

 Activar el comando Procs/Sort Series para ordenar las

observaciones de todas las series del fichero de acuerdo con los
valores de t en forma ascendente.

Estando en la ventana del Workfile

 Seleccionar las series consu ingre

 Presionando la tecla Ctrl y con el botón derecho del Mouse
seleccionar Open/as Equation

En la ventana del objeto ecuación:

 Seleccionar el comando View/Residual Test/White

Heterokedasticity (cross term), o alternativamente,
 Seleccionar el comando View/Residual Test/White
Heterokedasticity (no cross terms)
Econometría básica Heterocedasticidad 27

Análisis de los resultados:

 Siendo nR 2 = 5.330902 el cual está asociado a la probabilidad de

rechazar la hipótesis nula siendo esta cierta de 0.069568 (supera el
nivel de significancia del 10%) rechazamos la hipótesis nula de
homocedasticidad. Es decir, según White existe heterocedasticidad.

g) Prueba de Breusch-Pagan-Godfrey

Estando en la ventana del Workfile

 Seleccionar las series consu ingre

 Presionando la tecla Ctrl y con el botón derecho del Mouse
seleccionar Open/as Equation.

En la línea de comandos escribir:

 Scalar se3=@se
 Scalar scr3=(se3^2)*28
 Scalar var4=sc3/30
 Cerrar la ventana del objeto ecuación

Estando en la ventana del Workfile

 Seleccionar el comando Genr y en el recuadro de diálogo

escribir:
pi=e2/var4
Econometría básica Heterocedasticidad 28

Estando en la ventana del Workfile

 Seleccionar las series pi y ingre

 Presionando la tecla Ctrl y con el botón derecho del Mouse
seleccionar Open/as Equation.
 En la ventana activa (Equation Specification) pulsar OK.

En la línea de comandos escribir:

 Scalar cr2=@r2
 Scalar se5=@se
 Scalar var5=se5^2
 Scalar scr5=var5*28
 Scalar sce5=scr5*cr2/(1-cr2)
 Scalar estbp=1/2*(sce5)
 Prob2=1-@cchisq(estbp,1)

Análisis de los resultados:

 Como la probabilidad de rechazar la hipótesis nula siendo

esta cierta es de ..... (supera el nivel de significancia del 5%?)
rechazamos la hipótesis nula de homocedasticidad. Es decir, según
Breusch-Pagan-Godfrey existe heterocedasticidad.

5.1 SOLUCION AL PROBLEMA DE HETEROCEDASTICIDAD

El procedimiento de estimación mediante el método de mínimos

cuadrados ponderados utilizando el software Eviews es el siguiente:

 Seleccionar la variable endógena (consu) seguida de la exógena

(ingre) presionando la tecla ctrl.
 Seleccionar Open/as Equation
 En la ventana activa (Equation Specification) pulsar Option
 Escribir en la casilla Weighted LS/TSLS la variable de ponderación.
Por ejemplo si consideramos el supuesto 1 escribir: 1/INGRE. Pulsar
OK
 Estando en la ventana de Equation Specification pulsar nuevamente
OK

Los resultados deben ser los siguientes:

Econometría básica Heterocedasticidad 29

Estos resultados tienen características adicionales a otros objetos

ecuación:

 En la parte superior aparece la variable de ponderación. Es necesario

indicar que Eviews reescala esta variable ponderación dividiéndola por
su media.
 Los estadísticos ponderados (Weighted Statistics) corresponden al
modelo transformado.
 Los estadísticos sin ponderar (Unweighted Statistics) se calculan con
base a las variables del modelo original.