ANÁLISIS DE HETEROCEDASTICIDAD

Se desea estimar la regresión de gastos en investigación y desarrollo sobre las

utilidades y se dispone de la siguiente información sobre gastos de
investigación y desarrollo para 18 grupos de industrias en relación con las
utilidades.

Agrupación industrial Gastos en I&D Utilidades

1. Contenedores y empaques 62.5 185.1
2. Industrias financieras no bancarias 92.9 1569.5
3. Industrias de servicios 178.3 276.8
4. Metales y minería 258.4 2828.1
5. Vivienda y construcción 494.7 225.9
6. Manufacturas en general 1083.0 3751.9
7. Ind. Relac. Con descanso y esparcimiento 1620.6 2884.1
8. papel y productos forestales 421.7 4645.7
9. Alimentos 509.2 5036.4
10. Salud 6620.1 13869.9
11. Industria aeroespacial 3918.6 4487.8
12. Productos del consumidor 1595.3 10278.9
13. Productos eléctricos y electrónicos 6107.5 8787.3
14. Químicos 4454.1 16438.8
15.Conglomerados 3163.8 9761.4
16. Equipo de oficina y computadoras 13210.7 19774.5
17. Combustible 1703.8 22626.6
18. Automotores. 9528.2 18415.4

Regresión de gastos en investigación y desarrollo sobre las utilidades

Modelo Gastos = 1 + 2 utilidades + 

1. Modelo estimado por MCO

Dependent Variable: GASTOS

Method: Least Squares
Date: 11/04/03 Time: 18:15
Sample: 1 18
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
C 114.3863 959.0321 0.119273 0.9065
UTILIDADES 0.363159 0.089151 4.073527 0.0009
R-squared 0.509106 Mean dependent var 3056.856
Adjusted R-squared 0.478426 S.D. dependent var 3705.973
S.E. of regression 2676.458 Akaike info criterion 18.72682
Sum squared resid 1.15E+08 Schwarz criterion 18.82575
Log likelihood -166.5413 F-statistic 16.59362
Durbin-Watson stat 3.211849 Prob(F-statistic) 0.000884
Matriz de varianzas y covarianzas de los coeficientes

C UTILIDADES
C 919742.5 -64.39737
UTILIDADES -64.39737 0.007948

Residuos de MCO

Obs Actual Ajustado Residuo Gráfico de los residuos

1 62.5000 181.607 -119.107 | . * . | Prueba de
2 92.9000 684.365 -591.465 | . *| . |
3 178.300 214.909 -36.6088 | . * . |
4 258.400 1141.44 -883.038 | . *| . |
5 494.700 196.424 298.276 | . |* . |
6 1083.00 1476.92 -393.924 | . *| . |
7 1620.60 1161.77 458.826 | . |* . |
8 421.700 1801.52 -1379.82 | . *| . |
9 509.200 1943.40 -1434.20 | .* | . |
10 6620.10 5151.37 1468.73 | . | *. |
11 3918.60 1744.17 2174.43 | . | *. |
12 1595.30 3847.05 -2251.75 | .* | . |
13 6107.50 3305.58 2801.92 | . | * |
14 4454.10 6084.29 -1630.19 | .* | . |
15 3163.80 3659.33 -495.531 | . *| . |
16 13210.7 7295.68 5915.02 | . | . *|
17 1703.80 8331.45 -6627.65 |* . | . |
18 9528.20 6802.11 2726.09 | . | * |
heterocedasticidad de White
White Heteroskedasticity Test:
F-statistic 23.89868 Probability 0.000022
Obs*R-squared 13.70046 Probability 0.001059

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/04/03 Time: 18:33
Sample: 1 18
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
C 3514642. 3062704. 1.147562 0.2691
UTILIDADES -1582.847 806.5273 -1.962546 0.0685
UTILIDADES^2 0.135479 0.037052 3.656483 0.0023
R-squared 0.761136 Mean dependent var 6367491.
Adjusted R-squared 0.729288 S.D. dependent var 12388674
S.E. of regression 6445827. Akaike info criterion 34.34678
Sum squared resid 6.23E+14 Schwarz criterion 34.49517
Log likelihood -306.1210 F-statistic 23.89868
Durbin-Watson stat 2.038419 Prob(F-statistic) 0.000022

La prueba de White nos indica que hay una relación significativa entre los
residuos al cuadrado y las utilidades al cuadrado, lo que nos lleva a considerar
como ponderación 1/utilidades, así el modelo a estimar por MCG sería:
Modelo transformado Gastos = 1 + 2 +  .
Utilidades Utilidades Utilidades

2. Aplicando MCP obtenemos:

Dependent Variable: GASTOS
Method: Least Squares
Date: 11/04/03 Time: 19:17
Sample: 1 18
Included observations: 18
Weighting series: 1/UTILIDADES
Variable Coefficient Std. Error t-Statistic Prob.
C 146.7962 64.28226 2.283619 0.0364
UTILIDADES 0.335094 0.120014 2.792122 0.0131
Weighted Statistics
R-squared 0.245814 Mean dependent var 517.3364
Adjusted R-squared 0.198677 S.D. dependent var 550.2620
S.E. of regression 492.5761 Akaike info criterion 15.34161
Sum squared resid 3882099. Schwarz criterion 15.44054
Log likelihood -136.0745 F-statistic 5.214916
Durbin-Watson stat 1.988109 Prob(F-statistic) 0.036398
Unweighted Statistics
R-squared 0.503135 Mean dependent var 3056.856
Adjusted R-squared 0.472081 S.D. dependent var 3705.973
S.E. of regression 2692.688 Sum squared resid 1.16E+08
Durbin-Watson stat 3.137861
Matriz de covarianzas de los coeficientes

C UTILIDADES
C 4132.209 -3.736920
UTILIDADES -3.736920 0.014403

Como podemos apreciar la varianza de las estimaciones de MCP es mayor que

las de MCO porque al no considerarse la heterocedasticidad se ha sub-
estimado la verdadera varianza de los estimadores de los coeficientes

Prueba de heterocedasticidad para los residuos obtenidos con estimación de

MCP

White Heteroskedasticity Test:

F-statistic 3.454817 Probability 0.058334
Obs*R-squared 5.676655 Probability 0.058523

Test Equation:
Dependent Variable: STD_RESID^2
Method: Least Squares
Date: 11/04/03 Time: 19:30
Sample: 1 18
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
C 623410.5 178884.0 3.484999 0.0033
UTILIDADES -108.9450 47.10700 -2.312713 0.0353
UTILIDADES^2 0.004105 0.002164 1.896655 0.0773

R-squared 0.315370 Mean dependent var 215672.2

Adjusted R-squared 0.224086 S.D. dependent var 427403.5
S.E. of regression 376482.7 Akaike info criterion 28.66614
Sum squared resid 2.13E+12 Schwarz criterion 28.81454
Log likelihood -254.9953 F-statistic 3.454817
Durbin-Watson stat 2.174881 Prob(F-statistic) 0.058334

Apreciamos que la heterogeneridad de la varianza de las perturbaciones ha

disminuido de manera que esta ya no alcanza significancia.

3. Estimación con la corrección de White

Dependent Variable: GASTOS
Method: Least Squares
Date: 11/04/03 Time: 19:38
Sample: 1 18
Included observations: 18
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 114.3863 713.9924 0.160207 0.8747
UTILIDADES 0.363159 0.145391 2.497807 0.0238
R-squared 0.509106 Mean dependent var 3056.856
Adjusted R-squared 0.478426 S.D. dependent var 3705.973
S.E. of regression 2676.458 Akaike info criterion 18.72682
Sum squared resid 1.15E+08 Schwarz criterion 18.82575
Log likelihood -166.5413 F-statistic 16.59362
Durbin-Watson stat 3.211849 Prob(F-statistic) 0.000884

Como apreciamos de los resultados los estimados de los coeficientes, el R 2,

Se, coinciden con los de MCO, la diferencia está en las desviaciones estándar
y en las pruebas t para la significancia, ya que para la estimación de las
varianzas y covarianzas de los coeficientes se ha tenido en cuenta que la
varianzas son heterogéneas

Matriz de covarianzas de White para los coeficientes

C UTILIDADES
C 509785.2 -92.53723
UTILIDADES -92.53723 0.021139

Con esta estimación no se ha obtenido estimadores más eficientes, sino que se

ha hecho una mejor estimación de la verdadera varianza de los estimadores.

Las perturbaciones siguen teniendo varianzas heterogéneas.