Documentos de Académico
Documentos de Profesional
Documentos de Cultura
25 de septiembre de 2018
1
Contenido
1 Introducción
2 Test de heterocedasaticidad
Test gráfico de los residuos y varianza condicional
Test Breusch-Pagan
Test de White
3 Tratamiento de la heterocedasticidad
Mı́nimos cuadrados ponderados (MCP)
Mı́nimos cuadrados generalizados (MCG)
Mı́nimos cuadrados generalizados factibles (MCGF)
Estimación consistente de White
Mı́nimos cuadrados absolutos
4 Referencias
2
Introducción
3
Preliminares: varianza condicional
E[X 2 |Y = y0 ] = 2
P
x x [X = x|Y = y0 ].
4
Preliminares: varianza condicional
Suponga la siguiente distribución conjunta:
5
Heterocedasticidad
yi = β 0 X = (2)
El error tiene la misma varianza para cualquier valor de las
variables explicativas: V ar(|x) = σ2 , donde σ2 es la varianza
incondicional de o varianza del error.
Este supuesto establece que la dispersión del error alrededor de la
recta de regresión será la misma, siendo los datos muestrales
igualmente válidos, sin necesidad de ponderarlos.
6
Heterocedasticidad
7
Heterocedasticidad: causas
8
Heterocedasticidad: efectos
9
Test de heterocedasaticidad
10
Heterocedasticidad: test gráfico
11
Heterocedasticidad: test Breusch-Pagan
Como los gráficos y los valores por grupo, pueden ser difı́cil de
interpretar, el test Breusch-Pagan permite identificar
heterocedasticidad. El test analiza si la varianza esperada de los
residuos depende de las variables independientes.
yi = β0 + β1 x1i + i
ˆ2 se obtiene
2 como el cuadrado de los residuos estandarizados
ze2i = σ̂i . Posteriormente, se estima este modelo en función del
resto de variables sobre las que deseamos identificar
heterocedasticidad:
2i = θ0 + θ1 x1i + ... + θp xpi + ui
Zˆ
12
Heterocedasticidad: test Breusch-Pagan
13
Heterocedasticidad: test Breusch-Pagan
14
Heterocedasticidad: test Breusch-Pagan
Pasos:
1 Se estima el modelo y = β0 + β1 x1 + e, y se estiman los residuos.
2 Luego se estima e2i = δ0 + δ1 Z11 + ... + δp Z1p + v.
3 El estadı́stico de contraste N R2 ∼ χ2p .
15
Heterocedasticidad: test Breusch-Pagan
16
Heterocedasticidad: test de White
17
Heterocedasticidad: test de White ajustado
Una prueba que preserve mejor los gl, se obtiene utilizando los
valores ajustados (ŷ) de las regresiones auxiliares, que representen
la combinaciones de las variables explicativas del modelo,
manteniendo la H0 de homocedasticidad.
ˆ2 = θ0 + θ1 ŷ + θ1 ŷ 2 + u (9)
18
Tratamiento de la heterocedasticidad
19
Alternativas
20
Alternativas (1) MCP
21
Alternativas (1) MCP
σ̂2 = f (σ 2 , Z) (10)
El método intenta operar convenientemente las variables para
eliminar la fuente de heterocedasticidad, dividiendo las variables
del modelo por la forma estimada de la función de varianza.
22
Alternativas (1) MCP
Yi = β0 X0 + βi X1 + ui (11)
Ŷi∗ X0 X1
2 = β̂0∗ 2 + β̂i∗ 2 + û∗i (12)
σi σi σi
23
Ejemplo: heterocedasticidad en la ecuación de salarios
Suponga la ecuación de salario presenta una estructura de verianza
σ̂2 = f (σ 2 , educ). Se obtiene esta función de varianza a partir de la
varianza condicional de la variable que genera la
heterocedasticidad.
Por lo que, las observaciones con mayor varianza presentan menor
peso en el modelo.
24
Alternativas (1) MCP
n n
u2∗ Ŷ ∗ X0 X1
( i2 − β̂0∗ 2 − β̂i∗ 2 )2
X X
mı́n = mı́n (13)
i=1
σi2 i=1
σi σi σi
n n
wi (Yi − β0∗ X0 − βi∗ X1 )2
X X
wi û2i = (14)
i=1 i=1
25
Alternativas (1) Mı́nimos Cuadrados Generalizados
Factibles
26
Alternativas (1) Mı́nimos Cuadrados Generalizados
1 2 ).
Regresamos Y = f (X) y se obtiene ˆ. Se calcula log(ˆ
2
2 ) = f (X) para obtener ĝi .
Regresamos log(ˆ
1
3 Se estima por MCP utilizando exp(ĝ) como ponderador.
27
Mı́nimos Cuadrados Generalizados
El método factible, permite además obtener los coeficientes
asociados a las funciones de varizanza.
Suponga σi2 = E[u2i |xi ] = σ 2 xαi , donde xi es uno de los regresores
del modelo.
Se estima la regresión auxiliar log(e2i ) = log(σ 2 ) + α log(xi ), para
obtener α, y de ahı́ se obtiene:
28
Alternativas (2) Matriz de covarianza robusta
Pn 2 2
i=1 r̂i,j ûi
var(β̂j ) = (19)
SECj2
29
Alternativas (2) Matriz de covarianza robusta
β̂j − βh
tβ̂j = r Pn 2 0 ∼ tk−1 (20)
r̂ û2
i=1 i,j i
SECj2
30
Errores robustos en la ecuación de precios de viviendas
Ejercicio 8.7 de Wooldridge. Se estima el precio de las casas en
función del tamaño de la casa, los pies cuadrados de la casa y el
número de habitaciones.
31
Alternativas (2) Matriz de covarianza robusta
32
Alternativas (3) MCO absolutos
X X
mı́n |u| = mı́n |β̂x − ŷ| (21)
33
Referencias
34
Referencias
35