Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
⎢ 0 σ 2
... 0 ⎥ 2 ⎢ γ 21 1 ... γ 2 N ⎥ γ 21 σ 2
V (U ) = ⎢ U2
⎥ V (U ) = σ U ⎢ ⎥ V (U ) = σ 2 ⎢ U2
⎥
⎢ ... ... ⎥ ⎢ ... ... ... ... ⎥
⎢
... ...
⎥ ⎢ ... ... ... ... ⎥
⎢ ⎥
⎢⎣ 0 0 ... σ U ⎥
2
⎢ γ N1 γ N 2 ... 1 ⎥ ⎢ γ N1 γ N 2 ... σ U ⎥
2
N
⎦ ⎣ ⎦ ⎣ N
⎦
1
18/3/21
⎡ σ U2 0 ... 0 ⎤ 0
⎡ σ 2
0 ... 0 ⎤ ⎢ 1 ⎥
⎢ U1
⎥ ⎢ 0 σ U2 ... 0 0 ⎥
⎢ 0 σ U2 ... 0 ⎥ ⎢ 1 ⎥
V (U ) → ⎢ 2 ⎥; ⎢ ... ... ... ... ... ⎥
⎢ ... ... ... ... ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 0 0 ... σ U2 0 ⎥
⎢⎣ 0 0 ... σ U2 ⎥ ⎢ 2
⎥
N
⎦ 0 0 ... 0 σ U2 ⎥
⎢⎣ 2
⎦
cambia para cada i hay dos grupos con varianzas
distintas
La heterocedasticidad
Homocedasticidad Heterocedasticidad
2
18/3/21
n Consecuencias de la heterocedasticidad
Siempre y cuando se cumplan el resto de hipótesis básicas del modelo, la presencia
de heterocedasticadad (y en general el incumplimiento de las propiedades esféricas)
implica que:
q Los estimadores de 𝛽 por MCO son lineales, insesgados pero No óptimos
q El estimador de la varianza de la perturbación aleatoria usada hasta ahora
[SCE/(N-k)] no es el adecuado
q En consecuencia, ninguno de los contrastes de hipótesis es correcto
3
18/3/21
Tratamiento de la heterocedasticidad
4
18/3/21
𝑒%" ⋯ 0
5 +
𝑉(𝛽) = (𝑋 𝑋) 𝑋′ ⋮ ⋱ ⋮ 𝑋(𝑋# 𝑋)$%
# $%
0 ⋯ 𝑒("
q Investigar distintas posibilidades para estimar la mejor matriz V(U) ó Σ, y con ella
estimar por MCG
10
10
5
18/3/21
11
11