18/3/21

Lección 4. Perturbaciones No esféricas

⎡ U1 ⎤
q Modelo Econométrico: 𝑌 = 𝑋𝛽 + 𝑈 ⎢ ⎥
⎢ U2 ⎥
q U perturbación aleatoria del modelo U=⎢ ⎥
⎢ ... ⎥
⎢ UN ⎥
⎣ ⎦
q Las propiedades de la perturbación aleatoria bajo cumplimiento de
las hipótesis básicas del modelo
Hipótesis básicas Incumplimiento de las hipótesis
básicas
Perturbación con media cero Perturbación con media distinta de cero

Perturbaciones incorrelacionadas Perturbaciones autocorrelacionadas.

Autocorrelación

Perturbaciones con varianza Perturbaciones con varianzas distintas.

constante. Homocedásticas Heterocedasticidad

Perturbaciones normales Perturbaciones no normales

q Propiedades esféricas: incorrelación y homocedasticidad

1

Introducción

PERTURBACIÓN ALEATORIA ESFÉRICA VERSUS NO ESFÉRICA

V(U) ⇒ Matriz de Varianzas-Covarianzas de la perturbación aleatoria

Perturbación aleatoria ESFÉRICA: V (U ) = σ U2 I

⎡ 1 0 ... 0 ⎤
⎢ ⎥
0 1 ... 0
V (U ) = σ U2 ⎢ ⎥
⎢ ... ... ... ... ⎥
⎢ 0 0 ... 1 ⎥
⎣ ⎦

Perturbación aleatoria NO ESFÉRICA: V(U)=𝜎!"Σ, siendo Σ ≠ 𝐼

Heterocedasticidad Autocorrelación Heterocedasticidad y

autocorrelación
⎡ 1 γ ⎡ ... γ 1N ⎤
⎡ σ U2 0 ... 0 ⎤ ... γ 1N ⎤ ⎢
σ U2 γ 12
⎥
⎢ 12
⎥
1
⎢ ⎥
⎢ ... γ 2 N ⎥
1

⎢ 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

Introducción. Concepto de heterocedasticidad

Perturbación aleatoria incorrelacionda y heterocedástica

⎡ 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

Existe heterocedasticidad siempre y cuando la diagonal principal no

esté formada por valores iguales

La heterocedasticidad

Homocedasticidad Heterocedasticidad

C. Delia Dávila Quintana 4

2
 18/3/21

n Causas de la presencia de heterocedasticidad

q La heterocedastidad se da, fundamentalmente, en datos de corte transversal

q Presencia de un grupo de datos atípicos
q Omisión de variables relevantes
q Forma funcional no correcta
q Presencia de subgrupos en la población con dispersiones distintas en cada uno
de ellos
q Base de datos agregada en donde cada dato procede de una muestra realizada
en una población que tiene varianzas distintas

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

Detectando la heterocedasticidad (I)

A través de dos vías:
n Mediante un análisis teórico de las variables
q Si estoy estudiando el volumen de ahorro de las familias de G.C.
en función de su renta, ¿tiene sentido pensar que la posible
presencia de heterocedasticidad?
n Mediante un análisis empírico de los datos y de la especificación y
estimación de un modelo de regresión concreto
q Gráfico de dispersión [endógena,|errores|] o [endógena,
(errores)2]
q Gráfico de dispersión [exógena,|errores|] o [exógena, (errores)2]
En estos gráficos se intentan buscar posibles patrones de
comportamiento (esquemas) en los errores y cuál puede ser la
variable exógena que los produce, así como la forma del
esquema que provoca el cambio en la heterocedasticidad

3
 18/3/21

Tratamiento de la heterocedasticidad

C. Delia Dávila Quintana 7

Detectando la heterocedasticidad con un contraste

Contraste de White
n Sea el modelo yi = β1 + β 2 x2i + β 3 x3i + U i
n Sea ei los errores MCO del modelo anterior
n Regresión auxiliar para el contraste de White con y sin términos
cruzados.
ei2 = a 0 + a1 x2i + a 2 x3i + a 3 x22i + a 4 x32i + a 5 x2i x3i +n i
Es decir, incluye las variables del modelo original, sus cuadrados y
sus interacciones
n Contraste de White:
q H0: Modelo Homocedástico; H1: Modelo Heterocedástico

q H0 equivale a la hipótesis H 0 : a1 = a 2 = ... = a 5 = 0

q Estadístico de prueba, en donde toda la información se

corresponde con la regresión auxiliar, y su distribución bajo H0
χ 2 = n * R 2 → χ 2p , siendo R 2 el de la regresión auxiliar y p el número
de parámetros de la regresión auxiliar excluida la constante

4
 18/3/21

¿Qué hacer cuando se detecta heterocedasticidad?

n Si se conoce la matriz V U ó Σ. Estimación por MCG (generalizados).
q 𝛽 + = 𝑋# Σ$% 𝑋 $% 𝑋# Σ$% 𝑌
&#'!"&
q 𝜎,!" = ($)
q 𝑉.+* = 𝜎,!" 𝑋# Σ$% 𝑋 $%
n Si no se conoce la matriz V(U) ó Σ.
q Estimación por MCO con matriz de varianzas covarianzas consistentes (Huber-White-
Hinkley). También se denomina estimación robusta.
𝛽+ = (𝑋# 𝑋)$% (𝑋# 𝑌)
𝑒, = 𝑦, − 𝑦,,

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

¿Qué propiedades tiene cada una de las opciones?

n Si se conoce la matriz V U ó Σ. Estimación por MCG (generalizados).
q 𝛽 + = 𝑋# Σ$% 𝑋 $% 𝑋# Σ$% 𝑌
Los estimadores de los
&#'!"&
q 𝜎,!" = ($)
beta son ELIO y
podemos hacer
q 𝑉.+* = 𝜎,!" 𝑋# Σ$% 𝑋 $% contrastes de hipótesis
n Si no se conoce la matriz V(U) ó Σ.
q Estimación por MCO con matriz de varianzas covarianzas consistentes (Huber-White-
Hinkley). También se denomina estimación robusta.
𝛽+ = (𝑋# 𝑋)$% (𝑋# 𝑌) Los estimadores de los
𝑒, = 𝑦, − 𝑦,, beta son ELI pero no
óptimos y podemos
𝑒%" ⋯ 0 hacer contrastes de
5
𝑉( + = (𝑋# 𝑋)$% 𝑋′ ⋮ ⋱ ⋮ 𝑋(𝑋# 𝑋)$%
𝛽) hipótesis
0 ⋯ 𝑒("
q Investigar distintas posibilidades para estimar la mejor matriz V(U) ó Σ, y con ella
estimar por MCG Las propiedades de los beta estimados depende
de lo bien que se estime V(U)

10

10

5
 18/3/21

¿Cuál de las tres opciones es la mejor?

“Considerando pros y contras, junto con el hecho de que en la práctica
raramente conocemos la expresión de la varianza condicionada del
error (no conocemos V(U)), parece oportuno y más sencillo utilizar
errores estándar robustos sin necesidad de hacer elucubraciones
sobre la varianza condicionada (sobre V(U))”(*)
(*) Matilla, M., Pérez, P. y Sanz, B. (2013). Econometría y Predicción.

UNED y McGraw Hill, Madrid. Pag. 2017

Dada la disponibilidad de herramientas informáticas que implementan

estimaciones robustas de las varianzas de los estimadores, un número
creciente de autores recomiendan no usar nunca MCO para la
estimación de la varianza de la perturbación aleatoria y sustituirlo
siempre por la estimación MCO para los beta combinada con
estimación robusta de la matriz de varianzas covarianzas de la
perturbación aleatoria.

11

11