Documento elaborado por Manuel Alejandro Piero Flores Cruz

Heterocedasticidad

El problema de heterocedasticidad se sustenta en que la variabilidad de las perturbaciones,

para un mismo valor esperado y una misma función de distribución, es distinta entre cada
variable aleatoria. Entonces, la perturbación tendrá el siguiente comportamiento en su
varianza

var ( u i )=σ 2i

Entonces, dado que no conocemos los valores de la perturbación porque son desconocidos,
debemos recordar que en el caso donde se cumplen todos los supuestos, en especifico que los
betas parámetros y la matriz de datos son fijas, se tendrá lo siguiente

var ( y i) =var ( u i )=σ 2u

Por lo que, para darnos una idea de la variabilidad no constante en la perturbación,

necesitaremos analizarla en la variabilidad de la variable aleatoria dependiente.

En cumplimiento del supuesto de normalidad, el valor esperado de la variable aleatoria

dependiente será el valor más probable que ocurra, y ese valor más probable que ocurra será
igual al valor que la teoría nos dice que sucederá.

Si la varianza de la variable dependiente es igual a la varianza de la perturbación, esto se

cumplirá para cada una de las observaciones. Ahora sabemos que, es más probable que
posibles valores más cercanos al centro de la distribución de densidad normal deberán tener
una función de densidad más leptocúrtica, lo que quiere decir que es muy probable que su
varianza sea menor y es menos probable que ocurran valores cercanos al centro cuando la
función de densidad es más platicúrtica.

No obstante, para el valor de 5 puede estar asociado a la función de densidad mesocúrtica

porque a pesar de que exista una baja probabilidad de que ocurran valores cercanos al centro,
igual pudo ocurrir.

Lo siguiente es tomar en cuenta la característica del valor esperado, ósea cuando tomo el valor
esperado a una variable aleatoria el resultado será el valor más representativo de todos los
posibles valores que pudieron ocurrir, y si tengo una función de densidad de tipo normal, ese
valor más representativo se convierte en el valor más probable. Entonces, el valor esperado de
la variable explicada cumplirá la siguiente especificación, cuando se cumple el supuesto del
valor esperado nulo en la perturbación
Documento elaborado por Manuel Alejandro Piero Flores Cruz

E (Y 1) 100 β 1 X 11 + β2 X 12 + β 3 X 13+ β 4 X 14 + 0

[ ][ ][
E (Y 2)

⋮
E(Y 120 )
5

⋮
450
β1 X 21 + β 2 X 22 + β 3 X 23+ β 4 X 24+ 0
E (Y 3 ) = 1000 = β1 X 31 + β 2 X 32 + β 3 X 33+ β 4 X 34+ 0
⋮
β 1 X k 1+ β 2 X k 2 + β 3 X k 3+ β 4 X k 4 +0
]
Entonces, el valor ocurrido va a ser igual al marco teórico y al mismo tiempo representa el
valor más probable de entre todos los posibles valores. Por lógica abductiva y asumiendo
normalidad en la perturbación, valores ocurridos más pequeños serán más probables
asociarlos a varianzas más pequeñas porque sus posibles valores están más cerca a ese valor
ocurrido, y valores ocurridos más grandes será más probable el asociarlos a varianzas más
grandes, porque sus posibles valores en magnitud son más elevados que los otros posibles
valores de las otras variables aleatorias.

Lo que me debo fijar es que la magnitud del valor ocurrido va a estar sustentada por una
variable explicativa que aporte más a la suma, y el cambio de esa variable explicativa, de
observación en observación, va a hacer que el valor ocurrido cambie, y por tanto cambiara el
valor esperado y los posibles valores, de esta forma si la variable escala pasa de tomar un valor
pequeño a un valor grande, como es el caso de la segunda fila a la tercera fila, lo que resultara
es que el valor esperado también aumentara y con ello aumentaran los posibles valores; al
tener un valor esperado y posibles valores más elevados que la segunda fila, podremos
sostener que será más probable que las varianzas de las perturbaciones dos y tres no podrían
ser iguales.

El test de glejser:

|e|=α 0 + α 1 X E + ε i
La lógica de glejser es que existe una variable explicativa que afecta al valor ocurrido de la
variable explicada en el modelo original. Si el valor esperado de la perturbación es cero y dicha
perturbación distribuye normal, entonces lo que se esta afectando es el valor esperado que es
el valor más probable y el más representativo, también se afectan todos los posibles valores de
la variable aleatoria que esquematiza la conducta de los agentes económicos.

Entonces, al comparar entre observaciones, no se podrá sostener que la variabilidad de la

variable aleatoria sea constante. En este caso, glejser sustenta su propuesta de que una
Documento elaborado por Manuel Alejandro Piero Flores Cruz

explicativa afecta los cambios de las varianzas de las perturbaciones, pero como no sabemos
cual es el valor de cada perturbación, la aproximamos mediante los errores:

1. Comparando el planteamiento teórico con el estimado

Y = Xβ+U

Y = X ^β+ e
1.1. Como un valor del estimador se asocia al parámetro, y tenemos la misma variable
explicada, entonces será razonable pensar que los errores aproximan el
comportamiento de la perturbación.
2. Nosotros queremos saber el comportamiento de σ i2, así que la variable e al ser una
variable aleatoria, su dispersión me permitirá aproximar el posible comportamiento de la
variabilidad de la perturbación, en tal caso, lo que hago es tomar los errores positivos y
negativos en valor absoluto para poder ver si se presenta un comportamiento creciente a
medida que cambia sus valores.
3. El valor absoluto de los errores va aproximar al valor absoluto de la perturbación que
aproxima el comportamiento de la desviación estándar.

Entonces tengo dos representaciones

σ j=α 1 +α 2 X e

|e i|=α 1 +α 2 X e + ε i
Planteando la regresión
−1
S' S S' X E
[
α^ = '
XE S X 'E X E ] ¿

Los t calculados serán

α^ i
t c= t n−k
√ var (α^ i)
Incurro más veces en aceptar la hipótesis nula en cada uno de los parámetros alfa cuando el
valor de α^ i es pequeño, y eso solo se dará si la correlación entre la variable escala y el valor
absoluto de los errores es pequeño.

El test de G-Q:

G-Q toman una variable escala y como esta variable afecta los valores observados, y por tanto
los esperados y los posibles valores, entonces la ordeno de menor a mayor, eso conlleva a que
se ordene los errores, la suma del cuadrado de los errores y la varianza de la perturbación.

El indicador de Q-Q se construye de regresionar el primer y segundo bloque mediante MCO,

obteniendo la suma del cuadrado de los errores que tienen los menores valores de la variable
escala y la suma del cuadrado de los errores que tienen los mayores valores de la variable
escala.

Valores de la variable escala Varianza de la perturbación Suma del cuadrado de los

menores con valores menores errores menores
Documento elaborado por Manuel Alejandro Piero Flores Cruz

Región de eliminación Región de eliminación Región de eliminación

Valores de la variable escala Varianza de la perturbación Suma del cuadrado de los
mayores con valores mayores errores mayores

Se plantea entonces

e ' eM
f c= F
e' em

Cuando la prueba incurre en error tipo 1 o 2

 Si la partición de los datos centrales es elevada, entonces se hace más notoria la

'
diferencia del e e m respecto del e ' e M , entonces lo que estaría buscando es no aceptar
la hipótesis nula y al final aceptarla, pero eso me podría llevar a incurrir en no aceptar
la hipótesis nula cuando puede ser cierta.
o Error tipo 1
 Si la partición de los datos centrales es baja, entonces se hace menos notorio la
'
diferencia del e e m respecto del e ' e M , entonces lo que estaría buscando es hacer todo
lo posible por aceptar la H0 y como consecuencia del contraste no la acepto. Pero eso
me podría llevar a incurrir en aceptar la hipótesis nula cuando puede no ser cierta.
o Error tipo 2

Si la variable escala tiene una relación inversa con la varianza de la perturbación, entonces
valores pequeños de la variable escala estarán relacionados con valores grandes de la varianza
de la perturbación y valores grandes de la variable escala estarán relacionados con valores
pequeños de la varianza de la perturbación, así que el orden estará establecido de forma
inversa

Valores de la variable escala Varianza de la perturbación Suma del cuadrado de los

mayores con valores menores errores mayores
Región de eliminación Región de eliminación Región de eliminación
Valores de la variable escala Varianza de la perturbación Suma del cuadrado de los
menores con valores mayores errores menores

Se plantea entonces

e ' em
f c= F
e' e M
Documento elaborado por Manuel Alejandro Piero Flores Cruz

Autocorrelación

Este tema se basa en analizar la ley de formación que presenta la perturbación cuando
mantiene la siguiente especificación

ut =ρ ut −1 + ε t

Lo que va a describir es lo siguiente

ut −1=ρ ut−2 +ε t−1

De esta forma

ut =ρ ( ρ ut −2 + ε t−1 ) + ε t

ut =ρ2 ut−2 + ρ ε t −1+ ε t

Iterando “hacia atrás” n- veces
n
infinito
ut =ρ ut−infinito + ∑ ρi ε t −i
i=0

Como rho en valor absoluto es menor a uno, ρinfinito ut−infinito=0 , así que la perturbación
describe el siguiente comportamiento
n
ut =∑ ρi ε t −i
i=0