Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ronald Mendoza
Universidad Nacional de Huancavelica.
Abril 2016.
Heteroscedasticidad
Matriz de varianza-covarianza.
′ 2
𝐸 𝜀𝜀 =𝜎 𝐼
2
𝜎 0 0… 0
2
𝐸 𝜀𝜀 ′
= 0 𝜎 0… 0
⋮ ⋮ ⋮… 0
2
0 0 0 𝜎
Matriz de varianza-covarianza.
𝐸 𝜀𝜀 ′ = 𝜎𝑖 2𝐼
2
𝜎1 0 0… 0
𝐸 𝜀𝜀 ′
= 0 𝜎2 2
0… 0
⋮ ⋮ 0
⋮… 2
0 0 𝜎
0 𝑛
Este supuesto es requirido para los test de significancia y también
para la construccion y proyección de los intervalos de confianza.
Esto implica:
The errores son homoscedasticos.
𝐸 𝜀 2 𝑖 = 𝑣𝑎𝑟 𝜀 = 𝜎 2 para todo 𝑖 = 1,2, … , 𝑁.
Y los errores son independientes:
𝐸 𝜀𝑖 𝜀𝑗 = 𝑐𝑜𝑣 𝜀𝑖 , 𝜀𝑗 = 0, para todo 𝑖 ≠ 𝑗 = 1,2, … , 𝑁.
Una consecuencia directa de la distribucion de los errores implica
que:
𝒀~𝑵(𝑿𝜷, 𝝈𝟐 𝑰)
𝜎 21 0 0 … 0
0 𝜎 22 0 … 0
𝑉𝑎𝑟 𝜀 = 0 0 𝜎 23 … 0
… … … … 0
0 0 0 0 𝜎 2𝑘
20
densidad
Y
Y
10 20 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝑰
10 20 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝐼
X
X
Razones de las varianzas de 𝜺𝒊 son variables:
1. Modelos de aprendizaje de errores. A medida que la gente aprende,
disminuyen sus errores de comportamiento con el tiempo. 𝜎 2 𝑖 se
reduce.
2. A medida que aumentan los ingresos, la gente posee mas ingreso discrecional.
Tiene mayores posibilidades de decidir cómo disponer de su
ingreso. 𝜎 2 𝑖 se incrementa.
3. A medida que mejoren las técnicas de recolección de datos, es probable
que se reduzca 𝜎𝑖 2 .
4. La heteroscedasticidad también surge por la presencia de datos
atípicos o aberrantes (outliers).
Métodos informales.
𝑌 𝑌 𝑌
𝜀𝑖Ƹ 2 𝜀𝑖Ƹ 2
Patrones hipotéticos de
los residuos estimados
al cuadrado.
𝑌 𝑌
𝜀𝑖Ƹ 2 𝜀𝑖Ƹ 2 𝜀𝑖Ƹ 2
v
𝑋 𝑋 𝑋
𝜀𝑖Ƹ 2 𝜀𝑖Ƹ 2
Diagrama de dispersión de
los residuos estimados al
cuadrado frente a 𝑋.
𝑋 𝑋
Métodos formales.
Prueba de park.
Supongamos que:
𝜎𝑖 2 =𝜎 2 𝑋𝑖 𝛽 𝑒 𝑣𝑖
ln𝜎𝑖 2 =ln𝜎 2 + 𝛽ln𝑋𝑖 +𝑣𝑖
2 2
Como no se conoce 𝜎𝑖 por lo general. Utilizamos 𝜀𝑖Ƹ
como una aproximación y correr la siguiente regresión.
2
𝑙𝑛𝜀𝑖Ƹ = 𝑙𝑛𝜎𝑖 2 + 𝛽𝑙𝑛𝑋𝑖 + 𝑣𝑖
Deficiencias:
Glejser sugiere una regresión sobre los valores absolutos de 𝜀𝑖Ƹ sobre la
variable 𝑋 que se cree muy asociada con 𝜎𝑖 2 .
𝜀𝑖Ƹ = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
𝜀𝑖Ƹ = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
1
𝜀𝑖Ƹ = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋𝑖
1
𝜀𝑖Ƹ = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋𝑖
𝜀𝑖Ƹ = 𝛽1 +𝛽2 𝑋𝑖 + 𝑣𝑖
𝜀𝑖Ƹ = 𝛽1 + 𝛽2 𝑋𝑖 2 + 𝑣𝑖
Deficiencias:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖
𝜎 2 𝑖 = 𝜎 2 𝑋𝑖 , 𝜎 2 es una constante.
Para probar:
Paso 1.
Paso 2.
𝑛−𝑐
Con grados de libertad cada 𝑆𝐶𝑅 : −𝑘
2
𝑘, número de parámetros que deben estimarse, incluido el intercepto.
Paso 3.
Calcule la razón:
𝑆𝐶𝑅2
𝑔𝑙 𝑛−𝑐
𝐹𝑐𝑎𝑙𝑐 = 𝜆 = 𝑆𝐶𝑅1 ~𝐹𝑔𝑙,𝑔𝑙,𝛼 , 𝑔𝑙 = −𝑘
2
𝑔𝑙
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝜀𝑖
𝐻0 : 𝑛𝑜 ℎ𝑎𝑦 ℎ𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑.
𝐻1 : existe ℎ𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑.
𝑛 ∗ 𝑅2 ~𝜒 2 𝑔𝑙
Grados de libertad igual al numero de regresoras.
Paso 4.
𝜒 2 𝑐𝑎𝑙 < 𝜒 2 𝑡𝑎𝑏𝑙𝑎 , rechazo la hipótesis alterna. No hay heteroscedasticidad. Lo cual quieres decir:
(𝛼2 = 𝛼2 = 𝛼2 = 𝛼2 = 𝛼2 = 0)
Medidas correctivas.
Dos casos:
Cuando se conoce 𝜎𝑖 2 y cuando no se conoce 𝜎𝑖 2 .
Cuando se conoce 𝝈𝒊 𝟐 : Método de los
mínimos cuadrados ponderados.