HETEROCEDASTICIDAD:

El supuesto de homocedasticidad implica que, condicionando en las variables

explicativas, la varianza del término de error no observado es constante.

Sin embargo, en diversos análisis económicos este supuesto no es cierto y es necesario

relajarlo. Por ejemplo, cuando estimamos la relación entre la educación y la habilidad (no

observable) suponer que la habilidad es constante para cualquier nivel educativo es

demasiado estricto.

Heterocedasticidad: La varianza del error es diferente para cada valor de x. Los errores

son heterocedásticos.

EJEMPLO DE HETEROCEDASTICIDAD:

HETEROCEDASTICIDAD- CONSECUENCIAS:

 Los estimadores MCO siguen siguendo insesgados y consistentes.

 Bajo heterocedasticidad, los errores estándar de los estimadores están sesgados.

 Problema: En presencia de heterocedasticidad los estadísticos habituales

empleados en las pruebas de hipótesis bajo los supuestos de Gauss-Markov ya no

son válidos.

 Como Var(u|X) ya no es constante, el estimador MCO ya no es MELI y el

estimador MCO ya no es asintóticamente eficiente.

 En presencia de heterocedasticidad es posible hallar estimadores que sean más

eficientes que el estimador MCO, aunque es necesario conocer la forma de la

heterocedasticidad.

 Para un modelo de regresión simple en el que se cumplen RLM.1- RLM.4, el

estimador MCO es:

 Asumiendo Var (ui |Xi) = σ 2 i , la varianza del estimador es

VARIANZA DEL ESTIMADOR MCO CON HETEROCEDASTICIDAD:

VARIANZA DE LOS ESTIMADORES MCO:

PRUEBA:

ERROR ESTANDAR ROBUSTOS:

 Error estándar robusto: Raíz cuadrada del estimador consistente de la

varianza.

 Una vez obtenidos los errores estándar robustos a heterocedasticidad es posible

construir un estadístico t robusto a heterocedasticidad.

 Normalmente la varianza estimada suele ser corregida por los grados de libertad.

Para ello, la multiplicamos por n/(n − k − 1).

¿Por qué calculamos los errores estándar habituales?

 Bajo homocedasticidad, los errores se distribuyen normalmente y los estadísticos

t tienen distribuciones t exactas, sin importar el tamaño muestral.

 Los errores estándar robustos y los estadísticos t robustos sólo se justifican si el

tamaño de la muestra es grande.

 Con tamaño muestral pequeño el t robusto puede tener distribuciones alejadas de

la distribución t invalidando la inferencia.

 LM ROBUSTOS A HETEROCEDASTICIDAD:

MINIMOS CUADRADOS PONDERADOS:

COMO CORREGIR PROBLEMAS DE MULTICOLINEALIDAD:

El problema de multicolinealidad consiste en la existencia de relaciones lineales entre

dos o mas variables independientes del modelo lineal uniecuacion ´ al multiple.

Dependiendo de como sea dicha relación lineal hablaremos de multicolineali- ´ dad perfecta

o aproximada.

Las principales causas que producen multicolinealidad en un modelo son:

 relacion causal entre variables explicativas del modelo. ´

 escasa variabilidad en las observaciones de las variables independientes.

 reducido tamano de la muestra.

En definitiva, la multicolinealidad suele ser un problema muestral que se presenta

normalmente en datos con el perfil de series temporales.

La multicolinealidad exacta o perfecta hace referencia a la existencia de una relacion

lineal exacta entre dos o más variables independientes.

Dicho tipo de multicolinealidad se traduce en el incumplimiento de una de las hipotesis

básicas del modelo uniecuacional m´ultiple: la matriz ´ X no es de rango completo por

columnas, esto es, rg ( X ) < k.

Basarse en los sintomas enumerados anteriormente para la deteccion de la

multicolinealidad no es un procedimiento fiable ya que es subjetivo. Por tal motivo, para la

deteccion de la multicolinealidad usaremos los metodos:

 Número de condición

 Factor de agrandamiento de la varianza.

 Si dicho número de condicion toma un valor entre 20 y 30 estamos ante un problema de

multicolinealidad probable y se considera seguro si supera 30.

SOLUCIONES DE MULTICOLINEALIDAD:

Algunas de las posibles soluciones al problema de multicolinealidad son las siguientes:

 mejora del diseno muestral estrayendo la información máxima de la variables

observadas.

 eliminacion de las variables que se sospechan son causantes de la

multicolinealidad.

 en caso de disponer de pocas observaciones, aumentar el tamano de la muestra.

 utilizar la relacion extramuestral que permita realizar relaciones entre los

parametros (información a priori) que permita estimar el modelo por ´ m´ınimos

cuadrados restringidos.

Por otro lado, algunos autores sugieren tratar el problema de la multicolinealidad de

forma mecanica y puramente num ´ erica proponiendo una técnica conocida como regresion

alomada. Sin embargo, esta técnica tiene dos problemas importantes: es arbitraria y los

estimadores obtenidos no son interpretables.

BIBIOGRAFIA:

Salmeron, R. y Gómez, S. (2012). Relación entre los factores institucionales y el

emprendimiento: analisis mediante tecnicas cuantitativas. Revista de Metodos Cuantitativos

para la Economía y la Empresa, Número 1-3, Paginas ´ 54-72.

http://www.ugr.es/local/romansg/material/WebEco/index.html
http://personal.unizar.es/amontane/geco2/het.PDF

TEXTO BÁSICO