UNIVERSIDAD DE CUENCA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

ESCUELA DE ECONOMÍA

TEMA:

TEST DE HETEROSCEDASTICIDAD

ASIGANTURA:

ECONOMETRIA II

NOMBRES:

ALVAREZ SANTIAGO
BONETE LISETTE
SANCHEZ MONICA
VALDEZ ANDREA

DOCENTE:
ECON. JUAN PABLO SARMIENTO

CURSO:
EC 06 – 01
 AÑO LECTIVO
2019 - 2020
HETEROCEDASTICIDAD

1. INTRODUCCIÓN

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.

Un modelo heterocedástico es aquel en que las varianzas de las perturbaciones no son

constantes, por lo tanto, la variabilidad es diferente para cada observación. La
heterocedasticidad se presenta en modelos de datos agrupados.

El modelo de regresion con heterocedasticidad es un caso especial del modelo de regresion

con perturbaciones no esfericas. (Gallegos Gomez, 2008)

Ilustración 1. Homocedasticidad

Fuente: (Wooldrige, 2005)

 Ilustración 2. Heterocedasticidad

Fuente: (Wooldrige, 2005)

En presencia de heterocedasticidad,

● Estimador de MCO: Lineal, insesgado y consistente, pero deja de ser eficiente. Pues
seguirá siendo insesgado dado que 𝐸(𝑢) = 0.
● Variables explicativas son no estocásticas o independientes de los errores, por lo
tanto 𝐸(𝑋𝑢) = 0.

( )
2
● Varianza al no ser constante σ𝑖 se invalidan las pruebas de significancia estadística

en especial las pruebas de la distribución t-Student y F de Fisher.

Por lo tanto, resulta interesante disponer de métodos de detección que nos indique si los
residuos del modelo son homocedasticos o heterocedasticos.

Podemos examinar algunos métodos informales y formales para detectar la

heteroscedasticidad.
 ^
La mayoría de estos métodos se basan en el examen de los residuos 𝑢𝑖 de MCO. Se espera
^
que 𝑢𝑖 sea un buen estimador de 𝑢𝑖, esperanza que se cumple si el tamaño de la muestra es lo

bastante grande.

2. DETECCIÓN DE HETEROCEDASTICIDAD

Métodos informales

2.1 Método grafico

- Variables heterocedásticas
- Mezcla de datos heterogéneos
Métodos formales

2.2 TEST DE PARK

La prueba de Park sigue la misma idea del test de White y consiste en plantear
regresiones de los residuos al cuadrado en función de una o varias variables explicativas del
modelo econométrico propuesto y analizar la significación conjunta de la regresión (Gujarati
& Dawn, 2010).

2
Park formaliza el método y plantea que σ𝑖 está en función de las variables explicativas 𝑋𝑖.
 2 2 β 𝑣𝑖
σ𝑖 = σ 𝑋 𝑖 𝑒

O en su forma logarítmica:
2 2
ln 𝑙𝑛 σ𝑖 = ln 𝑙𝑛 σ + β ln 𝑙𝑛 𝑋𝑖 + 𝑣𝑖

Donde 𝑣𝑖 es el término de perturbación estocástico.

2 ^2
Como generalmente desconozco σ𝑖 , Park sugiere utilizar 𝑢𝑖 como una aproximación

y correr la regresión:
^2 2
ln 𝑙𝑛 𝑢𝑖 = ln 𝑙𝑛 σ + β ln 𝑙𝑛 𝑋𝑖 + 𝑣𝑖

^2
ln 𝑙𝑛 𝑢𝑖 = α + β ln 𝑙𝑛 𝑋𝑖 + 𝑣𝑖 (1)

la Hipótesis Nula será que si existe homocedasticidad. Si el valor de β es

estadísticamente significativo, es decir, si β≠0 hay evidencia empírica para rechazar la 𝐻0 e

inferir que hay heterocedasticidad. En cambio, sí β = 0, o sea, no es estadísticamente

significativo, no se puede rechazar la 𝐻0 y podemos aceptar el supuesto de

homoscedasticidad (Gujarati & Dawn, 2010).

Hipótesis a probar:
𝐻0: β = 0 (𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

𝐻1: β≠0 (𝐸𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

Por lo tanto, se puede resumir el procedimiento del test en dos pasos.

 Primero, se corre la regresión MCO del modelo original ignorando la existencia de
heterocedasticidad. Y luego, se corre la regresión auxiliar (1) con los residuos elevados al
cuadrado como variable dependiente.

La principal limitación de esta prueba es que el término de perturbación estocástico

de la regresión auxiliar 𝑣𝑖 puede no satisfacer todos los supuestos del modelo clásico de

regresión lineal y ese término puede ser heterocedástico, Sin embargo, puede ser un buen
método exploratorio (Gujarati & Dawn, 2010).

2.3 TEST DE K

^2
La prueba de Koenker-Basset (KB), esta prueba se basa en los residuos al cuadrado 𝑢𝑖 . La

regresión se realiza sobre los valores estimados de la regresora al cuadrado, es decir:

1) Estimación del Modelo Original

𝑌𝑖 = β1 + β2𝑋2𝑖 + β3𝑋3𝑖 + … + β𝑘𝑋𝑘𝑖 + 𝑢𝑖

2) Se obtienen las 𝑢𝑖
2 ^ 2
𝑢𝑖 = α1 + α2(𝑌𝑖) + 𝑣𝑖

Hipótesis a probar:
𝐻0: α2 = 0 (𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

𝐻1: α2≠0 (𝐸𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

Una ventaja de la prueba es que no requiere que el término de error del modelo original este
normalmente distribuido. (Gujarati & Dawn, 2010)
 2.4 TEST DE GLEJSER

^
Esta prueba es similar al Test de Park. Después de obtener los residuos (𝑢𝑖) de la regresión
^
MCO, Glejser sugiere una regresión sobre los valores absolutos de los residuos (𝑢𝑖) sobre la
2
variable X que se cree estar muy asociado con la varianza (σ𝑖 ). Para lo cual se planteó las

siguientes formas funcionales:

||𝑢^ || = β + β 𝑋 + 𝑣 (1)
| 𝑖| 1 2 𝑖 𝑖

||𝑢^ || = β + β 𝑋 + 𝑣 (2)
| 𝑖| 1 2 𝑖 𝑖

||𝑢^ || = β + β 1
+ 𝑣𝑖 (3)
| 𝑖| 1 2 𝑋𝑖

||𝑢^ || = β + β 1
+ 𝑣𝑖 (4)
| 𝑖| 1 2 𝑋𝑖

||𝑢^ || = β1 + β2𝑋𝑖 + 𝑣𝑖 (5)

| 𝑖|

||𝑢^ || = 2
β1 + β2𝑋𝑖 + 𝑣𝑖 (6)
| 𝑖|

Problemas en el Test de Glejser:

● Según Goldfeld y Quandt el termino de error (𝑢𝑖) presenta algunos problemas, ya

que se valor esperado es diferente de cero y esta serialmente correlacionado.

● Los modelos:
||𝑢^ || = β1 + β2𝑋𝑖 + 𝑣𝑖 (5)
| 𝑖|

||𝑢^ || = β1 + β2𝑋𝑖 + 𝑣𝑖
2
(6)
| 𝑖|

No son lineales en parámetros y por lo tanto no se puede estimar mediante MCO.

 ● Glejser descubrió que, para muestras grandes, los cuatro primeros modelos dan
buenos resultados en la determinación de heteroscedasticidad, sin embargo, en
muestras pequeñas sirve como herramienta cualitativa para tener una noción sobre
heterocedasticidad.

Pasos:

1) Planteamiento de las hipotesis:

𝐻0: β𝑗 = 0 (𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

𝐻1: β𝑗≠0 (𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

2) Correr la regresión.
^
𝑌𝑖 = β0 + β1𝑋1 + β2𝑋2+ … + β𝑘𝑋𝑘 + 𝑢𝑖

3) Obtener los valores absolutos de los errores.

||𝑢^ ||
| 𝑖|

4) Correr una regresión auxiliar con aquella variable donde existan indicios de
heteroscedasticidad
||𝑢^ || = β + β 𝑋 + 𝑣
| 𝑖| 1 𝑗 𝑖 𝑖

5) Comprobar la significancia del β de la variable, esto puede hacerse directamente con

el p-valor. Se puede decir que hay heterocedasticidad en 𝑋𝑖 cuando el β es

significativo.

Aplicando un test “t” con 𝑔𝑙 = 𝑛 − 2

Por lo tanto, si β𝑗 es significativo existe presencia de heteroscedasticidad

 2.5 TEST DE GOLDFELD Y QUANDT

2
Esta prueba supone que la varianza heteroscedástica, σ𝑖 , esta relacionada positivamente con

una de las variables explicativas en el modelo de regresión. Consideremos el modelo usual

con dos variables:

𝑌𝑖 = β1 + β2𝑋𝑖 + 𝑢𝑖

2
Supongamos ahora que σ𝑖 esta relacionada positivamente con 𝑋𝑖 de la siguiente forma:

2 2 2
σ𝑖 = σ 𝑋𝑖

2
En donde σ es una constante.

Supuestos:

2
● σ𝑖 es proporcional al cuadrado de la variable 𝑋
2
● La σ𝑖 es mayor si las valores de 𝑋𝑖 también lo son.

● Los errores siguen una distribución normal.

Procedimiento:

1. Hipotesis:
2 2
𝐻0: σ𝑖 = σ (𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

2 2 2
𝐻1: σ𝑖 = σ 𝑋𝑖 (𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

2. Ordenar las observaciones de forma ascendente de acuerdo con los valores de 𝑋𝑖.

3. Omitir las 𝐶 (observaciones centrales de la muestra) y dividir las observaciones

𝑛−𝑐
restantes en dos grupos, cada uno de 2
observaciones.
 Los niveles de 𝐶:

𝐶 𝑛
4 30

10 60

𝑛 Muestras grandes
3

4. Dado que tenemos dos grupos de observaciones, corremos dos regresiones

mediante MCO y obtenemos la suma de los cuadrados de los residuos (SCR)

𝑆𝐶𝑅1 = 𝑆𝑅𝐶 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑚á𝑠 𝑏𝑎𝑗𝑜𝑠 𝑑𝑒 𝑋𝑖

𝑆𝐶𝑅2 = 𝑆𝑅𝐶 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑚á𝑠 𝑎𝑙𝑡𝑜𝑠 𝑑𝑒 𝑋𝑖

5. Calcular la razón

𝑆𝐶𝑅2
𝑔𝑙
λ= 𝑆𝐶𝑅1
𝑔𝑙

En donde:
𝑛−𝑐−2𝑘
λ: sigue una distribución 𝐹 con 𝑔𝑙 = 2

𝑘: numero de parámetros que deben estimarse, incluyendo el intercepto

6. Contraste:

2.6 TEST DE BREUSCH-PAGAN Y GODFREY (BPG)

Breusch y Pagan (1979) y Godfrey (1978) construyeron una prueba que no depende del
número de variables omitidas, ni de la identificación de la variable que genera
heterocedasticidad, ni de la forma funcional (aditiva o multiplicativa). (Ramirez V., 2017)
Se apoya en el supuesto de normalidad de los errores.

Problema: El test de Breusch-Pagan solo detecta formas lineales de heterocedasticidad.

Ventajas del test de BPG

● Muy simple de aplicar y se basa en los residuos de MCO.

● No requiere conocer la forma funcional de la heterocedasticidad.
● Test constructivo, nos sugiere una forma de heterocedasticidad si se rechaza H0.

Inconvenientes del test de BPG

● Descansa en el supuesto de normalidad de los errores.

● La ecuación de regresión auxiliar no está exenta de los errores de especificación de
cualquier regresión.

Se asume para ello el modelo

𝑌 = 𝑋β + 𝑈
Donde las perturbaciones 𝑢𝑖 se distribuyen como una normal, con una varianza no constante.

2
(
σ𝑖 = ℎ δ, 𝑍𝑖 )
2
σ𝑖 = δ0 + δ1𝑍2𝑖 + … + δ𝑚𝑍𝑚𝑖

Donde ℎ(.) es una forma funcional cualquiera no especificada, δ (𝑠𝑖𝑔𝑚𝑎) es un vector de

coeficientes (𝑚𝑥1) no relacionados con los β y 𝑍𝑖 es un vector de variables (𝑚𝑥1) no

estocásticas, de las variables X (algunas o toda pueden ser parte de Z), que posiblemente
causan heterocedasticidad, en donde 𝑚 es el numero de variables que se excluyen en la
regresión auxiliar. (Gallegos Gomez, 2008)

Las hipótesis a contrastar son:

2
𝐻0: δ1 = … = δ𝑚 = 0 (𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑, σ𝑖 = δ0)

𝐻1: 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑑𝑖𝑒𝑟𝑒𝑛𝑡𝑒 𝑑𝑒 0 (𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑)

Para realizar el test, se siguen los siguientes pasos:

 ^
1) Se estima el modelo 𝑌 = 𝑋β + 𝑈 por MCO y obtener los residuos 𝑢𝑖.

𝑌𝑖 = β0 + β1𝑋1𝑖 + … + β𝑘𝑋𝑘𝑖 + 𝑢𝑖, 𝑖 = 1, 2, …, 𝑛

^2
2) Calcular la varianza de MV σ𝑀𝑉.
𝑛
^2
∑ 𝑢𝑖
^2 𝑖=1
σ𝑀𝑉 = 𝑛

3) Construir la variable ε𝑖, como,

^2
𝑢𝑖 2
ε𝑖 = ^2
~ 𝑁(0, σ )
σ𝑀𝑉

4) Realizar la regresión de ε𝑖 sobre las variables excluidas 𝑍 (Regresión auxiliar).

ε𝑖 = δ0 + δ1𝑍2𝑖 + … + δ𝑚𝑍𝑚𝑖

5) Calcular la SEC (Suma Cuadrada Explicada) de la regresión auxiliar y definir el

estadístico para la prueba BPG.
1
𝐵𝑃𝐺 = θ = 2
* 𝑆𝐸𝐶

6) Bajo la 𝐻0 de homocedasticidad el estadístico,

2
θ ~ 𝑋𝑚−1

(θ se distribuye asintóticamente como una Chi cuadrada con 𝑚 − 1 grados de

libertad, donde 𝑚 es el numero de variables incluidas en la regresión auxiliar.
 2.7 TEST DE WHITE

Este es un contraste asintótico que no se apoya en el supuesto de normalidad. Para

determinar la heteroscedasticidad no necesita especificar las variables que la provocan, por
lo que es un test general, muy simple de aplicar.

Para realizar la prueba White procedemos de la siguiente manera:

a) Estimar por mínimos cuadrados ordinarios la ecuación de regresión de interés y obtener

^
los residuos 𝑢𝑖

𝑦𝑖 = β1 + β2𝑋2𝑖 + β3𝑋3𝑖 + 𝑢𝑖 , 𝑖 = 1, …, 𝑛

b) Estimar por mínimos cuadrados ordinarios la ecuación de regresión auxiliar, y calcular el

2
coeficiente de determinación 𝑅
^2 2 2
𝑢𝑖 = α1 + α2𝑋2𝑖 + α3𝑋3𝑖 + α4𝑋2𝑖 + α5𝑋3𝑖 + α6𝑋2𝑖𝑋3𝑖 + 𝑒𝑖

Es decir, con el cuadrado de los residuos de la regresión original se hace la regresión

sobre las variables X originales, sobre sus valores al cuadrado y sobre el (los)
producto(s) cruzados de los regresores.

2
c) Calcular el estadístico de contraste 𝑛𝑅 , que sigue asintóticamente una distribución
Chi-cuadrado con 𝑞 = 𝑝 − 1 grados de libertad, donde p es el número de parámetros de
la regresión auxiliar incluyendo la constante.
2 2
𝑛 * 𝑅 ⃗ χ𝑔𝑙

Hipótesis a probar:

𝐻0: α𝑖 = … = α𝑃 = 0 (Homocedasticidad)

𝐻1: α𝑖≠0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 = 2, …, 𝑝 (Heterocedasticidad)

Donde Z = valor ji cuadrado crítico para cada nivel de significancia seleccionado (tabla)

Si:
2
𝑛𝑅 < 𝑍
∴ 𝑁𝑜 𝑅. 𝐻0 (𝑁𝑜 𝐻𝑎𝑦 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑎𝑑)

∴ 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑎𝑢𝑥𝑖𝑙𝑖𝑎𝑟 α𝑖 = … = α𝑃 = 0

Por tanto, la varianza del error es homocedastica e igual a la constante

2
σ𝑖 = α1 (𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒)

Se debe tener en cuenta que:

1. La ecuación de regresión auxiliar puede incluir muchas variables explicativas, si el

modelo original tiene muchos regresores, esto genera que los grados de libertad
aumenten reduciendo la potencia del contraste. Si la regresión tiene k regresores
incluyendo una constante el valor de “q” será en general (𝑘(𝑘 + 1)/2) − 1. (Johnston
& Dinardo, 2001)

2. La prueba de White puede ser una prueba de heteroscedasticidad (pura), de error de

especificación o de ambos. Algunas veces lo que parece heteroscedasticidad puede
deberse a que se omitan del modelo algunas variables importantes. (Gujarati & Dawn,
2010)

3. No sirve para identificar los factores o variables que causan heteroscedasticidad

(Gujarati & Dawn, 2010)

Prueba de White Modificada

Permite preservar mejor los grados de libertad, para ello obtenemos los residuos
MCO y los valores ajustados y estimamos.
 ^2 ^ ^2
𝑢𝑖 = ∝1 + ∝2𝑦 + ∝3𝑦 + ϵ

^ ^2 2
Donde 𝑦 y 𝑦 pueden aproximar 𝑋𝑗 𝑋𝑗 𝑋𝑗𝑋ℎ

2
Gracias a este procedimiento sólo contrastamos 2 restricciones. Utilizamos el 𝑅
resultante para calcular el estadístico 𝐹 o el 𝐿𝑀.

3. CONCLUSIONES

● La heterocedasticidad no causa sesgo o inconsistencia en los estimadores de MCO,

pero los errores estándar usuales y los estadísticos de prueba dejan de ser válidos.
● En presencia de heterocedasticidad, MCO ya no es el mejor estimador lineal
insesgado.
● Cuando se conoce la forma de la heterocedasticidad, puede usarse la estimación por
mínimos cuadrados generalizados (MCG). Esto lleva a mínimos cuadrados
ponderados como un medio de obtener el estimador MELI.

4. EJEMPLO
Ejemplo 3.2 (Wooldrige, 2005)

Ecuación para el salario por hora

Empleando las 526 observaciones sobre trabajadores en la base de datos WAGE1.RAW

las variables se incluyen en una ecuación para explicar log(wage).

● educ (años de educación),

● exper (años de experiencia en el mercado laboral) y
 ● tenure (años de antigüedad en el empleo actual)

La ecuación estimada es

𝑙𝑜𝑔(𝑤𝑎𝑔𝑒) = . 284 + . 092 𝑒𝑑𝑢𝑐 + . 0041 𝑒𝑥𝑝𝑒𝑟 + . 022 𝑡𝑒𝑛𝑢𝑟𝑒.

Como en el caso de la regresión simple, los coeficientes tienen una interpretación
porcentual. Aquí la única diferencia es que también tienen una interpretación ceteris paribus.
El coeficiente .092 significa que manteniendo exper y tenure constantes, se predice que un
año más de educación incrementa log(wage) en .092, lo que se traduce en un aumento
aproximado de 9.2% [100(.092)] en wage. Es decir, si se toman dos personas con los
mismos niveles de experiencia y antigüedad laboral, el coeficiente de educ es la diferencia
proporcional con el salario predicho cuando en sus niveles de educación hay una diferencia
de un año.

BIBLIOGRAFÍA
Gallegos Gomez, J. L. (2008). Heterocedasticidad. Obtenido de
https://ocw.unican.es/pluginfile.php/1285/course/section/1583/tema11.pdf
Gujarati, D. N., & Dawn, P. C. (2010). Econometía. Mexico D.F: McGraw-Hill.
Ramirez V., D. C. (2017). webdelprofesor. Obtenido de
http://webdelprofesor.ula.ve/economia/dramirez/MICRO/FORMATO_PDF/Material
econometria/HETEROCEDASTICIDAD.pdf
Wooldrige, J. (2005). Introduccion a la Economia.