Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y 1 2 X 2 3 X 3 ..... K X K U
Miriam Camacho V.
1
En el caso de un modelo de dos En el modelo del Consumo en función del
variables: ingreso:
f(u) Consumo
f(u)
Y
2000
1.4 NATURALEZA DE LA HS Y SUS
CONSECUENCIAS
Ci= 1 + 2Yi + ui 1800
2
Consecuencias 1.5 Pruebas para detectar
iii) En consecuencia, las pruebas t y F no son Heteroscedasticidad
confiables, se obtendrían conclusiones.
Para corregir un modelo con perturbaciones
Erróneas.
heterocedásticas, se deben hacer supuestos
Recuérdese que el estadístico de prueba es sobre la forma en que están relacionadas
de la forma: ˆ Var[ui] y la(s) variable(s) explicativa(s).
tk k
0
Sˆˆk Las formas más usuales son:
ˆ 2
F
y i
K 1
2
• i²=²Xki2
e i
nK
iv) Las estimaciones son poco precisas, puesto • i²=²Xki
que los intervalos de confianza se obtienen: • i²=² + Xki
ˆk t 2 Sˆˆk
ei2 ei2
ei2 ei2 ei2
X ki , Yˆi X ki , Yˆi
X ki , Yˆi X ki , Yˆi
X ki , Yˆi
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
i) Método gráfico ii) Prueba de Park
Ejemplo: El nivel de
mortalidad infantil Park formaliza el método gráfico, bajo el supuesto:
depende de las i2 2 X i ev i
TMIi 1 2 IPi U i
Condiciones de vida: Ln Ln LnX i vi
i
2 2
3
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
ii) Prueba de Park iii) Prueba de Glejser
En el Ejemplo: Similar a la prueba de Park. Se propone las siguientes
relaciones:
Ho: =0 (Homoscedasticidad) H1: 0 (Heteroscedasticidad) ei 1 2 X ki vi
ei 1 2 X ki vi
Lnei2 Ln 2 LnX i vi
1
ei 1 2 vi
X ki
ei 1 2 X ki vi
ei 1 2 X ki2 vi
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
iv) Prueba Goldfeld-Quandt iv) Prueba Goldfeld-Quandt
Para casos en que i2 está correlacionada positivamente
con alguna de las variables explicativas. Procedimiento:
i2 2 X ki
2
1º Ordenar en orden ascendente de la variable
explicativa que se supone causa la HS.
Ho: Las perturbaciones son homocedásticas 2º Omitir d observaciones centrales (alrededor de
H1: Las perturbaciones son heterocedásticas 1/5 parte)
Consiste en correr dos regresiones. 3º Ajustar dos regresiones separadas con todas las
Estadístico de prueba: variables y obtener SCR1 (de las observaciones más
bajas) y SCR2 (con las observaciones más altas)
SCR2
F F n d 2 K n d 2 K 4º Realizar la prueba
SCR1
2
;
2
Si las Ui N
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
iv) Prueba Goldfeld-Quandt iv) Prueba Goldfeld-Quandt
Para el ejemplo: Ho: Homosedasticidad) H1: Heterocedasticidad
Para la primera regresión:
Estadístico de prueba:
SCR2
F F 31462 2*2 31462 2*40
SCR1
20
;
2
SCR2 63536.684
F 230
Para la segunda regresión: SCR1 27584.885
Cuál es la conclusión?
4
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
v) Prueba Breusch-Pagan-Godfrey (BPG) v) Prueba Breusch-Pagan-Godfrey (BPG)
Para muestras grandes. Se supone que i² es función Procedimiento:
de un grupo de variables no estocásticas (Todas o
1º Obtener los residuos ei de la regresión MCO
algunas de las variables explicativas) 2
2º Obtener: ei
i2 1 2 Z 2i 3 Z3i ..... m Z mi vi ~ 2
n
Si 2= 3= …. m= 0 i²= 1 Constante (Homosc.) 2
3º Construir la variable: e
pi ~i 2
Se puede plantear la prueba:
4º Correr la regresión:
Ho: 2= 3= …. m=0 H1: Por lo menos uno 0
(Homoscedast.) (Heteroscedasticidad) Pi = 1 + 2 Z2i + 3Z3i +…. mZmi+ vi
1
SCR
1 Regresión 58471,000 2 29235,500 99,861 ,000b
2(m-1)
a. Variable dependiente: tmi
2º Obtener:
3º Crear los valores Pi
No se Rechaza Ho Se Rechaza Ho 4º Correr la regresión:
Homoscedast. Heteroscedast. Pi = 1 + 2 Z2i + 3Z3i +…. mZmi+ vi
2 2 Por Ejm.: Pi= 1+2anmuji+3anmuji2+4 IPi+5IPi2 + vi
0
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
v) Prueba Breusch-Pagan-Godfrey (BPG) v) Prueba Breusch-Pagan-Godfrey (BPG)
No se Rechaza Ho Se Rechaza Ho
Homoscedast. Heteroscedast. ei2 = 1 + 2 Z2i + 3Z3i + …. mZmi+ vi
Existe HS En lugar de Pi, con el cuadrado de los errores
0 9,49
5
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
vi) Prueba General de White vi) Prueba General de White
No exige la normalidad de los errores. Ejemplo: Para dos variables
Sea el modelo: Yi 1 2 X 2i U i
Yi 1 2 X 2i 3 X 3i U i
La regresión: e 1 2 X 2i 3 X 22i vi
2
Procedimiento: i
1.5 Pruebas para detectar Heteroscedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
vi) Prueba General de White vi) Prueba General de White
Ejemplo: La siguiente tabla contiene información Para el ejemplo:
sobre los gastos en alquiler y los ingresos
familiares de 40 hogares.
Alqi 1 2 Ingi U i
Procedimiento:
1º Obtener los residuos ei
Ingresos(Bs.) Gastos mensuales en Alquiler (Bs.)
1000 225 200 175 225 175 230 190 200
1.5 Pruebas para detectar Heteroscedasticidad 4.3.2 Pruebas para detectar Heterocedasticidad
6
4.3.2 Pruebas para detectar Heterocedasticidad 1.5 Pruebas para detectar Heteroscedasticidad
vi) Prueba General de White
vii) Prueba de correlación por rangos
Para el ejemplo:
TMIi 1 2TAFi 3 IPi U i Prueba no paramétrica. Se basa en el coeficiente de
correlación por rangos de Spearman.
La salida SIN Estadístico de prueba: n2
t rs t( n 2)
términos cruzados 1 rs2
sería:
t(n-2) Donde : rs 1 6
d i
2
n(n 1)
2
1 6
4237.5
0.594
X
X Rx
Rx n(n 2 1) 40(40 2 1)
10
10 1 40 2
12 t 0.594 4.5517
12 2
1 0.594 2
15
15 3,5 t(38)
15
15 3,5
17
17 5
20
20 6
28
28 8 Heterosc. Homosced. Heterosc.
28
28 8
28
28 8
30
30 10
-1.96 0 1.96 4.55 t
a) Cuando se conoce cada i2: Var(Ui)= E[Ui2] = 2 Xki2 (Xki, la variable que se
Se puede utilizar el método llamado Mínimos Cuadrados supone está causando la heteroscedasticidad)
Ponderados. Sin embargo, en los estudios
econométricos, esto es muy poco frecuente, por lo Se debe verificar si transformando el modelo se
que este método no es aplicable. soluciona la heteroscedasticidad.
ii) i²=²Zi2
Yi * 1 X 2i 2 U i
* *
iii) i²=²( 1 + 2 X2i + Ui)2
7
1.6 SOLUCIONES AL PROBLEMA DE HETEROSCEDAST. 1.6 SOLUCIONES AL PROBLEMA DE HETEROSCEDAST.
Var[Ui* ] 2 ...i
0.138 i * IPi
TMIi 1 ANFEM IP
38.40 0.9
IPi IPi IPi i IPi
Se obtiene un nuevo término de perturbación
TMIi 38.40 0.90 ANFEM i 0.14 IP
Homoscedástico
ii) En general: i²=²Zi2 Donde Zi, es conocida y es iii) Modelo de Prais y houthaker: i²=²( 1+ 2Xi)2
función de las variables explicativas Pero como no se conoce ( 1+ 2Xi) se tiene que
En el caso de dos variables: estimar.
2 2 1
Var U i Z i Var U 2 2 Z i 2 ..i
* 2 Como:
i
Var U i 2 ( ˆ1 ˆ2 X i ) 2 Var U i*
Zi 1
2 (ˆ1 ˆ2 X i ) 2 2 ..i
( ˆ1 ˆ2 X i ) 2