Como corregir el problema de heterocedasticidad.

Realizar la estimación mediante Mínimos Cuadrados Generalizados, es una solución, aunque esta
metodología exige estimar de antemano los valores de las varianzas heterogéneas relacionadas a
la muestra y a las variables explicativas. Se deben hacer suposiciones simplificadas sobre la
aparición eventual de la heterocedasticidad, estas deben permitir determinar la forma de la matriz
de perturbaciones, pero un mal diseño no garantizará la eficiencia de la estimación.

Es imposible observar directamente la presencia de heterocedasticidad, en la mayoría de los

análisis econométricos, solo se dispone de un par de valores para cada valor (y,x), entonces,
resulta conceptualmente imposible observar si la varianza de los errores “U” para cada valor de
“X” es la misma en toda la muestra. Por tanto, la mayor parte de los métodos se apoyarán en los
residuos obtenidos en un modelo previo (estimado generalmente con MCO); estos residuos se
utilizarán como una muestra valida de las perturbaciones aleatorias desconocidas.

Antes de cualquier utilizar cualquier método para detectar heterocedasticidad, debe haber un
análisis previo de las variables exógenas incluidas, para tratar de identificar mediante análisis
descriptivos y gráficos la naturaleza de los fenómenos económicos.

El Contraste de White para detectar heteocedasticidad

El constraste White es considerado una prueba robusta al no requerir supuestos previos como, por
ejemplo, la normalidad de las perturbaciones. De igual manera, no es necesario determinar a
priori las variables explicativas que determinan heterocedasticidad.

El objetivo de esta prueba es determinar si las variables explicativas del modelo, pueden
determinar la evolución de los errores al cuadrado. Es decir; si la dinámica de las variables
explicativas en relación a las varianzas y covarianzas es significativa para determinar el valor de la
varianza muestral de los errores.

El proceso de estimación es el siguiente:

1. Estimar el modelo original por MCO, para obtener los errores en la estimación.

2. Estimar una regresión sobre los determinantes de los errores, con la incorporación de todas las
variables incluidas en la estimación del primer modelo, estas elevados al cuadrado y sus
combinaciones no repetidas: