Econometría I – Unidad 3

Clase 2: 08/11/2022
Heterocedasticidad
Repaso: El error esta correlacionado con alguna xj por lo tanto la varianza no es
aleatoria. Para la regresión siempre consideramos no correlación y error
aleatorio (esperanza es 0). Comprobar que la media representa a la población, es
decir que es consistente. Heterocedasticidad, la varianza de los errores es igual a
xj, el error tiene correlación con xj. Nates de corregir errores debemos verificar.
Determinar el nivel de error; asumimos errores estándar para toda la muestra.
La varianza del error, en homocedasticidad, se mantiene constante; lo tomamos
como sigma2. Determinar que xj afecta la regresión. Encontrar el error al
cuadrado; ponderar lo errores más grandes y quitar valor a los valores pequeños.
Primero tenemos la regresión de cada una de las xj con respecto al resto de xj;
donde obtenemos un residuo rj que es el valor no correlacionado con ninguna
variable.

Si rechazamos la hipótesis nula, que la varianza es constante, entonces decimos

que si existe heterocedasticidad.
Breusch Pagan
 Realizar una regresión de y con relación a x, con pasos previos de
regresiones parciales.
 Encontrar los residuales, errores al cuadrado
White Test
 Usar no linealidades usando cuadrados y multiplicación de variables.
 Tener una regresión del residual en todas las variables no redundantes
cuadráticas y de las variables explicativas.
 Tener cada uno de los deltas al cuadrado y entre variables
 Problema: Demasiados grados de libertad.

Altenative White Test
 Realizar una regresión de y con relación a x, con pasos previos de
regresiones parciales.
 Encontrar los residuales, errores al cuadrado.
 Determinar y guardar los valores estimado de y.
 Hacer una regresión con relación a los valores esperados y, además del
cuadrado de los mismos y2.

 Únicamente perderíamos dos grados de libertad.
 Delta es la heterocedasticidad, en que valor esta correlacionado el error con
la variable.
Weighted least squares
 Bajo la heteroscedasticidad los estimadores OLS no serán más BLUE.
Corregir la varianza y la correlación con xi para recién establecer nuestra
regresión.
 Mejorar la eficiencia con un estimador con menor varianza. Transformarlo
de modelo con Heterocedasticidad a uno con Homocedasticidad.
 El nuevo estimador WLS requiere saber exactamente la estructura de
heterocedasticidad.
 La varianza se ve afectada por una o más xi. Por lo tanto, ahora tenemos una
función “h” con relación a xi [h(x)].

 Para el modelo transformado:




 Encontrar h(x) para transformar la regresión a una homocedasticidad.
 De esta manera tendremos BLUE.
 En la mayoría de los casos no podemos saber y hallar la forma de la
heterocedasticidad.
 Necesitamos estimar h(x).
Clase 3: 09/11/2022
Repaso: La heterocedasticidad principalmente se da por un problema de
variable omitida. Variables no observables que no forman parte de nuestra
regresión; ya que jamás tendremos una regresión perfecta.
 Endogeneidad
La relación entre las variables explicativas y las variables explicadas, nos dice
que ambas tienen que tener cierto nivel de endogeneidad. Y es endógena en
relación a X, donde Y es nuestra variable Y y X son nuestras variables
Exógenas. Si tenemos sesgo la inferencia está mal. El sesgo es la variación de la
media. Reducir la varianza a n valor constante y mucho mas pequeño [reducir
h(x)].
Endogeneidad se refiere a la correlación entre los regresores y los términos de
error.

 Existen muchas situaciones donde el error puede estar correlacionado con el

regresor (x).
 Variables Omitidas.
 Errores de medida en los regresores; recopilar la información de mejor
manera.
 Simultaneidad; dos variables que afectan en sentido similar a la variable
explicada.
 Variables dependientes atrasadas, existe una autocorrelación (relación
entre variables pasadas con variables nuevas) con el error.
Propiedades de OLS Bajo Endogeneidad


 Solo tiene sentido si:

Solución para Endogeneidad

Mejores controles, las variables exploratorias se vuelven endógenas:
 Tener más controles permite tener el control transversal.
 Mayores controles con respecto a las variables pasadas.
Variables Instrumentales (IV):
 Z únicamente afecta a X para corregir las FOC.
 Definir un nuevo estimador:
 IV es un estimador de método de momentos.
Motivación
 No hay correlación entre la variable instrumental y el error (Z no está
correlacionada con U).

 Z debe estar correlacionada con X.

 Para que la variable sea exógena, nos basamos en teoría económica.
 Test de relevancia, incrementar la variable con relación a X pero no
correlacionada a Y.
 Hacer una regresión con respecto a X, con Z como variable explicativa:

IV Estimaciones de un Modelo de Regresión Simple






 Efecto de z en y:
 Efecto de x en y:
Propiedades de IV
 Consistencia:

 Sesgo:

 Varianza: