Econometría Aplicada

UNIDAD 4: HETEROCEDASTICIDAD
4.1 Consecuencias de la heterocedasticidad
  el modelo
En

 El supuesto RLM.5 de homocedasticidad nos indica que la varianza del

error es constante:
4.1 Consecuencias de la heterocedasticidad
A  pesar de la heterocedasticidad:
 Los estimadores siguen siendo insesgados y consistentes
 La interpretación de la medida de bondad de ajuste tampoco se ve
afectada.
El problema de la heterocedasticidad es que:
 Los estimadores de las varianzas, , son sesgados.
 Como los errores estándar se basan en dichas varianzas, dejan de ser
válidos para la construcción de intervalos de confianza y estadísticos t.
4.3 Pruebas para heterocedasticidad

  Partiendo del modelo lineal general:

 Se considera la hipótesis nula:

 Como se supone que tiene esperanza condicional cero:

4.3 Pruebas para heterocedasticidad

  Se puede plantear la siguiente relación:

 Entonces, la hipótesis nula de homocedasticidad sería:

 Como los errores reales son desconocidos, se trabaja con los residuales:
4.3 Pruebas para heterocedasticidad

  Se plantea el estadístico F:

Donde es la R-cuadrada de la regresión anterior y es el número de

regresores. Este estadístico tiene una distribución bajo la hipótesis nula de
homocedasticidad.
4.3 Pruebas para heterocedasticidad

  También es posible plantear el estadístico LM (Lagrange Multpliers),
aplicado para muestras grandes:

Este estadístico se distribuye asintóticamente como

4.3 Pruebas para heterocedasticidad
 
Prueba de Breusch-Pagan para heterocedasticidad

 Estimar el modelo por MCO y obtener los residuales al cuadrado:

 Ejecutar la regresión y conservar la R-cuadrada:
 Formar el estadístico F o el estadístico LM y calcular el valor-p. Si dicho
valor es suficientemente pequeño (menor que el nivel de significancia
elegido), se rechaza la hipótesis nula de homocedasticidad.
4.3 Pruebas para heterocedasticidad
 
Prueba de White para heterocedasticidad (ejemplo, para dos variables
independientes)

 Estimar el modelo por MCO y obtener los residuales al cuadrado:

 Ejecutar la regresión

y conservar la R-cuadrada:
 Formar el estadístico F o el estadístico LM y calcular el valor-p. Si dicho valor
es suficientemente pequeño (menor que el nivel de significancia elegido), se
rechaza la hipótesis nula de homocedasticidad.
4.4 Estimación por Mínimos Cuadrados
Ponderados
 
Caso de heterocedasticidad conocida

 Denotemos con a todas las variables explicativas del modelo y

supongamos que:
Donde es alguna función de las variables explicativas que determina la
heterocedasticidad.
 Dada una muestra aleatoria de la población, puede escribirse
4.4 Estimación por Mínimos Cuadrados
Ponderados
 
Caso de heterocedasticidad conocida

 Entonces es posible dividir la ecuación del modelo entre

Donde se verifica que

4.4 Estimación por Mínimos Cuadrados
Ponderados
 
Cuando la función de heterocedasticidad debe ser estimada:

 En la mayoría de los casos, la forma exacta de heterocedasticidad no es

obvia. Se puede utilizar una estimación en lugar de (Mínimos
Cuadrados Generalizados Factibles)

 Suponga que:
4.4 Estimación por Mínimos Cuadrados
Ponderados
 
Cuando la función de heterocedasticidad debe ser estimada:

 Entonces, podemos escribir: