HETEROCEDASTICIDAD

Mtro. Rubén C. García Méndez

DEFINICIÓN
Proviene de griego
heteros = diferentes
Cedasticidad:
dispersión
En estadística se
denomina cuando los
errores no son
constantes a lo largo de
toda la muestra.
REPRESENTACIÓN MATEMÁTICA
Para comprenderlo de forma intuitiva

¿cómo lo podemos razonar ?

Iguales varianzas de “u” para los distintos
valores de “x” implica necesariamente
igual dispersión (varianzas) de “y” para
distintos valores de “x” lo que implica
necesariamente que la recta de
regresión va a representar con igual
precisión la relación entre “x” e “y”
independientemente de los valores de
“x”.
¿Por qué es importante?
Esto es muy importante porque debe
recordarse que el análisis de regresión
es un análisis de regresión condicional
de “y” sobre “x”
¿Qué implica?
Implica por lógica, que si se desea
obtener un parámetro de relación
estable y útil entre ambas variables, los
valores muéstrales de “y” deben
mostrarse igualmente dispersos ante
variaciones de “x”.
 EN
TERMINOS
DE ERROR
Aunque el error será́ mayor para
mayores valores de “x” (no se fuerza
que el error tenga un tamaño igual para
el recorrido de “x”) la dispersión del
error alrededor de la recta de regresión
será́ la misma.
ENTONCES
¿QUÉ NOS PERMITE
CONSIDERAR?
Esto permite considerar igualmente
válidos todos los datos muéstrales de
los regresores “x” para determinar la
relación condicional de “y” a los valores
de “x” sin tener que ponderar más o
menos unos valores u otros de “x” en
función de la menor o mayor dispersión
de “y” en los distintos casos.
CAUSAS FRECUENTES DE LA
HETEROCEDASTICIDAD
VARIABLES
EXÓGENAS
Variables explicativas
con una distribución
asimétrica
Si una variable explicativa presenta una
distribución asimétrica (por ejemplo la
renta), resultará inevitable que, por
ejemplo para el caso de asimetría a
derechas, los valores mayores del
regresor estén asociados a una mayor
dispersión en el término de error de la
regresión.
 Variables
explicativas con
amplio recorrido
Las variables con amplio recorrido
favorecen la aparición de
heterocedasticidad en mayor medida
que aquellas otras que presentan un
agrupamiento muy claro alrededor del
valor de la media.
Omisión de variables relevantes en el
modelo especificado.
En este caso no hablamos de las variables
seleccionadas, sino, precisamente, de las
no seleccionadas. Cuando se ha omitido
una variable en la especificación, dicha
variable quedará parcialmente recogida
en el comportamiento de las
perturbaciones aleatorias, pudiendo
introducir en éstas su propia variación, no
necesariamente fija.
Otras causas
Cambio de estructura
El hecho de que se produzca un cambio
de estructura determina un mal ajuste
de los parámetros al conjunto de los
datos muestrales.
Forma funcional
incorrecta
La utilización de una forma funcional
incorrecta, por ejemplo la utilización de una
función lineal en lugar de una logarítmica
potencial, puede provocar que la calidad del
ajuste de la regresión varíe según los valores
de las exógenas, por ejemplo, ajustando
bien para los valores pequeños y mal para
los grandes; en ese caso, es posible que en
las zonas de peor ajuste existan, no sólo
errores mayores, sino también errores más
dispersos.
 Modelos de
aprendizaje sobre los
errores
Esta causa, apuntada por Gujarati3, se
refiere a la modelización de fenómenos
que contienen un mecanismo de auto -
aprendizaje en función de los errores
(desajustes) previos.
 Presencia de
puntos atípicos
Esta causa, apuntada por Gujarati, se
refiere a la modelización de fenómenos
que contienen un mecanismo de auto -
aprendizaje en función de los errores
(desajustes) previos.
TAREA