HETEROSCEDASTICIDAD

Etimologicamente, la palabra deriva de hetero (distinto) y el verbo griego skedanime que significa dispersar o esparcir.

INTRODUCCION
Un supuesto clsico del modelo de regresin lineal es que las perturbaciones Qi en el modelo de regresin poblacional son homocedsticas; es decir todas tienen la misma varianza. Si esto no es verdad, es decir si la varianza del error es diferente para diferentes valores de x tenemos heterocedasticidad.

se dice que un modelo de regresin lineal presenta heteroscedasticidad o heterocedasticidad cuando la varianza de las perturbaciones no es constante a lo largo de las observaciones

E (Qi2) =

2 i

i = 1,2,3,4,n

Esto implica el incumplimiento de una de las hiptesis bsicas sobre las que se asienta el modelo de regresin lineal. De ella se deriva que los datos con los que se trabaja son heterogneos, ya que provienen de distribuciones de probabilidad con distinta varianza.

Perturbaciones Homocedasticas

Perturbaciones Heteroscedasticas

Ejemplos
Cuando se estima los retornos a la educacin donde la habilidad no es observable y se cree que la varianza de la habilidad cambia con respecto a los aos de educacin obtenidos.

A medida que el ingreso de las personas aumentan, las personas poseen mas ingreso discrecional y por lo tanto tienen mayor poder de eleccin en como gastar su dinero.

CAUSAS
Existen diferentes razones o situaciones en las que cabe encontrarse con perturbaciones heteroscedsticas. La situacin ms frecuente es en el anlisis de datos de corte transversal, ya que los individuos o empresas o unidades econmicas no suelen tener un comportamiento homogneo. La heteroscedasticidad puede surgir cuando el modelo esta incorrectamente especificado. Cuando se omite una variable relevante, la varianza del error no es constante. Tambien surge por la presencia de Datos Atipicos o Aberrantes, cuando la observacion es muy diferente(muy pequea o muy grande) en relacion con las demas observaciones de la muestra.

CONSECUENCIAS
Las principales consecuencias que derivan del incumplimiento de la hiptesis de homocedasticidad en los resultados de la estimacin de mnimos cuadrados son: Error en el clculo del estimador de la matriz de varianzas y covarianzas de los estimadores de mnimos cuadrados. Prdida de eficiencia en el estimador mnimo cuadrtico. Por lo dems los estimadores de mnimos cuadrados siguen siendo los mejores estimadores que pueden obtenerse. Siguen siendo insesgados, pero dejan de ser de varianza mnima. Las pruebas t y F del anlisis estndar no son vlidas

DETECCION DE HETEROCEDASTICIDAD
y

Algunos mtodos formales e informales para detectar la heteroscedasticidad son :

Mtodo Grfico. se puede hacer el anlisis de regresin sobre el supuesto de que no existe heteroscedasticidad y luego hacer un estudio posterior de los residuos estimados al cuadrado e2, para ver si presentan un patrn sistemtico, los patrones que se pueden observar al grficar e2 contra Y estimada pueden ser :

Un patrn como el que se muestra en las figuras anteriores por ejemplo en la (c) sugiere que la varianza del trmino perturbacin est relacionada linealmente con la variable X. La varianza es heteroscedstica y puede ser proporcional al valor de la variable independiente.

PRUEBA DE PARK
Park formula el mtodo grfico suponiendo que en funcin de la variable explicativa X , la forma funcional sugerida por l fue: donde
es estocstico.

Como no se conoce, entonces sugiere utilizar los errores como aproximacin y correr la siguiente regresin: significativamente diferente de cero entonces puede implicar la existencia de heteroscedasticidad en los datos.

, si

es

PRUEBA DE GLEJSER
y

Es similar a la prueba de Park, slo que despus de obtener de la regresin de MCO, Glejser sugiere regresar los valores absolutos o al cuadrado de los residuos, sobre una potencia de la variable , seleccionando el que se cree que est asociado con la , de la siguiente forma funcional:

Para valores de y escoger el valor de h que proporcione una mejor regresin ( significativo y una SRC pequea).

PRUEBA DE GOLFELD Y QUANDT

y

Parte del supuesto de que la magnitud de depende de una variable xi donde es una constante. Supongamos que dicha dependencia es positiva, es decir que los valores mayores de ocurre en la que xi es grande, entonces el contraste supone los

siguientes pasos: y Ordenar las observaciones por los valores de la variable xi de menor a mayor y Omitir p observaciones en la mitad de la muestra de modo que queden dos grupos de datos con datos cada uno.

Se hace regresiones por separado a las primeras observaciones (que corresponden a los valores ms bajos de xi es decir de varianza pequea) y de las ltimas observaciones (que corresponden a los valores ms altos de xi, el grupo de mayor varianza) y en cada una de estas regresiones calcular: SRC1: y SRC2

Bajo el supuesto de homocedasticidad y normalidad del trmino de error del cociente.

Si en una aplicacin (=F) calculada es superior al F critico en el nivel de significancia seleccionado, podemos rechazar la hipotesis de homocedasticidad

OTRAS PRUEBAS
Contraste de Breusch y Contraste de White (prueba general de heterocedasticidad de White) y Contraste a partir del coeficiente de correlacin por rangos de Spearman y Contraste de Harvey y Contraste RESET de Ramsey y Contraste de picos y LM Arch
y

Cmo se corrige

Analisis en EViews
y y y

Primer paso: Una vez importado el archivo consumo.xls realizar la regresin entre consumo e ingreso por MCO

Segundo Paso: Crear los residuos al cuadrado generando una nueva variable e2. Presionar Genr y escribir la siguiente ecuacin: e2 = resid * resid. Tercer paso: seleccionar las series e2 e ingreso y abrirlas como un grupo. Graficar (view / Graph / Scatter / Simple Scatter ) Como puede verse en el siguiente grfico, los errores al cuadrado se incrementan a medida que crece el nivel de ingreso. Por lo tanto puede verse la presencia de heterocedasticidad

Lamentablemente no siempre es tan simple la deteccin de heterocedasticidad y por lo tanto debemos recurrir a tests de heterocedasticidad. Por ejemplo, EViews trae incorporado el test de white para la deteccin de heterocedasticidad. Test de White Una vez corrida la regresin es posible realizar este test. Para ello debe presionarse view / Residual tests / white heteroskedasticity (ya sea no cross terms o cross terms segn se considere conveniente o no que el test se realice con terminos cruzados o no). Los resultados obtenidos en el ejemplo son los siguientes:

Solucion
La primera alternativa es estimar la matriz de varianzas y covarianzas a partir de una ecuacin que se crea la ms apropiada para representar la causa de la heterocedasticidad. Por ejemplo es posible pensar que una persona puede consumir slo una pequea proporcin ms all de sus ingresos. y Para Realizar esto, seleccionar Quick/Estimate equation insertar la ecuacin consumo c ingreso tal como se hara con MCO pero presionar Options, Marcar la opcin weighted LS / TSLS y poner en weight la variable que se piensa que causa la heterocedasticidad.
y

Los resultados de la regresin se presentan en el siguiente Cuadro:

Si se corre nuevamente el test de white, en este ejemplo ser rechazado al 5% de confianza.

La segunda alternativa es utilizar una matriz de varianzas y covarianzas consistente, para que la varianza de los coeficientes no est sesgada, en el ejemplo se tom la varianza consistente con heterocedasticidad propuesta por White. Para lo cual debe colocarse la misma ecuacin el cuadro de dialogo y al presionar Options, Seleccionar Options, Heteroskedasticity Consistent Covariance y optar por white como se muestra en la siguiente figura:

Los resultados se presentan en el siguiente cuadro, los coeficientes coinciden con los de MCO (pues estos eran consistentes) pero mejor la estimacin de la varianza de los estimadores y por lo tanto cambi la significatividad de dichos coeficientes