UNIVERSIDAD TECNICA DEL NORTE

FACULTAD EN CIENCIAS
ADMINISTRATIVAS Y ECONOMICAS
ECONOMETRIA BASICA

NOMBRES: CASTRO DILAN, RODRIGUEZ DIEGO, PEÑAFIEL MILENA, JATIVA

MICHELLE,OTACOMA KATHY
NIVEL: CUARTO ECONOMÍA
FECHA: 16/1/2020
TEMA: HETEROSCEDASTICIDAD
 INTRODUCCION
TEOREMA DE
GAUSS-MARKOV

ELIO

No
Lineal en
exogeneidad multicolinealidad Homoscedasticidad No autocorrelacion
parametros
exacta

La importancia del Teorema de Gauss- Markov reside en que, cuando se mantiene el conjunto estándar de
supuestos, no es necesario buscar estimadores insesgados alternativos de forma especificada, ninguno es mejor que
los MCO
 Homoscedasticidad Heteroscedasticidad
La importancia del incumplimiento de la
Su gran importancia radica en que es una de las
homoscedasticidad radica, entre otras cosas, en
principales propiedades de bondad de ajuste que
que los estimadores obtenidos por MCO no son
un conjunto de datos debe poseer para poder ser
de varianza mínima aunque sigan siendo
analizado con un determinado modelo estadístico
insesgado

Se dice que un modelo presenta Se dice que un modelo de regresión lineal

homoscedasticidad cuando la varianza del error presenta heteroscedasticidad cuando la varianza
condicional a las variables explicativas es de los errores no es constante en todas las
constante. observaciones realizadas.
Homoscedasticidad

Heteroscedasticidad
CARACTERISTICAS DE LA HETEROSCEDASTICIDAD
Para el estimador de MCO, la presencia de heteroscedasticidad NO afecta
en el insesgamiento del estimador , pero deja de ser eficiente

Impide hacer inferencia sobre los resultados del modelo

Los errores estándar no son adecuados

La heteroscedasticidad surge porque los residuos están en función de una o

mas variables explicativas

cuando se conoce las variables que provocan la heteroscedasticidad se

puede recurrir al estimador de Minimos Cuadrados Ponderados

Por otro lado si se desconoce la causa de la heteroscedasticidad se puede

recurrir al estimador de Minimos Cuadrados Generalizados factibles
 NATURALEZA DE LA HETEROCEDASTICIDAD

Asimetría
Residuos en en la
función de Omisión de distribución
las v. variables de una o
explicativas más
regresoras

Datos La v. Surge
agregados dependiente Usar una frecuentem
procedentes es una forma ente en
de distintas variable funcional datos de
submuestras cuantitativa incorrecta corte
transversal
 CONSECUENCIAS DE LA
HETEROCEDASTICIDAD
Estimadores
El estimador es sesgados de las No se pueden
Es un modelo
lineal e insesgado varianzas y realizar contrastes
Generalizado
pero no es eficiente covarianzas de significancia
estimadas

Si se insiste en
El modelo da más
pruebas usuales pese
importancia a las Los estadísticos ya
a la
observaciones que no distribuciones
heterocedasticidad,
tienen mayor conocidas F y t
habrán resultados
varianza
equivocados
Contrastes para identificar la presencia de heteroscedasticidad

Intuitivo (Naturaleza
del problema)

Informales

Gráficos
Métodos para
identificar la
heteroscedasticidad
No constructivos

Formales

Constructivos
Métodos Informales

Intuitivo (Naturaleza del problema)

En estudios econométricos, es frecuente encontrarse con la presencia de heteroscedasticidad.

 Estudios del presupuesto familiar (consumo e ingreso)

 Estudios con datos de corte transversal que analizan unidades heterogéneas

 Estudios entre los salarios promedios por hora en relación con los años de educación

 Estudios de relación entre el gasto en alimentos y el gasto total

Método Gráfico

La detección de
patrones sistemáticos
en la variabilidad de los
Si suponemos que la residuos MCO nos
varianza de la indicará la posible
perturbación depende existencia de
Análisis de los residuos de uno o más heteroscedasticidad en
MCO regresoras, u otras las perturbaciones
variables conocidas
Método Gráfico
Método Gráfico
Métodos formales
Prueba de Park
Sugiere que es algún tipo de función de la variable explicativa .
Inconvenientes:
Se efectúa la regresión de MCO, ignorando el interrogante de Goldfeld y Quandt argumentan
que el término de error que entra
heteroscedasticidad, y se obtiene . Luego, se efectúa la nueva
en la nueva regresión puede no
regresión satisfacer los supuestos
^2 =𝛼+ 𝛽 𝑙𝑛 𝑋 +𝑣
𝑙𝑛 𝑢
de MCO y en sí mismo ser
𝑖 𝑖 𝑖 heteroscedástico

Se aconseja utilizar la prueba

Si resulta ser estadísticamente significativo se
de Park como método
rechaza , caso contrario se acepta. estrictamente exploratorio.
Prueba de Park
Prueba de Glejser
Después de obtener los residuos de la regresión MCO, Glejser sugiere
una regresión sobre los valores absolutos de sobre la variable X que se
sospecha que causa heteroscedasticidad.
Sugiere 4 formas funcionales: Inconvenientes:
El término de error tiene algunos
problemas, pues su valor esperado
es diferente de cero, está
serialmente correlacionado e
irónicamente es heteroscedástico
(Gujarati & Porter, 2009)

Da resultados satisfactorios en
cuanto a la detección de
heteroscedasticidad en muestras lo
Si resulta ser estadísticamente significativo se suficientemente grandes
rechaza , caso contrario se acepta.
Prueba de correlación de orden de Spearman

--------------------------------------------------------------------------------
El coeficiente de correlación de Spearman viene dado por:

𝑟 𝑠=1 − 6 ¿
Suponiendo que se detecta heteroscedasticidad de la siguiente
manera:

1. Ajuste la regresión a los datos sobre Y y X, y obtenga los residuos .

2. Tome el valor absoluto de ||, y ordene los valores || y (o ) de
Si el valor t calculado excede el valor t
acuerdo con un orden ascendente o descendente, y calcule el coeficiente
crítico se rechaza , caso contrario se
de correlación de orden de Spearman.
acepta.
3. La significancia del muestral se prueba mediante la prueba t de
la siguiente manera.

Con gl = n – 2
Prueba de
correlación de
orden de Spearman
 --------------------------------------------------------------------------------
Prueba de Goldfeld-Quandt

Supone que la varianza heteroscedástica , está relacionada

4. Calcule la razón
positivamente con , en la forma:
2 2 2 𝑆𝐶𝑅 2 / 𝑔 𝑙
𝜎 =𝜎 𝑋
𝑖 𝑖 𝜆=
𝑆𝐶𝑅 1 / 𝑔 𝑙
Lo que indica que es proporcional al cuadrado de la variable
X. . Si éste resulta ser el caso, es muy probable que haya Si el supuesto de homoscedasticidad es válido,
heteroscedasticidad en el modelo. Para probarlo, sugieren: entonces se demuestra que λ sigue la distribución F

1. Ordene las observaciones de acuerdo con los valores de , en

forma ascendente.
2. Omita las c observaciones centrales, y divida las
observaciones restantes (n − c) en dos grupos, cada uno de
(n − c)/2 observaciones. Si λ (= F) calculada es superior al F crítico en
3. Ajuste regresiones MCO de forma individual a cada grupo , el nivel de significancia seleccionado se
y obtenga las respectivas sumas de cuadrados residuales rechaza , caso contrario se acepta.
SCR1 y SCR2. Cada SCR tiene grados de libertad, donde k
es el número de parámetros que deben estimarse.
Prueba de Goldfeld-Quandt
Prueba de Breusch-Pagan - Godfrey
La idea de Breusch y Pagan (1979), consiste en comprobar si se puede encontrar una variable o un conjunto
de variables Z que sirvan para explicar la evolución de la varianza de las perturbaciones aleatorias

Se considera un modelo de regresión lineal de k variables:

𝑌 = 𝛽1 + 𝛽2 𝑋 2𝑖 + …+ 𝛽𝑘 𝑋 𝑘𝑖 +𝑢𝑖

Supone que es algún tipo de función de las variables Ζ no estocásticas, de la forma:

2
𝜎 𝑖 =𝛼 1+ 𝛼2 𝑍 2 𝑖 + … 𝛼𝑚 𝑍 𝑚𝑖

Sí que es una constante.

Para probar si es homoscedástica, se puede contrastar la hipótesis de que:

 --------------------------------------------------------------------------------
Prueba de Breusch-Pagan - Godfrey

El procedimiento es el siguiente:
Bajo la hipótesis nula de
homoscedasticidad, el estadístico
sigue asintóticamente una
distribución chi-cuadrado con (m-1)
grados de libertad, donde m es el
numero de parámetros de la regresión
auxiliar.
1
𝐵𝑃= 𝑆𝐶𝐸 ∽ 𝑎𝑠𝑖𝑛 𝜒 2𝑚 − 1
2

Si el BP (= χ2) calculado excede al

5) Obtenga la SCE (suma de cuadrados explicada) del modelo valor crítico χ2 en el nivel de
anterior y defina el estadístico: significancia seleccionado, se rechaza ,
caso contrario se acepta.
Test de White

Constituye una forma general de identificar la presencia de heteroscedasticidad. Se basa en la idea de que,
si hay heteroscedasticidad, la varianza será función de las variables explicativas.

-----------------------------------------------------------
Considere el modelo de regresión

𝑌 = 𝛽1 + 𝛽2 𝑋 2𝑖 + 𝛽 3 𝑋 3 𝑖 + 𝑢𝑖
Se efectúa una regresión sobre , las variables explicativas,
sus cuadrados y los productos cruzados sin que se repita 𝑛 ∗(𝑅 2)∽𝑎𝑠𝑖𝑛 𝜒 2𝑔𝑙
ninguno, de la forma:
con gl igual al número de regresoras (sin el
término constante) en la regresión auxiliar.
^2 =𝛼 +𝛼 𝑋 +𝛼 𝑋 +𝛼 𝑋 2 + 𝛼 𝑋 2 +𝛼 𝑋 𝑋 +𝑣
𝑢𝑖 1 2 2𝑖 3 3𝑖 4 2𝑖 5 3𝑖 6 2𝑖 3𝑖 𝑖

Si el valor ji cuadrada obtenido excede

Se obtiene de esta regresión. al valor ji cuadrada crítico en el nivel
de significancia seleccionado, se
rechaza , de lo contrario se acepta.

----
MEDIDAS CORRECTIVAS

• Cuando se conoce: método de los mínimos cuadrados ponderados

• si se conoce ,el método más directo de corregir la heteroscedasticidad es con los mínimos
cuadrados ponderados, pues los estimadores obtenidos mediante este método son MELI.
• Cuando no se conoce
• Si se conocen las verdaderas, podemos utilizar el método de MCP para obtener
estimadores MELI. Como pocas veces se conocen las verdaderas, ¿existe alguna forma
de obtener estimaciones consistentes (en el sentido estadístico) de las varianzas y
covarianzas de los estimadores de MCO aunque haya heteroscedasticidad? La respuesta
es sí.
VARIANZAS Y ERRORES ESTÁNDAR CONSISTENTES CON
HETEROSCEDASTICIDAD DE WHITE

• White demostró que esta estimación puede realizarse de forma que las inferencias
estadísticas sean asintóticamente válidas (es decir, para muestras grandes) sobre los
verdaderos valores de los parámetros. A propósito, los errores estándar de White
corregidos mediante heteroscedasticidad también se conocen como errores estándar
robustos.
SUPUESTOS RAZONABLES SOBRE EL PATRÓN DE
HETEROSCEDASTICIDAD

• Una desventaja del procedimiento de White, además de ser de muestras grandes, es que
los estimadores obtenidos por este medio pueden no ser tan eficientes como los obtenidos
por métodos que transforman la información para reflejar tipos específicos de
heteroscedasticidad. Para ilustrar esto:
CONSIDERAREMOS AHORA DIVERSOS SUPUESTOS SOBRE EL PATRÓN DE
HETEROSCEDASTICIDAD.
EJEMPLOS PARA
CONCLUIR
 BIBLIOGRAFIA

Arce, R. (Abril de 2001). Conceptos basicos sobre la heteroscedasticidad en el modelo de regresion lineal:
Tratamiento con E-Views. Obtenido de Dpto. de Economia Aplicada:
http://tabarefernandez.tripod.com/dearce.pdf
Breusch, T., & Pagan, A. (1987). A Simple Test for Heteroscedasticity and Random Coefficient Variation.
Econometrica, 1287-1294.
Fernandez, P. y. (2009). Econometria conceptos basico. Medellin.
Garcia , A., & Aguilar, C. (2011). Modelos econometricos para el desarrollo de funciones de produccion.
Obtenido de http://www.uco.es/zootecniaygestion/img/pictorex/10_10_02_Modeloseconometricos17-05-
10.pdf
Gujarati, D., & Porter, D. (2009). Econometria. Mexico DF: Mc Graw Hill.
Fernandez, P. y. (2009). Econometria conceptos basico. Medellin.
Wooldridge, J. (2008). Introduccion a la econometria . España: Thomson Paraninfo