Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD EN CIENCIAS
ADMINISTRATIVAS Y ECONOMICAS
ECONOMETRIA BASICA
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
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
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
Estudios entre los salarios promedios por hora en relación con los años de educación
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
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:
Con gl = n – 2
Prueba de
correlación de
orden de Spearman
--------------------------------------------------------------------------------
Prueba de Goldfeld-Quandt
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
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
----
MEDIDAS CORRECTIVAS
• 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