Prueba de

White(Heterocedasticidad)
Metodología de la prueba
Para efectos prácticos de la explicación de la prueba se usara una ecuación de
regresión con dos variables explicativas.
Sea el modelo:

𝑦 𝑖 =β 0 + β 1 X 1𝑖 + β 2 X 2 𝑖 + ui , i = 1, . . . , n

Se desea contrastar la hipótesis:

Ho: Los residuos son homocedásticos
H1: Los residuos son heterocedásticos
Los pasos siguientes son:
1.-Estimar por mínimos cuadrados ordinarios la ecuación de regresión de
interés.
𝑦 𝑖 =β 0 + β 1 X 1𝑖 + β 2 X 2 𝑖 + ui , i = 1, . . . , n

y obtener los residuos i.

2.-Estimar por mínimos cuadrados ordinarios la ecuación de regresión

auxiliar.

Se calcula el coeficiente de determinación R2 .

3.-Se calcula el estadístico de contraste nR2 (donde n son los g.l total de la
regresión auxiliar) que sigue una distribución Chi- cuadrado con p-1 grados
de libertad, donde p es el numero de parámetros de la regresión auxiliar.

4.-Decisión:
La Ho se rechaza al nivel de significación α, si nR2 > c, donde c es el valor
critico para el cual Prob( χ 2p-1 > c)= α
Ejemplo Practico Donde y(Demanda KW) y x(Consumo de energía en KWH),
son 53 datos.
Haciendo del programa Minitab

Luego de ajustar el modelo de regresión lineal procedemos a observar la grafica

de residuos vs ajustes para verificar la homocedasticidad del modelo y me arroja
el siguiente resultado.
Viendo gráficamente que no se esta cumpliendo la homocedasticidad queda
comprobarlo mediante el test de White.
Luego hallando el p-valor para compararlo el α=5%

El p-valor calculado nos da un

valor de 0,009, como el p< α se
debe rechazar la Ho, y aceptar la
H1, por lo tanto los residuos son
heterocedásticos.
Transformaciones Box-Cox
Estas transformaciones son útiles si se quiere
corregir la no normalidad y/o la varianza
constante, para ello se recurre a la siguiente
transformación.
𝑛
{ 𝑦=
˙ √ ¿¿
𝑦 λ− 1
(λ )
𝑦 = λ𝑦 λ -1
,λ≠0
˙
𝑦
˙ 𝑙𝑛𝑦 , λ=0

Donde es el promedio geométrico de las observaciones, luego

se ajusta el modelo:
X+ε
 Para determinar el valor de , se debe ajustar al
modelo para diversos valores de , se escogerá aquel
que tenga la mínima suma de cuadrados residuales
SSRES(), en general son suficientes 10 valores como
mínimo para encontrar el optimo.

Intervalo de Confianza aproximado para el optimo

Para hallar el IC, se usa la suma critica de cuadrados

SS*, en la grafica de SSRES() en función de el SS*
corta a la grafico en dos que son los limites inferior y
superior del IC.
 Ejemplo Practico: Del primero hecho observamos que tenia
hetereocedasticidad, para corregirla usaremos las transformaciones de box y cox.

*Extracto del Excel usado para hallar los SSRES()

Luego hacemos una grafica de SSRES() en función de

Por lo cual erigiríamos =0,5 para hacer la

transformación.
Haciendolo en minitab, también obtenemos como
optimo a 0,5; aquí me da los IC.
Usando la transformación con =0,5 ; y luego usar la prueba de White para
verificar que la transformación soluciono la Heterocedasticidad.
Luego hallando el p-valor para compararlo el α=5%

El p-valor calculado nos da un

valor de 0,1786, como el p> α
entonces no se rechaza Ho, por lo
tanto Los residuos son
homocedasticos.