VIOLACION DEL SUPUESTO DE HOMOCEDASTICIDAD: CAUSAS,

CONSECUENCIAS, DETECCION Y CORRECCION

SUPUESTO DE RESIDUOS HOMOCEDASTICOS: LA VARIANZA DE LAS
PERTURBACIONES Ui, CONDICIONADA A LAS VARIABLES EXPLICATIVAS
INCLUIDAS EN EL MODELO, ES CONSTANTE, 2.
V(Ui / Xi) = E(Ui2) = 2

i= 1, 2,n

Consumo (Y)

1 + 2 X2i

80
100
Ingreso (X)

OBSERVE QUE A MEDIDA QUE EL NIVEL DE INGRESO AUMENTA, EL

CONSUMO PROMEDIO TAMBIEN CRECE, PERO LA VARIANZA DEL
CONSUMO (DISTRIBUCION EN TORNO A LA MEDIA PARA CADA NIVEL DE
INGRESO) PERMANECE CONSTANTE A CUALQUIER NIVEL DE INGRESO.
HETEROCEDASTICIDAD: V(Ui / Xi) = E(Ui2) = i2

NO CONSTANTE

Consumo (Y)

1 + 2 X2i

80
100
Ingreso (X)

TANTO EL CONSUMO PER SE COMO SU VARIANZA CRECEN CON EL

INGRESO.
J. Ramoni Perazzi
Econometra I

Captulo 11. 1

CAUSAS DE HETEROCEDASTICIDAD:

MODELOS DE ENSAYO Y ERROR: LA EXPERIENCIA REDUCE LOS

ERRORES DE COMPORTAMIENTO EN EL TIEMPO, O EN
COMPARACION CON LOS MENOS EXPERIMENTADOS VARIANZA
DECRECE (SECRETARIAS, OPERADORES DE MAQUINARIAS, )

INGRESO DISCRECIONAL: A MENOS INGRESO, MAYOR PMgC.

PERSONAS CON BAJOS RECURSOS TIENDEN A GASTAR TODO SU
INGRESO (AHORRO 0). PERSONAS CON MAS ALTO NIVEL DE
INGRESO TIENEN MAS OPCIONES EN CUANTO A COMO DISTRIBUIR
SU INGRESO VARIANZA CRECE.

Salarios (COM) como funcin del tamao de empresa (NE)

7000
6000

COM

5000
4000
3000
2000
1000
0

10

NE

MEJORAS EN LOS SISTEMAS DE RECOLECCION DE DATOS

MALA ESPECIFICACION DEL MODELO DE REGRESION: FORMA

FUNCIONAL INCORRECTA, OMISION DE VARIABLES RELEVANTES.

ASIMETRIA EN LA DISTRIBUCION DE VARIABLES EXPLICATIVAS

INCLUIDAS EN EL MODELO (INGRESO, RIQUEZA, EDUCACION, ETC)

MANIPULACION DE LOS DATOS: INCORRECTA TRANSFORMACION

DE LOS DATOS (DIFERENCIAS O RAZONES).

J. Ramoni Perazzi
Econometra I

Captulo 11. 2

OUTLIERS O FACTORES ATIPICOS: OBSERVACIONES QUE SON MUY

DIFERENTES CON RESPECTO AL RESTO DE LA MUESTRA
Consumo como funcin del ingreso para distintos pases

OUTLIER (Chile)
1000

EXPEND

800

600

400

200
0. 4

0. 6

0. 8

1. 0

1. 2

INC

NOTA: LOS PROBLEMAS DE HETEROCEDASTICIDAD SON MAS

FRECUENTES EN DATOS DE CORTE TRANSVERSAL (INDIVIDUOS,
EMPRESAS, PAISES DE DIFERENTE TAMAO, CONDICION, ETC).
DISTINTOS INDIVIDUOS O UNIDADES EN UN PUNTO DADO DEL TIEMPO
TIENDEN A SER MAS HETEROGENEOS.
EN SERIES DE TIEMPO LAS VARIABLES TIENDEN A PRESENTAR
MAGNITUDES SIMILARES EN EL TIEMPO POR EL EFECTO AGREGACIN.
CONSECUENCIAS DE LA HETEROCEDASTICIDAD:
EN PRESENCIA DE HETEROCEDASTICIDAD, LOS ESTIMADORES MCO
SERAN LINEALES, INSESGADOS Y CONSISTENTES ( i n>>
i) PERO
NO EFICIENTES. DEJAN DE SER MELI.
LA VARIANZA NO ES MINIMA

EN EFECTO, PARA EL MODELO:

J. Ramoni Perazzi
Econometra I

LOS RESULTADOS DE LAS PRUEBAS

t Y F NO SON CONFIABLES
Yi = 1 + 2 Xi + Ui

Captulo 11. 3

VAR ( 2) =

VAR ( 2) =

x2i
x
( x

CON HOMOCEDASTICIDAD

2i

i
2

2i

)2

CON HETEROCEDASTICIDAD

DETECTANDO HETEROCEDASTICIDAD:

NATURALEZA DEL PROBLEMA: DATOS CORTE TRANSVERSAL: A

MAYOR HETEROGENEIDAD DE LA MUESTRA, MAYOR PROBABILIDAD DE
HETEROCEDASTICIDAD.

METODO GRAFICO: EXAMEN POSTMORTEM DE LOS RESIDUOS AL

CUADRADO EN BUSCA DE PATRONES SISTEMATICOS ( u i usados como
proxies de ui)

u i 2 vs i

INFORMACION GENERAL

u i 2 vs Xi

INFORMACION ESPECIFICA

J. Ramoni Perazzi
Econometra I

Captulo 11. 4

METODOS FORMALES:

EXISTE UNA VARIEDAD DE TEST DE HETEROCEDASTICIDAD, TODOS

ELLOS BASADOS EN DETERMINAR SI EXISTE O NO ALGUN TIPO DE
RELACION ESTADISTICAMENTE SIGNIFICATIVA ENTRE LOS RESIDUOS Y
ALGUNA OTRA VARIABLE. LOS PRIMEROS TESTS, COMO EL DE PARK Y
GLEJSER RESULTAN POCO CONFIABLES DADO QUE NADA GARANTIZA
QUE LOS RESIDUOS DE LAS REGRESIONES SOBRE LOS QUE SE BASAN
SEAN A SU VEZ HETEROCEDASTICOS. SIN EMBARGO, ESTOS TESTS
SIRVIERON DE BASE PARA OTROS MS ROBUSTOS Y DE USO MS
FRECUENTE ACTUALMENTE:
HETEROCEDASTICIDAD IMPLICA QUE EXISTE UMA RELACION ENTRE LA
VARIANZA DE LOS RESIDUOS Y UNA O MAS VARIABLES DENTRO O
FUERA DEL MODELO.
DE ALLI QUE EL OBJETIVO DE TODOS ESTOS
TESTS SEA PROBAR SI EXISTE O NO TAL RELACION-.
.
1.
TEST BREUSCH-PAGAN-GODFREY1:
SEA

Yi = 1 + 2 X2i + ... + k Xki +ui

ASUMA

i2 = 1 + 2 Z2i + + m Zmi + vi

DONDE LAS VARIABLES Zs PUEDEN SER O NO LAS MISMAS VARIABLES

Xs. SE LLEVA A CABO UNA PRUEBA DE SIGNIFICACION CONJUNTA COMO
SIGUE:
H0: 2 = = m = 0

RESIDUOS HOMOCEDASTICOS

H1: AL MENOS UN 0

RESIDUOS HETEROCEDASTICOS

PASOS:

i)
ii)
iii)
iv)
v)

ESTIME EL MODELO Y OBTENGA LOS RESIDUOS u i s

CALCULE
2 = u i 2/n
CONSTRUYA LA VARIABLE pi= u i 2 /
2
REGRESE pi CONTRA LAS Zs Y OBTENGA LA SCReg
CALCULE = SCReg/2 2m-1

DESVENTAJAS: EL TEST ES SENSIBLE AL SUPUESTO DE NORMALIDAD

DE LOS RESIDUOS ui.

EXISTEN OTROS TEST DE HETEROCEDASTICIDAD: TEST DE CORRELACION DE

SPEARMAN, GOLDFELD-QUANT, KOENKER-BASSETT, POR NOMBRAR ALGUNOS.
J. Ramoni Perazzi
Captulo 11. 5
Econometra I

2.

TEST GENERAL DE WHITE:

SEA

Yi = 1 + 2 X2i + 3 X3i +ui

u i 2 =1 + 2 X2i + 3 X3i + 4 X2i2 + 5 X3i2 + 6 X2iX3i + ui

H0: 2 = = m = 0

RESIDUOS HOMOCEDASTICOS

H1: AL MENOS UN 0

RESIDUOS HETEROCEDASTICOS

PASOS:

i)
ii)
iii)

DESVENTAJAS:

ESTIME EL MODELO Y OBTENGA LOS RESIDUOS u i s

ESTIME LA REGRESION AUXILIAR REGRESSION
u i 2 = f(X2i, X3i, X2i2, X3i2, X2iX3i ) Y OBTENGA EL R2.
CALCULE nR2 2k-1

HAY QUE SER CUIDADOSOS AL APLICAR EL TEST A

MODELOS CON MUCHOS REGRESORES

MEDIDAS REMEDIALES:

1) UTILIZAR LA INFORMACION REFERIDA A LA DESIGUAL VARIABILIDAD

DE LA VARIABLE DEPEDIENTE
A) MINIMOS CUADRADOS GENERALIZADOS2: APLICAR MCO A VARIABLES
TRANSFORMADAS DE MODO TAL QUE SATISFAGAN LOS SUPUESTOS

SEA

Yi = 1(1) + 2 X2i +ui

CON VAR (ui) = i2 CONOCIDA3

DIVIDA LA ECUACION ENTRE i

Yi /i = 1(1/i) + 2 (X2i /i) +(ui/i)
Yi* = 1(1*) + 2 X2i* +ui*

CUANDO LOS MCG MINIMIZAN LA SUMA CUADRATICA DE LOS RESIDUOS PONDERADOS,

(( u i/ i)2), SE LE CONOCEN COMO MINIMOS CUADRADOS PONDERADOS.
3 SI LA VARIANZA ES DESCONOCIDA, UTILICE LA VARIANZA ESTIMADA (MCG FACTIBLES)
J. Ramoni Perazzi
Captulo 11. 6
Econometra I

DONDE ui* SON HOMOCEDASTICOS

VAR (ui*) = E(ui*)2 = E(ui/i)2 = (1/i)2 E(ui)2 = (1/i)2 (i2) = 1

CONSTANTE

EN TERMINOS MATRICIALES: MCG=(X-1X)-1X-1y

B) TRANSFORMACION DE WHITE PARA ERRORES ESTANDAR ROBUSTOS

(REGRESION ROBUSTA)
WHITE SUGIERE CORREGIR LA ESTIMACION DE LOS ERRORES ESTANDAR
DE LOS COMO SIGUE:
VAR( j) =

w
i 1

2
ji

u i2

( w 2ji ) 2
i 1

DONDE w j SON LOS RESIDUOS DE LA REGRESION AUXILIAR DE Xj CON

RESPECTO A LOS DEMAS REGRESORES.
VENTAJA: PERMITE OBTENER ESTIMADORES MELI SIN ALTERAR LAS
ESTIMACIONES

DESVENTAJA: IGNORA OTRAS POSIBLES FORMAS DE HETEROCEDASTICIDAD:

V(Ui) = 2Xi2

V(Ui) = 2Xi

V(Ui) = 2 [E(Yi)]2

2) REDUCIR LA DESIGUAL VARIABILIDAD DE LA VARIABLE DEPENDIENTE

TRANSFORMACION LOGARITMICA DE LAS VARIABLES, LO CUAL

REDUCE LA ESCALA Y POR ENDE LA DIFERENCIA ENTRE VALORES.

DEFLACTAR LAS VARIABLES A PARTIR DE ALGUNA MEDIDA DE TAMAO

J. Ramoni Perazzi
Econometra I

Captulo 11. 7

EJEMPLO 1: SUELDOS EN FUNCION DE ANTIGUEDAD Y EDUCACION.

Sueldo promedio de profesores sin
ttulo de doctorado, independientemente
de su antiguedad

Dependent Variable: SUELDO

Method: Least Squares
Included observations: 1796

C
ANTIG
ANTIG2
DOCTOR
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

1171633.
83698.63
-1320.920

35643.85
4229.935
105.3072
21392.34

32.87055
19.78722
-12.54349
18.67393

0.0000
0.0000
0.0000
0.0000

399479.1
0.510215
0.509395
386236.3
2.67E+14
-25650.52
622.2488
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

2215022.
551425.7
28.56851
28.58075
28.57303
2.043191

Los sueldos aumentan

en promedio Bs. 83698
con cada ao de
experiencia, pero a una
tasa decreciente
(1320,92)
Los doctores ganan
en promedio Bs.
399479 ms que los
no doctores

Heteroskedasticity Test: White

F-statistic
Obs*R-squared
Scaled explained SS

70.22060
387.2763
356.7119

Prob. F(7,1788)
Prob. Chi-Square(7)
Prob. Chi-Square(7)

0.0000
0.0000
0.0000

Dependent Variable: SUELDO

Method: Least Squares
Included observations: 1796
White Heteroskedasticity-Consistent Standard Errors Covariance

C
ANTIG
ANTIG2
DOCTOR
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
J. Ramoni Perazzi
Econometra I

Coefficient

Std. Error

t-Statistic

Prob.

1171633.
83698.63
-1320.920
399479.1

28518.22
4276.930
113.8430
21298.57

41.08366
19.56979
-11.60300
18.75614

0.0000
0.0000
0.0000
0.0000

0.510215
0.509395
386236.3
2.67E+14
-25650.52
622.2488
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

2215022.
551425.7
28.56851
28.58075
28.57303
2.043191

Captulo 11. 8

EJEMPLO 2: DE NUEVO LOS VEHICULOS

Dependent Variable: PRECIO
Method: Least Squares
Included observations: 93
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DOMESTICO
POTENCIA

-0.127778
-3.061851
0.147522

1.837829
1.208065
0.011589

-0.069527
-2.534508
12.72898

0.9447
0.0130
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.646517
0.638662
5.806422
3034.308
-294.0203
1.521892

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

19.50968
9.659430
6.387532
6.469229
82.30447
0.000000

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

2.245308
8.612539

Probability
Probability

0.070533
0.071548

Residuos
heterocedsticos
al 8%

Dependent Variable: LOG(PRECIO)

Included observations: 93
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DOMESTICO
LOG(POTENCIA)

-2.464940
-0.104167
1.097530

0.334486
0.048544
0.068214

-7.369332
-2.145823
16.08951

0.0000
0.0346
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.742607
0.736888
0.233229
4.895610
4.946833
1.575917

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

2.865452
0.454686
-0.041867
0.039829
129.8302
0.000000

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

J. Ramoni Perazzi
Econometra I

1.026644
4.146409

Probability
Probability

0.398104
0.386554

Captulo 11. 9

EJEMPLO 3: DE NUEVO TASA DE ASESINATOS

Dependent Variable: M
Included observations: 44
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
D1
D2
Y

7.754432
2.042382
4.697114
-3.131790

2.987502
1.128044
1.330173
1.511907

2.595624
1.810551
3.531205
-2.071417

0.0131
0.0777
0.0011
0.0448

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.644531
0.617870
2.759365
304.5637
-104.9965
2.085119

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

5.402909
4.463791
4.954386
5.116585
24.17576
0.000000

Residuos
homocedsticos

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

J. Ramoni Perazzi
Econometra I

1.358711
7.944225

Probability
Probability

0.256813
0.242218

Captulo 11. 10