Universidad Carlos III de Madrid

Csar Alonso ECONOMETRIA

HETEROCEDASTICIDAD*

ndice
1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. El modelo de regresin lineal con heterocedasticidad . . . . . . . . . . . . . 2.1. Propiedades del estimador MCO . . . . . . . . . . . . . . . . . . . . . 2.1.1. Insesgadez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. La varianza del estimador MCO . . . . . . . . . . . . . . . . . . . . . 2.3. Consecuencias sobre los estimadores de variables instrumentales . . . 3. Inferencia Robusta a la heterocedasticidad: Propuesta de White o de EikerWhite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 3 3 4 4 5

Este material est basado en material previo elaborado por Mara Arrazola y Jos de Hevia.

Captulo 14 de Goldberger Captulo 8 de Wooldridge

1.

Introduccin
El anlisis de muchos fenmenos econmicos exige relajar el supuesto de HOMOCEDASTICIDAD (varianza condicional del error constante) que se hace en el modelo de regresin clsico. Tanto en el contexto de datos de seccin cruzada como de datos de series temporales es habitual encontrar situaciones con HETEROCEDASTICIDAD. El trmino heterocedasticidad se reere a aquella situacin en que la varianza de Y condicional a las variables del modelo no es constante para los distintos valores de las X s.

1.1.

Ejemplos
Supongamos que 100 estudiantes se apuntan a una clase de mecanografa. Supongamos que algunos han escrito a mquina antes y otros no lo han hecho nunca. Al acabar la primera clase, algunos estudiantes mecanografan fatal y otros lo hacen bastante bien. Si construyramos un grco mostrando los errores tipogrcos cometidos por los estudiantes con respecto a las horas acumuladas de mecanografa, veramos que la dispersin de los errores tipogrcos disminuye a medida que la variable explicativa (el nmero de horas acumuladas de mecanografa) aumenta La diferencia en los errores cometidos entre el mejor y el peor de la clase ser probablemente ms pequea despus de la ltima clase que despus de la primera clase.

Supongamos que tenemos datos de renta y de gasto en alimentacin para un nmero grande de familias. Si representamos en un grco el gasto en alimentacin frente a la renta es de esperar que encontremos heterocedasticidad. Probablemente, la dispersin en el gasto en alimentacin para diferentes niveles de renta aumente con la renta. Las familias pobres tienen menos exibilidad en su nivel de gasto en alimentacin, de manera que veremos poca dispersin en el gasto de alimentacin para dichas familias. Por el contrario, cabe esperar que algunas familias ricas gasten mucho en alimentacin y que otras familias ricas con preferencias diferentes gasten mucho menos en alimentacin, destinando su renta a otros usos.

2.

El modelo de regresin lineal con heterocedasticidad

Sin prdida de generalidad, consideraremos el caso del modelo de regresin simple: Y = donde: E ("jX ) = 0 ) E (Y jX ) = ) y: V ("jX ) = V (Y jX ) = Veremos que:
2 0 0 0

1X

+"

= E (Y )

= P LO(Y jX ) C (Y; X ) y 1 E (X ) 1 = V (X )
1X

(X )

HETEROCEDASTICIDAD

MCO es insesgado y consistente, incluso en ausencia de homoscedasticidad. Los errores estndar de las estimaciones basados en la expresin convencional son sesgados e inconsistentes en presencia de heteroscedasticidad. (y por tanto no podemos utilizarlos para hacer inferencia).

2.1.

Propiedades del estimador MCO

Qu propiedades tendr el estimador de MCO en este contexto?. Centrmonos en el anlisis de la estimacin de
1.

Supongamos que tenemos una muestra aleatoria. La existencia de heterocedasticidad no afecta a las propiedades de insesgadez y de consistencia. 2.1.1. Insesgadez

P xi Sabemos que b1 = i ci Yi , con ci = P 2 . i xi Dado que P

i ci

=0y

P P E (b1 jXi ) = E ( i ci Yi jXi ) = i ci E (Yi jXi ) P = i ci ( 0 + 1 Xi ) = 1 E (b1 ) = ) Insesgadez

i ci Xi

= 1, tenemos que:

Por tanto,
1

2.1.2.

Consistencia

Sabemos que

P i xi yi b1 = P = 2 i xi 3

1 n 1 n

P i x i yi P , 2 i xi

Por tanto,

2.2.

La varianza del estimador MCO

P 1 p l m C (X; Y ) i xi yi n P p l m b1 = = = 1 2 V (X ) p l m n i xi

Consistencia

V (b1 jXi ) =

Ntese que esta expresin no es la habitual.

P P = V ( i ci Yi jXi ) = i c2 i V (Yi jXi ) 1 P 2 2 P 2 2 i xi i = i ci i = P 2 ( i x2 ) "P i # 2 2 x i i i ) V (b1 ) = E P 2 ( i x2 i)

2 b

Por tanto, la construccin de intervalos de conanza y la contrastacin de hiptesis que se realiza a partir de la expresin habitual V b1 =
2 2 b
1

no son vlidas. La importancia del sesgo depender de la magnitud de la Heterocedasticidad. Eciencia: MCO no es, en este contexto, el Estimador Lineal Insesgado de Mnima Varianza.

P = E ( i x2 i)

2.3.

Consecuencias sobre los estimadores de variables instrumentales

Al igual que en el caso del estimador MCO, la propiedad de consistencia no se ve afectada por la presencia de heterocedasticidad, dado que los supuestos sobre la varianza no se utilizan para derivar la propiedad de consistencia. No obstante, la expresin convencional de la varianza de este estimador es incorrecta, lo que invalida tambin toda inferencia basada en dicho estimador de la varianza. 4

3.

Inferencia Robusta a la heterocedasticidad: Propuesta de White o de Eiker-White

Ntese que en general desconocemos la forma que tiene
2 i.

En cualquier caso, y a partir de resultados asintticos, puede llevarse a cabo la construccin aproximada de intervalos de conanza y la contrastacin "P # de 2 2 i xi i hiptesis, empleando la propuesta de estimacin para 2 de P b = E 2 1 ( i x2 i) White o de Eiker-White. Esta propuesta es aplicable tanto para el estimador MCO como para estimadores de variables instrumentales. No obstante, vamos a centrarnos formalmente en el caso del estimador MCO. La principal ventaja es que no precisa conocer el patrn que caracteriza la heterocedasticidad. La propuesta consiste en calcular b b1 = V b2 b = P 2 2, ( i xi ) P
i

en donde b "i son los residuos de MCO del modelo, es decir: Los errores estndar de los estimadores calculados de esta forma se conocen como errores estndar robustos, o errores estndar consistentes a heterocedasticidad, o errores estndar de Eicker-White. Se puede demostrar que: b 1 sP
1 2 2 "i i xi b P 2 ( i x2 i)

"2 x2 ib i

b " i = Yi

bi = Yi Y

(b0 + b1 Xi )

e N (0; 1),

es decir

Se puede emplear este resultado para construir intervalos de conanza y realizar contrastes de hiptesis como se hace habitualmente.

sb1

e N (0; 1),

En la prctica, la mayor parte de los programas economtricos incorporan con la estimacin MCO o de VI la opcin de errores estndar robustos a heterocedasticidad.

Importante: dado que en presencia de heterocedasticidad la varianza condicional de Y no es constante, no tiene sentido considerar el error estndar de la regresin o el R2 como medidas de bondad del ajuste, puesto que slo tienen sentido en un contexto homocedstico.