Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
com/
TRABAJO DE ECONOMETRIA (Heteroscedasticidad)
11.1 Establzcase si las siguientes afirmaciones son ciertas, falsas o inciertas y brevemente de sus razones.
a) En presencia de heteroscedasticidad, los estimadores MCO son sesgados al igual que ineficientes. (F)
Porque en presencia de heteroscedasticidad los estimadores de MCO siguen siendo insesgados y consistentes pero
ya no tienen varianza mnima es decir, ya no son eficientes.
c) En presencia de heteroscedasticidad, el mtodo MCO usual sobreestima siempre los errores estndar de
los estimadores. (V) http://bajalibrosdeeconomia.blogspot.com/
Porque la caracterstica ms sobresaliente de estos resultados es que los MCO, con o sin correccin por
heteroscedasticidad , sobreestiman consistentemente el verdadero error estndar obtenido mediante el
procedimiento MCG, especialmente para valores grandes de , con lo cual se establece la superioridad de MCG.
d) Si los residuales estimados a travs de una estimacin MCO exhiben un patrn sistemtico, significa que
hay presencia de heteroscedasticidad en los datos. (V)
Porque si los residuos al cuadrado nos da un valor mayor que cero o nos presenta un patrn sistemtico significa
que existe heteroscedasticidad.
e) No hay una prueba general de heteroscedasticidad que este libre de supuesto alguno sobre cul de las
variables esta correlacionada con el trmino de error. (F)
Porque no existe una prueba que nos seale especficamente que variable explicativa esta relacionada con el
trmino de perturbacin, sino que ms bien nos dan pruebas generales para detectar heteroscedasticidad.
f) Si el modelo de regresin esta mal especificado (por ejemplo, se ha omitido una variable importante), los
residuos MCO mostraran un patrn claramente distinguible. (V)
Es verdadero porque al omitir una variable que tiene relevancia terica en el modelo se va a distinguir claramente
un patrn sistemtico, ya que los residuos van a presentar un gran peso por la variable omitida.
g) Si una regresora que tiene varianza no constante se omite (incorrectamente) de un modelo, los residuos
MCO sern heteroscedsticos. (V)
Es verdadero porque si se omite una variable que tiene varianza no constante, esta va a seguir presente en el modelo
a travs del trmino de perturbacin y seguir siendo heteroscedstica.
11.2 En una regresin de salarios promedio (W,$) sobre el nmero de empleados (N) para una muestra
aleatoria de 30 empresas. Se obtuvieron los siguientes resultados:
W = 7.5 + 0.009N
t = n.a. (16.10) R 2 = 0.90
i) Dado un incremento unitario en el nmero de empleados se estima que los salarios promedio tambin se
incrementar en 0.009 dlares, es decir existe una relacin directa entre los salarios promedio y el nmero de
empleados, por tanto si se incrementa el nmero de empleados tambin se incrementarn los salarios promedios y
viceversa.
ii) Como observamos en la segunda regresin podemos darnos cuenta que el autor trata de corregir la
heteroscedasticidad dividiendo el modelo para la variable estocstica con lo cual el modelo mejora ya que se
obtiene un coeficiente de determinacin mayor y las pruebas t de significancia individual se incrementan.
b) Qu esta suponiendo el autor al pasar de la ecuacin (1) a la (2)? Estaba preocupado por la
heteroscedasticidad? Cmo se sabe?
El autor al pasar de la ecuacin (1) a la (2) supone que existe heteroscedasticidad y por la misma razn trata de
corregir este problema dividiendo la regresin para la variable heteroscedstica a travs del mtodo de Mnimos
Cuadrados Generalizados que es capaz de producir estimadores que son MELI.
d) Se pueden comparar los valores R 2 de los modelos? Por que si o por que no?
Los coeficientes de determinacin no son comparables en estos dos modelos de regresin ya que la variable
dependiente no es la misma debido a la correccin de la heteroscedasticidad.
11.4 Aunque los modelos logartmicos tales como el modelo de la ecuacin (11.6.12) frecuentemente reducen
la heteroscedasticidad, se debe prestar cuidadosa atencin a las propiedades del trmino de perturbacin de
tales modelos. Por ejemplo, el modelo:
Yi = 1 X i 2 u i
puede escribirse como
ln Yi = ln 1 + 2 ln X i + ln u i
a) Si ln u i tiene valor esperado cero, cul debe ser la distribucin de u i ?
La distribucin debe ser normal porque la heteroscedasticidad no afecta a la distribucin de ui sino que afecta a que
la varianza en cada muestreo repetido es diferente.
C t = 1 + 2 PNBt + 3 Dt + u i
Los resultados empricos basados en la informacin para 1946-1975 fueron los siguientes (errores estndar
entre parntesis):
b) Comprense los resultados de las dos regresiones. La transformacin del modelo original ha mejorado
los resultados, es decir, ha reducido los errores estndar estimados? Por qu si o por qu no?
En general podemos darnos cuenta que en los modelos las relaciones existentes entre las variables explicativas y la
dependiente no cambian, pero como los autores sealan que existe heteroscedasticidad tratan de mejorar el modelo
y como resultado se obtiene que en su mayora los errores estndar disminuyen porque aplicando una medida de
correccin se espera que la varianza sea mnima y por lo tanto los errores estndar tambin sean mnimos.
c) Se puede comparar los dos valores de R2? Por qu si o por qu no? (Pista: Examnense las variables
dependientes)
http://bajalibrosdeeconomia.blogspot.com/
No se pueden comparar los valores del coeficiente de determinacin ya que la variable dependiente en estos
modelos de regresin no es la misma siendo esta una condicin necesaria para que los R 2 sean comparables.
11.8 Prubese que si wi = w una constante, para cada i, 2 , 2 son idnticos al igual que sus varianzas.
2 =
x y i i
Estimador de MCO
x 2
i
n X i Yi X i Yi
2 =
n X i ( X i )
2 2
( w )( w X Y ) ( w X )( w Y )
* 2 =
i i i i i i i i
Estimador MCG
( w )( w X ) ( w X )i i i
2
i i
2
nw 2 ( X i Yi ) w 2 ( X i )( Yi )
*
2=
nw 2 X i w 2 ( X i )
2
( 2
)
* 2 =
[
w 2 n( X i Yi ) ( X i )( Yi ) ]
[(
w 2 n X 2 i ( X i ) ) 2
]
Tenemos que * 2 = 2 por lo tanto:
* 2 =
[n( X Y ) ( X )( Y )] =
i i i i
[n( X ) Y ] 2
i
2
i
2
Varianza:
x
2 2
( )
var 2 =
2 i i
estimador de MCO
( x ) i
2 2
( )
var 2 * 2 =
w i
estimador MCG
( w )( w x ) ( w x )
i i i
2
i i
2
( )
var 2 2 =
* nw
nw 2
( X ) w ( X ) i
2 2
i
2
( )
var 2 2 =
* nw
[(
w n X i ( X i )
2 2
) 2
]
Pero como sabemos que:
1
w= entonces nos quedara:
( )
var 2 2 =
*
x 2
i
11.11 Con la informacin dada en la tabla 11.1, efectese la regresin de la compensacin salarial promedio
Y sobre la productividad promedio X, considerando al tamao de empleo como unidad de observacin.
Interprtense sus resultados y vase si stos estn de acuerdo con los presentados en (11.5.3).
http://bajalibrosdeeconomia.blogspot.com/
Tabla 11.1
Con los datos presentados en la tabla anterior y aplicando el programa Eviews nos presenta los siguientes
resultados:
Dependent Variable: Y
Method: Least Squares
Date: 05/02/07 Time: 16:21
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
C 1992.062 936.6123 2.126880 0.0710
X 0.232999 0.099853 2.333428 0.0523
R-squared 0.437520 Mean dependent var 4161.778
Adjusted R-squared 0.357166 S.D. dependent var 420.6625
S.E. of regression 337.2744 Akaike info criterion 14.67280
Sum squared resid 796278.0 Schwarz criterion 14.71663
Log likelihood -64.02760 F-statistic 5.444885
Durbin-Watson stat 0.616592 Prob(F-statistic) 0.052349
Yi = 1992.3452 + 0.2329 X i
ee (936.4791) (0.0998) (11.5.3)
2
t (2.1275) (2.333) R = 0.4375
Yi = 1992.062 + 0.232999 X i
ee (936.6123) (0.099853) modelo corrido
t (2.126880) (2.333428) R 2 = 0.4375
Donde:
Estos valores obtenidos si estn de acuerdo con los datos presentados en el (11.5.3)
INTERPRETACIN:
2
http://bajalibrosdeeconomia.blogspot.com/
Dados incrementos unitarios en la produccin promedio se estima que la compensacin salarial promedio se
incrementar en 0.233 dlares, en esta regresin existe una relacin directa entre la compensacin salarial promedio
y la productividad promedio es decir, si incrementa el uno tambin se incrementar el otro y viceversa.
RESIDUOS ( u i )
-775.7709
-205.1284
165.7972
183.8684
199.3065
54.55018
113.7094
150.4718
113.1957
RESID vs. X
400
200
0
RESID
-200
-400
-600
-800
7000 8000 9000 10000 11000 12000
Comparando los resultados de la regresin 11.5.4 con el modelo anteriormente corrido obtenemos los siguientes
resultados.
De acuerdo a la prueba de Park obtuvimos los resultados anteriores y fijndonos en el podemos concluir
diciendo que no hay una relacin estadsticamente significativa entre las dos variables y por lo tanto no hay
heteroscedasticidad en la varianza del error.
i) Modelo 1
u i = 1 + 2 X i + vi
ui = 407.4761 0.0203X i
ee = (633.1895) (0.0675)
t= (0.6435) (-0.301456)
R 2 = 0.013
Como podemos darnos cuenta con los resultados obtenidos al aplicar la prueba de Glejser nos damos cuenta que no
existe relacin entre el valor absoluto de los residuos y la variable explicativa productividad promedio, ya que
Glejser sugiere hacer la regresin sobre los valores absolutos de los residuos sobre la variable X que se cree que
est muy asociada con la varianza, por lo tanto existe homoscedasticidad.
ii) Modelo 2
ee = (1284.251) (13,3084)
t = (0.4480) (-0.2788)
R 2 = 0.011
Utilizando otra de las formas funcionales de Glejser nos damos cuenta que no existe relacin entre el valor absoluto
de los residuos y la variable explicativa productividad promedio, es decir existe homoscedasticidad.
XI ui 2
Oxi Oui di di
9355.000 766.0088 5 9 -4 16
8584.000 189.0912 4 7 -3 9
7962.000 186.8968 1 6 -5 25
8275.000 112.4205 2 3 -1 1
8389.000 216.9308 3 8 -5 25
9418.000 63.79947 6 1 5 25
9795.000 118.8903 7 4 3 9
10281.00 152.6971 8 5 3 9
11750.00 103.4650 9 2 7 49
168
di 2
rs = 1 6 2
(
n n 1 )
168
rs = 1 6
9(81 1)
168
rs = 1 6
720
rs = 1 1.4
rs = 0.4
rs n 2
t dado =
1 rs 2
0.566 9 2
t dado =
1 (0.32111111111)
1.499259
t dado =
0.823947
t dado = 1.81960
t calculado = 0.27
INTERPRETACIN:
Como el t dado excede al t calculado en valores absolutos, entonces no hay suficiente evidencia estadstica para
rechazar la hiptesis de que existe homoscedasticidad por lo tanto hay heteroscedasticidad.
11.13. Prueba de homogeneidad de varianza de Bartlett. Suponga que hay k varianzas muestrales
independientes s12,s22,,sk2 cada uno con f1, f2,, fk g de l, provenientes de poblaciones normalmente
2
distribuidas con media u y varianza i . Supngase adems que se desea probar la hiptesis nula
2 2 2
H 0 = 1 = 2 = ... = k = 2 , es decir cada varianza muestral es una estimacin de la misma varianza
poblacional 2 .
Si la hiptesis nula es verdadera, entonces
fs = f i si
2 2
s2 = i i
f i f
Constituye una estimacin comn (agrupada) de la varianza poblacional 2 , donde fi=(ni-1), siendo ni el
nmero de observaciones en el grupo i-simo y donde f = i =1 f i .
k
Bartlett ha demostrado que la hiptesis nula puede probarse por la razn A/B, que est distribuida
aproximadamente como la distribucin 2 con k-1 g de l, donde
A = f ln s 2 ( f i ln s i )
2
y
1 1 1
B = 1+
3(k 1) f 1 f
Aplquese la prueba de Bartlett sobre los datos de la tabla 11.1 y verifquese que no se puede rechazar la
hiptesis de que las varianzas poblacionales de la compensacin salarial son las mismas para cada tamao de
empleo del establecimiento, al nivel de significancia del 5%.
Nota: f1, los g de l para cada varianza muestral, es 9, puesto que ni para cada muestra(es decir clase de
empleo) es 10.
Hiptesis
H 0 : 12 = 22 = ... = K2 = 2 Homoscedasticidad
H a : Heteroscedasticidad
2 2
fi f i si f i ln si 1/ f i
9 4957747,56 118,97 0,11
9 6523937,64 121,44 0,11
9 4767235,56 118,62 0,11
9 5833094,432 120,44 0,11
9 7782426,09 123,03 0,11
9 10509267,24 125,73 0,11
9 13865196,96 128,23 0,11
9 15390713,61 129,17 0,11
9 11098892,25 126,123 0,11
81 80728511,34 1111,86 1
Para aplicar la prueba de Bartlett necesitamos el resultado de los datos obtenidos anteriormente:
Entonces:
k
fs
2
fs
i i 2
2 i =1 i i
s = =
f i f
80728511.34
s2 = = 996648.2881
72
A = f ln s 2 f i ln s i ( 2
)
A = 81(13.81215322) 1111.86
http://bajalibrosdeeconomia.blogspot.com/
A = 1118.78 1111.86
A = 6.92
1 1
B = 1+ 1
3(2 1) 81
1
B = 1+ [0.987654321]
3
B = 1.329218107
A 6.92
= = 5.21
B 1.329218107
H 0 : 12 = 22 = ... = K2 = 2 Homoscedasticidad
H a : Heteroscedasticidad
1 / 2
1 0.05 / 2 = 0.975
gl= 10-2
gl= 8
2.18 5.21 17.53
INTERPRETACIN:
Segn la prueba de Bartlett no existe suficiente evidencia estadstica para rechazar la H 0 : 12 = 22 = ... = K2 = 2
con un 95% de confianza, por lo tanto existe homoscedasticidad, es decir que la varianza es constante a lo largo de
la regresin.
11.15. La tabla 11.7 proporciona datos sobre 81 automviles respecto a su: MPG (millas promedio por galn),
CF(caballos de fuerza de su motor), VOL(pies cbicos de su cabina), VM(velocidad mxima en millas por hora) y
su PS(peso del vehculo en cientos de lbs).
TABLA 11.7
Donde:
VOL = pies cbicos del espacio de la cabina
CF = caballos de fuerza del motor.
MPG = millas promedio por galn.
VM = velocidad mxima.
PS = peso del vehiculo, cientos de libra.
http://bajalibrosdeeconomia.blogspot.com/
a) Considere el siguiente modelo:
Estime los parmetros de este modelo e interprete los resultados. Tiene significado econmico?
Con los datos presentados en la tabla anterior corremos el modelo en el programa Eviews y obtenemos los
siguientes resultados:
INTERPRETACIN:
2
Dados incrementos unitarios en la velocidad mxima se estima que las millas promedio por galn disminuirn en
0.11 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre MPG y la
velocidad mxima.
3
Dados incrementos en los caballos de fuerza de motor se estima que las millas promedio por galn tambin se
incrementarn en 0.01 milla por galn manteniendo todo lo dems constante, es decir existe una relacin directa
entre MPG y los caballos de fuerza de motor, por tanto si incrementa el uno tambin incrementar el otro y
viceversa.
4
Dados incrementos unitarios en el peso del vehculo, cientos de libras se estima que las millas promedio por galn
disminuir en 1.00 millas por galn manteniendo todo lo dems constante, es decir existe una relacin inversa entre
las MPG y el peso del vehiculo, cientos de libra.
a) Se esperara que la varianza del error en el modelo anterior sea heteroscedstica? Por qu?
Si se esperara que la varianza del error en este modelo sea heteroscedstica ya que estamos utilizando datos de
corte transversal y es en este caso donde existe mayor probabilidad que se de heteroscedasticidad es decir que la
varianza no sea constante a lo largo de la regresin.
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/03/07 Time: 19:01
Sample: 1 81
Included observations: 81
Variable Coefficient Std. Error t-Statistic Prob.
C -20940160 28561411 -0.733163 0.4659
VM 445660.3 594060.7 0.750193 0.4556
http://bajalibrosdeeconomia.blogspot.com/
VM^2 -2282.160 3124.536 -0.730400 0.4675
VM*CF 1214.655 1966.184 0.617773 0.5387
VM*PS -2242.884 5680.112 -0.394866 0.6941
CF -114865.3 198918.2 -0.577450 0.5655
CF^2 -151.9130 342.2568 -0.443857 0.6585
CF*PS 418.6345 2188.015 0.191331 0.8488
PS 163107.1 603790.5 0.270139 0.7878
PS^2 509.4899 4019.457 0.126756 0.8995
R-squared 0.035193 Mean dependent var 37597.08
Adjusted R-squared -0.087107 S.D. dependent var 309158.7
S.E. of regression 322342.5 Akaike info criterion 28.31976
Sum squared resid 7.38E+12 Schwarz criterion 28.61537
Log likelihood -1136.950 F-statistic 0.287759
Durbin-Watson stat 2.109911 Prob(F-statistic) 0.976044
De acuerdo a la prueba de White podemos observar que los valores p son mayores que a un de 0.05 por lo que
podemos decir que existe homoscedasticidad.
c) Obtngase los errores estndar de White que son consistentes con la heteroscedasticidad, as como los
valores t, y compare los resultados con los obtenidos mediante los MCO.
Comparando los valores t de MCO con los obtenidos en la prueba de White podemos darnos cuenta que estos
valores en su mayora son poco significativos, por lo tanto se puede concluir diciendo que existe
homoscedasticidad, ahora las desviaciones estndar de MCO son mnimos a comparacin de los obtenidos a partir
de la prueba de White ya que su varianza se ha inflado enormemente y por lo tanto ya no son eficientes.
d) Si se establece la heteroscedasticidad, Cmo se podra transformar los datos de manera que en los datos
transformados la varianza de error sea homoscedstica? Muestre los clculos necesarios.
Si se establece heteroscedasticidad se puede corregir aplicando el mtodo de MCG para que de esta manera la
varianza de error sea homoscedstica pero en este caso no se puede hacer ningn clculo debido a que este modelo
presenta homoscedasticidad, como podemos darnos cuenta en los siguientes grficos:
1600
CUADRADERESID
1200
800
400
-400
5000 10000 15000 20000 25000 30000
CUADRADEVM
Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.
*Relacionando los residuos al cuadrado con los caballos de fuerza de motor al cuadrado.
http://bajalibrosdeeconomia.blogspot.com/
1600
CUADRADERESID
1200
800
400
-400
0 40000 80000 120000
CUADRADECF
Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.
*Relacionando los residuos al cuadrado con el peso de vehculo, cientos de libras al cuadrado.
1600
CUADRADERESID
1200
800
400
-400
0 1000 2000 3000 4000
CUADRADEPS
Observando el grfico podemos decir que no existe mucha variabilidad de los datos con respecto a su media y por
lo tanto no hay presencia de heteroscedasticidad.
SEGUNDA PARTE
Con los siguientes datos se pide aplicar todas las pruebas para la deteccin de heteroscedasticidad.
MODELO CORRIDO
G = 152.05 + 0.069Y
ee= (64.120) (0.008)
t= (-2.37) (8.27)
INTERPRETACIN:
1 = 152.05
Un 1 = 152.05 nos dice que es el gasto autnomo cuando el ingreso tiene un valor de cero es decir, que el gasto
no depende del ingreso.
2 = 0.069
Un 2 = 0.069 nos dira que dado un incremento unitario en el ingreso per cpita se estima que el gasto per cpita
tambin se incrementar en 0.069 dlares, ya que la relacin entre estas variables es directa, es decir si se
incrementa el ingreso tambin se incrementar el gasto y viceversa.
Se pueden examinar algunos de los mtodos informales y formales para detectar la heteroscedasticidad,
comenzaremos primero por los mtodos informales.
1) Mtodos Informales
Dentro de los mtodos informales tenemos nicamente el mtodo grfico que lo presentamos a continuacin:
MTODO GRFICO
60000,00
50000,00
40000,00
ui2
30000,00
20000,00
10000,00
0,00
2) Mtodos Formales
i) PRUEBA DE PARK
ln i2 = ln 2 + ln X i + vi
2
Como no se conoce la varianza del trmino de perturbacin a nivel poblacional, Park utiliza la u i como una
aproximacin y corre la siguiente regresin.
2
ln u i = ln 2 + ln X i + vi
2
ln u i = + ln X i + vi
2
ln u i = 0 . 4769 + 0 . 0008 ln X i
se = (2.487) (0.000324)
t = (0.197) (2.532) R 2 = 0.118
Hiptesis:
Ho: 2 = 0 Homoscedasticidad
Ha: 2 0 Heteroscedasticidad
n= 50
gl= 48
t dado = 2.021
t calculado =
se
0.000820
t calculado =
0.00324
t calculado = 2.53
http://bajalibrosdeeconomia.blogspot.com/
-2.02 2.02 2.5
INTERPRETACIN:
Como el t calculado es mayor que el t dado no existe suficiente evidencia estadstica para aceptar la Ho: 2 =
0, es decir se acepta la Ha: 2 0 por lo tanto podemos decir que existe heteroscedasticidad en este modelo
Esta prueba es muy similar a la prueba de Park con la nica diferencia de que Glejser sugiere hacer la regresin
sobre los valores absolutos de los residuos estimados sobre la variable X que se cree que esta muy asociada con la
varianza del trmino de perturbacin estocstica a nivel poblacional y para esto aplico algunas formas funcionales
que se mencionan en el libro, nosotros escogimos la siguiente forma funcional.
u i = 1 + 2 X i + vi
Modelo corrido
Dependent Variable: Ui
Method: Least Squares
Date: 05/3/07 Time: 17:42
Sample: 1 51
Included observations: 50
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
INGRESOS 0.016477 0.004910 3.355730 0.0016
C -79.84539 37.70291 -2.117751 0.0394
R-squared 0.190023 Mean dependent var 45.51160
Adjusted R-squared 0.173148 S.D. dependent var 39.67505
S.E. of regression 36.07707 Akaike info criterion 10.04837
Sum squared resid 62474.65 Schwarz criterion 10.12485
Log likelihood -249.2093 F-statistic 11.26092
Durbin-Watson stat 2.031507 Prob(F-statistic) 0.001554
Con los datos de la tabla, aplicando el programa Eviews obtuvimos los siguientes resultados:
ui = 79.845+ 0.016X i
se = (7.703) (0.004)
t= (-2.117) (3.355) R 2 = 0.190
Hiptesis:
Ho: 2 = 0 Homoscedasticidad
Ha: 2 0 Heteroscedasticidad
n= 50
gl= 48
t dado = 2.021
t calculado =
se
0.016477
t calculado =
0.004910
t calculado = 3.35
http://bajalibrosdeeconomia.blogspot.com/
INTERPRETACIN:
Como el t calculado es mayor que el t dado no existe suficiente evidencia estadstica para aceptar la Ho: 2 =
0, es decir se acepta la Ha: 2 0 por lo tanto podemos decir que existe heteroscedasticidad en este modelo
di 2
rs = 1 6 2
( )
n n 1
u i rango de u i Xi rango de Xi d d2
4,28 4 6247 4 0 0
0,14 2 6183 2 0 0
67,58 41 8914 47 -6 36
50,14 34 7505 24 10 100
14,36 9 6813 15 -6 36
39,45 29 7873 34 -5 25
9,59 8 6640 13 -5 25
22,33 16 8063 37 -21 441
15 11 5736 1 10 100
64,27 38 7391 22 16 256
33,8 25 8818 45 -20 400
30,87 24 6607 10 14 196
7,89 7 6951 17 -10 100
25,59 19 7526 25 -6 36
27,99 21 6489 7 14 196
53,42 37 6541 9 28 784
26,29 20 6456 6 14 196
223,83 51 10851 51 0 0
72,01 43 8850 46 -3 9
18,02 13 8604 43 -30 900
45,56 33 6700 14 19 361
14,76 10 8745 44 -34 1156
45,39 32 8001 35 -3 9
41,78 30 6333 5 25 625
35,16 27 8442 41 -14 196
80,88 44 7342 20 24 576
112,57 50 9032 48 2 4
90,91 46 6505 8 38 1444
53,27 36 7478 23 13 169
7,8 6 7839 32 -26 676
36,07 28 6242 3 25 625
64,4 39 7697 29 10 100
18,36 15 7624 27 -12 144
1 7597 26 -25 625
18,09 14 7374 21 -7 49
51,61 35 8001 36 -1 1
110,48 48 10001 50 -2 4
23,55 17 8380 40 -23 529
34,33 26 7696 28 -2 4
44,69 31 6615 11 20 400
5,56 5 8306 39 -34 1156
http://bajalibrosdeeconomia.blogspot.com/
87,25 45 7847 33 12 144
98,21 47 7051 18 29 841
71,4 42 7277 19 23 529
28,25 22 8267 38 -16 256
65,34 40 7812 31 9 81
30,12 23 7733 30 -7 49
0,71 3 6841 16 -13 169
111,83 49 6622 12 37 1369
16,39 12 8450 42 -30 900
24,01 18 9096 49 -31 961
17988
17988
rs = 1 6
51(2600)
rs = 0.1860
Para aplicar la prueba de significancia individual nos planteamos las siguientes hiptesis:
Ho: s = 0 Homoscedasticidad
Ha: s 0 Heteroscedasticidad
rs n 2
t dado =
2
1 rs
0.1860 51 2
t dado = = 1.33
1 0.034596
n= 50
gl= 48
t dado = 2.021
INTERPRETACIN:
Con 48 grados de libertad el valor t no es significativo a un nivel de significancia del 5% por tanto hay suficiente
evidencia estadstica para aceptar la Ho: s = 0 por lo tanto se rechaza la Ha: s 0 Heteroscedasticidad.
ste mtodo es aplicable si se supone que la varianza heteroscedstica, i2 est relacionada positivamente con una
de las variables explicativas en el modelo de regresin.
(2 c ) k n c 2k
o g de l
2 2
Entonces:
Ingresos
Estado Gastos bajos
Miss, 259 5736
Ark. 275 6183
S.C. 315 6242
Ala. 275 6247
Maine 327 6333
W. Va. 320 6456
Tenn. 268 6489
N.Mex. 388 6505
Vt. 353 6541
N.C. 335 6607
Ky. 260 6615
Urah. 417 6622
La 316 6640
Ga. 265 6700
Indaho 304 6813
S.Dak. 321 6841
Okla. 320 6951
Modelo 1
G = 2.340 + 0.04771X
se = (244.25) (0.0375)
t = (0.0095) (2.2723)
r 2 = 0,0974
SRC1 = 28809.33
g de l = 17
http://bajalibrosdeeconomia.blogspot.com/
VALORES DE INGRESOS PER CPITA ALTOS
Ingresos
Estado Gastos
altos
Iowa 431 7873
Kans. 355 8001
Colo. 452 8001
Mass. 427 8063
N. Y. 447 8267
Md. 427 8306
Hawai 403 8380
Mich. 466 8442
Wash. 415 8450
Del. 424 8604
Ill. 437 8745
N.J. 423 8818
Cal. 387 8850
Ct. 531 8914
Nev. 359 9032
Wyo. 500 9096
D. C. 428 10001
Alaska 821 10851
Modelo 2
G = 380.178 + 0.0955 X
se = (214.532) (0.02456)
t = (-1.7721) (3.8914)
r 2 = 0.486
SRC 2 = 89955.57
g de l = 18
SRC / g de l
= SRC
2
1 / g de l
= 89955 .57 / 18
28809 .33 / 17
= 2.978
INTERPRETACIN
Como el valor F crtico para 18 grados de libertad en el numerador y 17 grados de libertad en el denominador es
de 2.23, por lo tanto se observa que el F dado es menor al F calculado entonces se puede decir que existe algn
grado de probabilidad de heteroscedastidcidad.
Ho: Homoscedasticidad
Ha: Heteroscedasticidad
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/3/07 Time: 19:25
Sample: 1 51
Included observations: 50
Como
n * R 2 sigue X g2 de l
Entonces:
INTERPRETACIN:
Como el valor 2 calculado esta en la zona de aceptacin se puede decir que existe suficiente evidencia estadstica
para aceptar la Ho: Homoscedasticidad, por lo tanto se concluye diciendo que existe homoscedasticidad es decir
que la varianza es constante a lo largo de la regresin.
Esta es una prueba especialmente par muestras grandes, se basa en las estimaciones de mxima verosimilitud y se
supone que se ha identificado adecuadamente los grupos con varianzas diferenciadas.
Ho: Homoscedasticidad
Ha: Heteroscedasticidad
u = 2 ln
Donde :
p
i ni
i =1
=
n
http://bajalibrosdeeconomia.blogspot.com/
Grupo diferenciado n1 (ingresos bajos)
Ingresos
Estado Gastos bajos
Miss, 259 5736
Ark. 275 6183
S.C. 315 6242
Ala. 275 6247
Maine 327 6333
W. Va. 320 6456
Tenn. 268 6489
N.Mex. 388 6505
Vt. 353 6541
N.C. 335 6607
Ky. 260 6615
Urah. 417 6622
La 316 6640
Ga. 265 6700
Indaho 304 6813
S.Dak. 321 6841
Okla. 320 6951
Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:
Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:
Modelo corrido
http://bajalibrosdeeconomia.blogspot.com/
Con los datos anteriores corremos el modelo en el programa Eviews obteniendo los siguientes resultados:
i ni
i =1
=
n
Donde:
= El operador de multiplicacin.
p= El nmero de grupos.
n i = El tamao de cada grupo en la muestra.
p
n= El tamao de la muestra n = ni
i =1
=
[(43 . 82490 )17 (57 . 34350 )16 (75 . 71642 )17 ]
(61 . 35508 )50
= 0 . 039692449
A continuacin se obtiene el estadstico de prueba aplicando la siguiente frmula:
u = 2 ln (0 . 039692449 )
u = 6 . 453188622
u sigue 2 con (p - 1) gl
INTERPRETACIN:
Dado que u es mayor que el Ji-cuadarado dado se puede asumir que existe algn grado de heteroscedasticidad por
lo tanto no existe suficiente evidencia estadstica para aceptar Ho: Homoscedasticidad es decir se acepta la Ha:
Heteroscedasticidad.
http://bajalibrosdeeconomia.blogspot.com/