1 Eteroschedasticita’e Autocorre-

lazione

Richiamiamo il modello di regressione lineare

yi = x0i +"i (1)

y= X + "
e le ipotesi di Gauss-Markov:

1. E ["i] = 0; 8i il valore atteso dell’errore e’nullo. In

media la retta di regressione e’corretta.

2. f"1; "2; :::"ng e fx1; x2; :::xng sono indipendenti

3. V ("i) = 2, i = 1; :::N omoschedasticita’

4. Cov ("i; "j ) = 0, i; j = 1; :::N i 6= j assenza di

autocorrelazione
Data la 3. e la 4. la matrice di varianza covarianza
e’ diagonale con 2 sulla diagonale principale, V (") =
2I
N

2 3
var("1) cov ("1"2) cov ("1"N )
6 cov (" " ) var("2) 7
6 2 1 7
6 .
.. ... 7
4 5
cov ("N "1) var("N )
2 3
2 0
6 2 7
6 0 7 2I
= 6
6 ... ...
7=
7 N
4 5
0 2

Ora consideriamo la seguente ipotesi al posto di 3. e 4.:

V ("jX) = E (""0jX) = 2 =
dove e’una matrice de…nita positiva diversa dalla ma-
trice identita’ IN .

Esempio di eteroschedasticita’
Cosa succede allo stimatore OLS di nella (1)?

Corretto?
h i
0 1
E (b) = E (X X) X0 y
poiche’ y = X + "
h i
0 1
= E (X X) X0 (X + ")
poiche’ X e’non stocastico

= (X0X) 1 X0X + (X0X) 1 X0E (")

=
e’corretto e consistente.

Calcoliamo la varainza
h i
0
V (bjX) = E (b ) (b )

poiche’ b = (X0X) 1X0", allora

h i
1
E (b )(b )0 = E ( X X) 0
X0""0X(X0X) 1
= (X0X) 1X0E [""0]X(X0X) 1
 = 2 (X0 X) 1 X0 X(X0X) 1
= 2 (X0 X) 1 solo se = IN
se 6= IN la varianza dello stimatore OLS non sarà
piu’ adeguatamente stimata. Ne consegue che le stime
degli standard error e dunque inferenza e test d’ipotesi
non saranno piu’corretti.

Dobbiamo proporre delle soluzioni alternative:

1. Stimatore alternativo che sia BLUE

2. Continuare ad utilizzare OLS ma correggendone gli

error standard

3. Riconsiderare la speci…cazione del modello

Consideriamo due fenomeni tipici per cui 6= IN :

1. Eteroschedasticita’
2 3
2 0
6 1 7
6 0 2 7
6 2 7= 2 =
6 ... ... 7
4 5
0 2
N

2. Autocorrelazione
2 3
2
6 12 1N 7
6 2 7
6
6
21
... ...
7
7 = 2 =
4 5
2
N1
1.1 Stimatore alternativo

Se tutti gli elementi di sono noti possiamo trasformare

il modello e tornare alle condizioni del teorema di G-M,
in modo tale che il modello trasformato abbia termini di
errore omoschedastici e non autocorrelati. Dato che e’
una matrice de…nita positiva, consideriamo una possibile
scomposizione
1= P0 P

dove P e’ una matrice quadrata, non singolare e non

necesssariamente unica.

Nota che dato che e’positiva esiste sempre una matrice

P che soddisfa queste proprieta’(vedi regole matrici). E’
possibile scrivere
1 1 1
= P0P =P P0
1 1
P P0 = PP P0 P0 = IN :
Abbiamo un suggerimento per una possibile trasformazione:
premoltiplicare il vettore degli errori per P

E (P"jX) = PE ("jX) = 0
V (P"jX) = PV ("jX)P0 = 2P P0 = 2IN
Abbiamo ottenuto 2IN ) Le Ipotesi di G-M non erano
veri…cate per " ma sono veri…cate per P" .

Possiamo trasformare il modello premoltiplicandolo per la

matrice P

Py = PX + P"
y =X +"
di conseguenza
0X 1
b = X X 0y
1X 1 1y
= X0 X0
stimatore dei minimi quadrati GENERALIZZATI - GLS.

Se non e’nota la si dovra’sostituire con la sua stima

Feaseble GLS - FGLS
1.2 Eteroschedasticita’

Comune nelle analisi cross-section. Consideriamo un es-

empio di funzione esponenziale generica, h2i

V ("ijX) = 2h2i = 2Diag (h2i ) = 2

2 3
h21 0 0
6 7
2 6 0 h2 0 7
= Diag (hi )= 6
6
2
...
7
7
4 5
0 h2N
2 3
1
h1 0 0
6 1 7
1 6 0 h2 0 7
P = Diag (hi ) = 6
6 ...
7
7
4 5
0 hN1
Abbiamo trovato P possiamo procedere alla trasformazione
del modello
Py= PX + P"
y = X +" (2)
0
yi = xi +"i (3)
!0
yi xi "
= + i
hi hi hi
0 1 1
N
X xix 0 XN
^ = @ iA xiyi
2 2
(4)
i=1 hi i=1 hi
anche detto stimatore dei minimi quadrati ponderati (WLS)
dove h1 sono i pesi.
i

Lo stimatore GLS e’un semplice OLS calcolato sul mod-

ello trasformato (2)
0 1 1
N
X xix 0
V (^) = 2@ iA
2
i=1 hi
dove puo’ essere approssimato dal relativo stimatore
corretto s.
^ N ; V (^)
Dunque possiamo utilizzare questo stimatore per inferenza
(test d’ipotesi, etc).

Tuttavia e’ di¢ cile considerare hi come noto. Un caso

interessante si veri…ca quando h dipende da una o piu’
variabili esplicative.

Per esempio la variabilita’della spesa per generi alimen-

tari e’maggiore per le famiglie con reddito piu’alto che
per quelle con livello di reddito piu’basso (curva di En-
gel).
yi = 0 + 1RDi + "i
yi = spesa in generi alimentari, RD reddito disponibile.

QUESTO TIPO

di eteroschedasticita’ potrebbe essere rappresentato da

eteroschedasticita’moltiplicativa utilizzando una funzione
esponenziale
V ("ijRDi) = 2i = 2 exp( 2RDi)
log 2i = log 2 + 2RDi
dove log 2 e’costante 8i mentre h2i = exp( 2RDi):

piu’in generale

1.3 Eteroschedasticita’moltiplicativa

V ("ijX) = 2i = 2 exp(a1z1 + ::: + aJ zJ )

zi e’ un vettore (J 1) sottoinsieme delle variabili xi
o di una loro trasformazione senza intercetta. In questo
caso, h2i = exp(z0ia)
2 = 2 exp(z0ia) (5)
i
log e2i = log 2 + z0ia (6)
log e2i = log 2 + z0ia+vi (7)
I passi da seguire sono:

1. OLS sul modello di base per ottenere ^ OLS (lo sti-

matore e’infatti corretto e consistente)
 2. calcolare e2i quadrato dei residui OLS (anche se non
adeguati per procedere con inferenza), e2OLS

3. stimare (7) e ottenere uno stimatore consistente di

a, cioe’ ^
aOLS .

^ 2 = exp(z0 ^
4. ottenere h i iaOLS ) e di conseguenza trasfor-
mare tutte le variabili da cui otteniamo ^ F GLS

5. ottenere s2 uno stimatore consistente di 2 e calco-

lare
0 1 1
N
X xix 0
V ( ^ F GLS ) = s 2 @ iA
2
i=1 hi
per poi procedere con inferenza etc.

In alternativa
V ("i) = 2x2i dove xi e’ una variabile esplicativa
che soddisfa (xi > 0) e x2i = h2i .

V ("i) = 2xaik dunque xaik = h2i

a a a a
V ("i) = 2 xik1 + xil2 dunque xik1 + xil2 = h2i
1.4 Standard error consistenti

La matrice di varianza covarianza corretta nel caso di

eteroschedasticita’e’data da
h i
0 1 2 1
V ( ^ ) = ( X X) 0
X Diag i X(X0X)
ma abbiamo realmente bisogno di tutti gli N elementi
2?
i

Standard error di White (1980) in cui stimiamo solo una

matrice K K
V^ (bjX) = (X0X) 1S(X0X) 1
dove
N
1X
S = e2i xix0i
K K N i=1
dove e2i e’quadrato dei residui OLS e S e’uno stimatore
consistente di da cio’si ricavano standard error consis-
tenti in presenza di eteroschedasticita’ senza una speci-
…cazione completa del tipo di eteroschedasticita’consid-
erato. Gli standard error cosi’ ricavati vengono anche
chiamati standard error robusti.
E’ opportuno considerare sempre questa opzione nelle
nostre stime anche se ulteriori informazioni sulla forma
dell’eteroschedasticita’danno origine a stimatori piu’pre-
cisi.
2 Test per l’Eteroschedasticita’

Regola generale:

Non rigetto H0 =) OLS

Rigetto H0 =) GLS/ FGLS

2.1 Test per l’eteroschedasticita’moltiplica-

tiva

Dove

V ("ijX) = 2i = 2 exp(a1z1 + ::: + aJ zJ )

zi e’ un sottoinsieme delle variabili xi o di una loro
trasformazione. In questo caso, h2i = exp(z0ia)
2 = 2 exp(z0 a) (8)
i i
log e2i = log 2 + z0ia (9)
log e2i = log 2 + z0ia+vi (10)

Basta testare la signi…cativita’dei coe¢ cienti a della (7)

H0 : a = 0
H1 : a 6= 0

F(J;J N 1) test dalla stima dei coe¢ cienti della (7).

Cosa implica l’ipotesi nulla?
2.1.1 Test di Breusch-Pagan

L’alternativa meno restrittiva

2 = 2h(z0ia)
i
si procede a veri…care H0 : a = 0 contro H1 : a 6= 0
senza speci…care h [h(:) = exp(:) il caso di eteroschedas-
ticita’moltiplicativa era un caso particolare].

Test di eteroschedasticita’nella versione piu’semplice:

1. OLS sul modello di base per ottenere ^ OLS (lo sti-

matore e’infatti corretto e consistente)

2. calcolare e2OLS quadrato dei residui OLS (anche se

non adeguati per procedere con inferenza)

3. regressione ausiliaria di e2OLS su zi e una costante

 4. ottenere R2 dalla regressione ausiliaria, calcolare N
R2
N R2 2
P
Test moltiplicatore Lagrange Cap. 6

2.1.2 Test di White

Non richiede di speci…care una particolare ipotesi alter-

nativa. I primi due passi sono comuni al Test di Breusch-
Pagan.

3. regressione ausiliaria di e2OLS su momento primo ,

momento secondo e i momenti incrociati della dis-
tribuzione di xi e una costante. Es. 2i dipende
dai livelli di x1i e x2i, dai loro quadrati e prodotti
incrociati

e2i = 0 + 1x1i + 2x2i + 3x1ix2i + 4x21i + 5x22i

 4. ottenere R2 dalla regressione ausiliaria, calcolare N
R2
N R2 2
P

2.1.3 Quale test?

Pro e Cons: in generale quanto piu’ e’ precisa l’ipotesi

tanto piu’ sara’ potente il nostro test. Tuttavia se la
forma prescelta non e’quella giusta, l’eteroschedasticita’
potrebbe non essere rilevata.

3 Autocorrelazione

Comune nelle serie storiche, cioe’dove l’ordinamento delle

osserazioni e’importante.

yt= x0t +"t

In genere "t cattura l’e¤etto di variabili non incluse nel
modello ) segnale di errata speci…cazione.
V ("jX) = E (""0jX) = 2 =
6= IN perche’le covarianze sono diverse da zero.

Autocorrelazione o correlazione seriale: due o piu termini

di errore consecutivi sono correlati.

3.1 AR(1)

Autocorrelazione di primo ordine, AR(1), degli errori

yt = x0t + "t
"t = "t 1 + vt
vt iid(0; 2v )
vt mantiene le proprieta’di G-M. Conviene dare una strut-
tura a "t al …ne di stimare la matrice di varianza covari-
anza. Ora ci sono due parametri incogniti e 2v .

Due assunzioni:
 1. ipotesi sulla distribuzione di "t t = 1 ! "1
N (0; 2), "1 ha media nulla e varianza uguale alle
altre realizzazioni di "t

2. j j < 1, il processo "t si dice stazionario: ha media

e varianza e covarianze costanti rispetto al tempo.
Cap 8

Dunque calcoliamo valore atteso, varianza e covarianza

E ("t) = E ("t 1) + E (vt) ) E ("t) = 0

V ("t) = V ( "t 1 + vt) =

V ("t) = 2V ("t 1) + 2v
V ("t) 2 V (" 2
t 1) = v
V ("t) 2 V (" ) = 2
t v
2
v
V ("t) = 2
1
 Cov ("t; "t 1) = E ("t"t 1)
= E [( "t 1 + vt)"t 1]
h i 2
2 v
E ("t 1) + E ("t 1vt) = 2
+0
1

2
2 v
Cov ("t; "t 2) = 2
1
2
s v
Cov ("t; "t s) = 2
1

E (""0jX) = 2 =
2 3
1 2 T 1
6 ...7
2 6 1 7
v 6
6 2
7
T 3 7
= 26
1 7
1 6 ... 7
4 5
T 1 T 2 T 3 1
se 0 < < 1 tutti gli elementi di " sono correlati fra di
loro, la covarianza decresce all’aumentare dell’intervallo
che li separa.

Come stimare un modello cosi’de…nito?

Trasformiamo l’errore in "t "t 1 = vt che generera
errori omoschedastici e privi di autocorrelazione, di con-
seguenza trasformiamo in modo analogo tutto il modello.

Se e’noto, stimiamo con GLS

(yt yt 1) = (xt xt 1) + ("t "t 1 )
con un aggiustamento per la prima osservazione (che al-
trimenti sarebbe persa) tale che
q q q
1 2y = 1 2 x0 + 1 2"
1 1 1
Se e’ignoto bisognera’stimarlo partendo da
"t = "t 1 + vt

(yt ^OLS yt 1) = (xt ^OLS xt 1) +("t ^OLS "t 1)

FGLS. Procedura iterattiva.

3.1.1 Test di AR(1)

Se = 0 ) OLS e’BLUE

Se 6= 0 ) standard error non calcolati correttamente

Test asintotici Stima OLS del modello

et = et 1 + vt (11)
al …ne di ricavare ^OLS . La statistica-t corrispondente
p
e’ asintoticamente valido, t T . Si puo’ testare
l’ipotesi di assenza di autocorrelazione al 5% di signi…ca-
tivita’ rispetto ad una alternativa bilaterale jtj > 1; 96
o unilaterale jtj > 1; 64 o riferendosi all’R2 della regres-
sione (11).

Test Breusch-Godfrey

(T 1)R2 2
J
Test moltiplicatore Lagrange Cap. 6

Test di Durbin and Watson Due condizioni neces-

sarie:

1. xt deterministiche ) E ("tjxt) = 0 ) non ci sono

variabili dipendenti ritardate nel modello.
 2. xt contiene un’intercetta.

T
P
(et et 1)2
dw = t=2
T
P
e2t
t=1
dove et e’il residuo OLS. dw e’una misura dell’ampiezza
dell’autocorrelazione di primo ordine.

grandi valori di dw corrispondono al caso di autocorre-

lazione negativa. Si dimostra che

dw = 2 2^
 ( se ^ > 1) < 2 autocorrelazione positiva
dw = ( se ^ < 1) > 2 autocorrelazione negativa
( se ^ = 0) = 2 autocorrelazione nulla
Sotto H0 : >0

dL < dcritico < dU

Sotto H0 : <0

d4 U < dcritico < d4 L

N.B. la distribuzione di dw dipende da k e dai valori di
xt ) sono tabulati solo i limiti inferiori e superiori dL e
dU . Cio’da’origine a regioni di indeterminatezza.
3.2 Soluzioni al problema dell’autocorrelazione

3.2.1 Errata speci…cazione

Errore di speci…cazione della forma funzionale (log-

aritmica, quadratica, etc)

Omissione di variabili rilevanti

Errata speci…cazione dinamica

3.3 Standard error OLS consistenti in caso
di eteroschedasticita’e autocorrelazione

Quando possiamo assumere che la correlazione tra "t e

"t s e’nulla oltre un certo ritardo H

E (xt"t) = 0; E ("t"s) = 0 per H; H + 1; :::

si possono utilizzare standard error OLS consistenti in
caso di eteroschedasticita’ e autocorrelazione chiamati
HAC o standard error di Newey and West.