17/07/2017

HETEROCEDASTICIDAD

Razones de la variabilidad de las varianzas

1. Modelo de aprendizaje de los errores, a medida que la gente aprende disminuyen sus
errores de comportamiento con el tiempo. Ejemplo de nmero de errores cometidos
en una prueba de mecanografa durante un periodo dado.

Razones de la variabilidad de las varianzas

2. A medida que aumentan los ingresos, la gente posee ms ingreso discrecional y, por
tanto, tiene mayores posibilidades de decidir cmo disponer de su ingreso.
3. A medida que mejoran las tcnicas de recoleccin de datos, es probable que 2 se
reduzca, menos errores.
4. La heterocedasticidad tambin surge por la presencia de datos atpicos o aberrantes, si
el tamao de la muestra es pequeo una inclusin o exclusin puede alterar
sustancialmente el resultado del anlisis de regresin.
5. Omisin de variables importantes, en una funcin de demanda de un bien, si no se
incluyen los precios de los bienes que le son complementarios o con los que compite,
los residuos de la regresin pueden dar la clara impresin de que la varianza del error
no es constante. Pero si se incluyen en el modelo las variables omitidas, esa impresin
puede desaparecer.
6. La asimetra entre variables.
7. Formas funcionales incorrectas
3

1
 17/07/2017

Naturaleza de la Heterocedasticidad
Supuesto del MCRL, que la E(2 ) = 2

Trmino de perturbacin, homo (igual) cedasticidad (dispersin)

La varianza condicional de Y aumenta a

medida que aumenta X 4

Consideraciones
En datos de corte transversal el problema de heteroscedasticidad es
bastante comn. La heteroscedasticidad se produce cuando la
varianza del error difiere para distintos valores de la(s) variable(s)
explicativa(s).
El supuesto de homocedasticidad del trmino de error, es un
supuesto que raramente se cumple cuando se trabaja con datos de
corte transversal. La ruptura de este supuesto no genera problema de
sesgo, pero si de ineficiencia. Veremos cmo detectar y abordar el
problema de heterocedasticidad (varianza del error no es constante).

Consideraciones
La presencia de heteroscedasticidad no genera problemas de sesgo en el
estimador MCO, es decir, se sigue cumpliendo la propiedad de insesgamiento de
este estimador:
E =

Pero, al tener los errores una varianza no constante, la matriz de varianzas y

covarianzas del estimar MCO deja de ser la mnima o la ms eficiente. La varianza
de los coeficientes estimados es mayor, por lo cual toda inferencia basada en la
varianza MCO es incorrecta, los estadsticos t se estn computando con una
varianza menor a la que se debera, por lo tanto son mayores y existe mayor
probabilidad de rechazar la hiptesis nula cuando esta no debera ser rechazada.
Es decir, la significancia de los parmetros se puede ver afectada, mostrando
significancia cuando en realidad no la hay.
6

2
 17/07/2017

Consideraciones
Para solucionar el problema de heterocedasticidad se debe conocer el
patrn de heterocedasticidad o que variables generan el problema, ya
que el estimar MCGeneralizados o MCFactibles tienen como espritu
quitar la heterocedasticidad de las variables explicativas y
dependiente, mediante una transformacin que consiste en dividir
cada observacin de la variable dependiente y las variables
explicativas por la desviacin estndar del error asociado a esa
observacin. Y luego aplicando MCO a este modelo transformado se
obtiene una estimacin insesgada y eficiente que cumple con la
propiedad MELI (Mejor Estimador Lineal e Insesgado).

Consideraciones

Revisin de heterocedasticidad por el mtodo

grfico

Si no hay informacin a priori o emprica sobre la

naturaleza de la heteroscedasticidad, en la prctica
se puede llevar a cabo un anlisis de regresin con
el supuesto de que no hay heteroscedasticidad y
luego hacer un examen post mortem de los
residuos elevados al cuadrado, 2 , para ver si
exhiben algn patrn sistemtico. Aunque los
2 no son lo mismo que los 2 , los primeros sirven
como representantes de los ltimos sobre todo si
el tamao de la muestra es lo bastante grande. Un
examen de los 2 puede revelar patrones como los
de la figura 11.8.

3
 17/07/2017

Pruebas grficas con Stata

Stata tiene implementado dentro de sus rutinas ambos tipos de grficas
para la identificacin de heterocedasticidad en los residuales.
Despus de estimar el modelo de regresin la sintaxis a utilizar es: rvfplot y
rvpplot
rvfplot muestra el diagrama de dispersin entre residuales y valores
ajustados.
Por su parte rvpplot elabora el diagrama de dispersin entre residuales y
cualquiera de las variables predictores (Xs), razn por la que requiere se
seale cual es la variable a considerar, estos es, por ejemplo:
rvpplot x2

10

Mtodos formales

11

Mtodos formales

12

4
 17/07/2017

Mtodos formales

13

El comando en stata para la prueba Glesjer

Mtodos formales es lmhgl var1 var2

14

Mtodos formales

15

5
 17/07/2017

Mtodos formales

16

Despus de realizar la estimacin del modelo en STATA el comando

estat hettest permite testear la presencia de heterocedasticidad.
La hiptesis nula de este test es la homocedasticidad del error.
Este comando computa el test de heterocedasticidad de Breusch-
Pagan (BP) el que consiste en un test de Wald a la hiptesis nula de
que las variables explicativas del modelo original no son significativas
en explicar el comportamiento del trmino de error estimado al
cuadrado, para esto se estima una regresin auxiliar del error
estimado al cuadrado en funcin de las variables explicativas
originales del modelo.

17

CLCULOS
. estat hettest estat hettest

Breusch-Pagan / Cook-Weisberg test for

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
heteroskedasticity
Ho: Constant variance
Ho: Constant variance Variables: fitted values of q
Variables: fitted values of price
chi2(1) = 0.09
Prob > chi2 = 0.7588
chi2(1) = 6.67
HOMOCEDASTICIDAD
Prob > chi2 = 0.0098
De este test podemos concluir que se rechaza la hiptesis nula
de homocedasticidad. Tambin podemos realizar el test de
HETEROCEDASTICIDAD
White que es ms amplio que el anterior al considerar no slo
las variables del modelo original como variables explicativas de
la regresin auxiliar, sino tambin los productos y cuadrados de
cada una de ellas. 18

6
 17/07/2017

Clculos test de White

whitetst

White's general test statistic : 8.943686 Chi-sq(14) P-value = .8346

Si la respuesta hubiera sido heterocedasticidad, para poder solucionar el problema y obtener

una estimacin insesgada y eficiente a travs de la metodologa de Mnimos Cuadrados
Generalizados (MCG) o Mnimos Cuadrados Factibles (MCF) es necesario conocer el patrn de
Heterocedasticidad, es decir, conocer la verdadera matriz de varianzas y covarianzas del
trmino de error, conocer las desviaciones estndar de cada error para poder realizar la
transformacin. Esto en la prctica es poco probable.

19

Correcin de la heterocedasticidad
La solucin ms sensata es la planteada por White, que consiste en quedarse con
la estimacin menos eficiente pero insesgada de MCO, pero estimar el forma
correcta la matriz de varianzas y covarianzas de los coeficientes estimados, de
forma tal de que los test de hiptesis y la inferencia este realizada en forma
apropiada. Esto se hace en STATA simplemente introduciendo la opcin robust al
comando regress. reg q pb pl pr i,robust
Linear regression Number of obs = 30
F(4, 25) = 21.79
Prob > F = 0.0000
R-squared = 0.8221
Root MSE = 3.5692

------------------------------------------------------------------------------
| Robust
q | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pb | -23.7426 4.650312 -5.11 0.000 -33.3201 -14.1651
pl | -4.07741 2.864487 -1.42 0.167 -9.976931 1.822111
pr | 12.92434 4.581704 2.82 0.009 3.488145 22.36054
i | .0019946 .0005309 3.76 0.001 .0009011 .003088
_cons | 82.15871 13.5671 6.06 0.000 54.21674 110.1007 20
------------------------------------------------------------------------------

Correccin de la heterocedasticidad
. estimates table reg1 reg2, b se t stat(r2 r2_a rmse)

Variable reg1 reg2

pb -23.7426 -23.7426
5.4294092 4.6503117
-4.37 -5.11 A continuacin vemos las diferencias entre la estimacin
pl -4.0774097 -4.0774097
3.8904891 2.8644868 del modelo reg1 sin corregir por heteroscedasticidad y
-1.05 -1.42
pr 12.92434 12.92434
utilizando la opcin robust que estima la matriz correcta
4.1638956
3.10
4.5817039
2.82
de varianzas y covarianzas del estimador MCO en
i .00199456 .00199456 presencia de heteroscedasticidad en el modelo reg2:
.00077591 .00053093
2.57 3.76
_cons 82.158708 82.158708
17.96176 13.567099
4.57 6.06

r2 .82211769 .82211769
r2_a .79365652 .79365652
rmse 3.569219 3.569219

legend: b/se/t

21

7
 17/07/2017

Correccin de la heterocedasticidad
De la comparacin de ambos modelos debemos notar lo siguiente:
Los coeficientes estimados son exactamente iguales.
La bondad de ajuste del modelo tampoco se ve afectada
Las varianzas estimadas de los coeficientes son mayores en el modelo
que incorpora la presencia de heteroscedasticidad, confirmando lo
que los test estadsticos BP y White indicaban sobre la presencia de
este problema.
Algunas variables que resultaban ser significativas al 5%, utilizando la
estimacin correcta de la varianza y por ende computando en forma
apropiada los test estadsticos ya no lo son.

22