Documente Academic
Documente Profesional
Documente Cultură
HETEROCEDASTICIDAD
1
17/07/2017
Naturaleza de la Heterocedasticidad
Supuesto del MCRL, que la E(2 ) = 2
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 =
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
3
17/07/2017
10
Mtodos formales
11
Mtodos formales
12
4
17/07/2017
Mtodos formales
13
14
Mtodos formales
15
5
17/07/2017
Mtodos formales
16
17
CLCULOS
. estat hettest estat hettest
6
17/07/2017
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)
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