HETEROCEDASTICIDAD

Ejercicio 11.15. (Gujarati y Porter, pág. 405)

La tabla 11.7 proporciona datos sobre 81 automóviles respecto de su MPG (millas promedio
por galón), CF (caballos de fuerza de su motor), VOL (pies cúbicos de su cabina), VM (velocidad
máxima en millas por hora) y su PS (peso del vehículo en cientos de lb).

*en los datos proporcionados en clase, el archivo HETEROS.dta se corrigieron las iniciales de
las variables.

a) Considere el siguiente modelo:

MPGI = β1 + β2 VMI + β3 CFI + β2 PSI + ʯI
Estime los parámetros de este modelo e interprete los resultados.

 MPG= 189.9597 -1.271697 VM + 0.3904334 CF – 1.903273 PS

- Un aumento en la velocidad máxima en millas por hora, se espera que disminuya

en 1.271697 las millas promedio por galón.
 - Un aumento en los caballos de fuerza de su motor, se espera que aumente en
0.3904334 las millas promedio por galón.
- Un aumento en el peso del vehículo en cientos de lb, se espera que disminuya en
1.903273 las millas promedio por galón.
- En términos generales Se observa que MPG se relaciona positivamente con CF
(Caballos de fuerza) y negativamente con VM (Velocidad máxima en millas por
hora) y también con PS (peso del vehículo en cientos de lb).

- En velocidad máxima, millas por hora (vm) se necesita como mínimo 90 y máximo
165
- En caballos de fuerza del motor (cf) se necesita como mínimo 49 y máximo 322
- En peso del vehículo, cientos de libras (ps) se necesita como mínimo 17.5 y
máximo 55
- Además, observamos en el pvalue>|t| que todas son 0.000 entonces explican
significativamente.

b) ¿Esperaría que la varianza del error en el modelo anterior sea heteroscedástica? ¿Por
qué?
Como se trata de un conjunto de datos transversales que involucran una diversidad de
vehículos. A priori se podría esperar heterocedasticidad.

Ahora se va a demostrar si existe o no heterocedasticidad en el modelo.

1. Método informal
1.1. Gráficos
 Se generan los residuos
predict e, resid
 Luego para valores estimados se agrega la “f” al nombre que se quiera escoger
predict heterosf
 Gráfico de dispersión que relaciona los residuos con las variables estimadas
rvfplot, yline(0)

 Para ver gráficamente la relación entre los residuos de la variable endógena (mpg) con
cada una las variables predeterminadas (vm cf ps), por separado
avplots

 Ahora la relación que existe entre cada variable predeterminada (vm) y los residuos,
rvpplot vm
 La relación que existe entre cada variable predeterminada (cf) y los residuos
rvpplot cf

 La relación que existe entre cada variable predeterminada (cf) y los residuos
rvpplot ps

 Por el método grafico se puede observar que el grafico que relaciona los residuos con
cada variable, en el caso de la variable “ps” los valores tiene una forma sistemática,
ñor lo que se podría concluir que la variable ps (peso del vehículo en cientos de lb) es
la que causa la heterocedasticidad en el modelo.
  Al tratar de contrastar la heterocedasticidad, es necesario utilizar los residuos
cuadrados
gen ec=e^2
- Se etiqueta: label variable ec "residuos cuad"
 Se sigue graficando, esta vez se van a relacionara los residuos cuadrados con
cada variable
- twoway scatter ec vm

- twoway scatter ec cf

- twoway scatter ec ps

Se sigue observando que la variable ps (peso del vehículo en cientos de lb) es la que causa la
heterocedasticidad en el modelo.
 2. Métodos formales

2.1. Contraste de Glejser

 Lo primero es crear la regresión
reg mpg vm cf ps
 Luego establecer la matriz de correlación con los residuos al cuadrado y cada
una de las variables predeterminadas
corr ec vm cf ps

la variable ps (peso del vehículo en cientos de lb) tiene mayor correlación (negativa) con los
residuos. ps = - 0.3300

 Ahora se genera una variable que contenga los valores absolutos de los residuos
gen ea=abs(e)
- Se etiqueta: label variable ea "residuos en valores absolutos"
 Elaborar una regresión con la posible variable que este causando la heterocedasticidad
ps (peso del vehículo en cientos de lb) y los residuos absolutos
  Luego generar
gen vi=1/ps
 Una regresión con ea y vi
reg ea vi

El menor ROOT MSE es el que explica mejor quien tiene mayor relevancia en el
esquema de autocorrelación.

2.2. Contraste de Breush-Pagan

Se emplea el do file brindado en clase
 Hacer la regresión
reg mpg vm cf ps
 Calcular r2
scalar sigma=e(rss)/e(N)
𝑆𝑅𝐶
𝑟𝑢2 = 𝑁

 Generar una variable p

gen p=e^2/sigma
𝑒𝑖2
𝑝𝑖 = 𝑟𝑖2

 Hacemos una regresión de la variable generada “p” como endógena contra las
predeterminadas.
reg p vm cf ps
 Hallamos los valores calculados y tabulados para oder contrastar la hipótesis
nula
- scalar chc=e(mss)/2
- scalar cht=invchi2(1,0.95)
 display "Chi Calculado="= chc ……. 51.921566
 display "Chi Tabulado="= cht ……. 3.8414588

Ho : No existe heterocedasticidad
Calculado > tabulado
51.921566 > 3.8414588
Se rechaza la Ho, por lo tanto si hay heterocedasticidad en el modelo.
 estat hettest,iid

La prob > chi2 se rechaza la Ho

2.3. Contraste de Golfed-Quant

 Ordenar la variable de interés (en este caso ps) de mayor a menor
sort ps
 Se omiten las observaciones centrales (n>30, por lo tanto se omiten 10
observaciones=
- replace m=1 in 1/35
- replace m=2 in 46/81
 se hace la regresión de ambas muestras y se obtiene la suma residual de
cuadrados para ambas muestras
- reg mpg vm cf ps if m==1
- scalar SRCM1=e(rss)
- scalar df1=e(df_r)

- reg mpg vm cf ps if m==2

- scalar SRCM2=e(rss)
- scalar df2=e(df_r)
 Formula para el probador:
𝑆𝑅𝐶2 /𝐺𝐿
λ = 𝑆𝑅𝐶1 /𝐺𝐿

- scalar FC=(SRCM2/df2)/(SRCM1/df1)
- display "F Calculado=" = FC
- display "F Tabulado FT ="invF(df1,df2,1-0.05)

Ho : No existe heterocedasticidad
Calculado < tabulado
0.1468212 < 1.810379
Se acepta la Ho, por lo tanto no hay heterocedasticidad en el modelo, según este
probador.
 2.4. Contraste White
 Regresión del modelo
reg mpg vm cf ps
 Generar las variables al cuadrado
- gen vm2=vm^2
- gen cf2=cf^2
- gen ps2=ps^2
 luego se generan las variables multiplicadas entre si
- gen vmcf=vm*cf
- gen vmps=vm*ps
- gen cfps=cf*ps
 se halla la regresión con el residuo cuadro como endógena y las variables
iniciales con las variables al cuadro y las que están multiplicadas entre si
mismas
reg ec vm cf ps vm2 cf2 ps2 vmcf vmps cfps

 se halla el Chi tabulado

- scalar cht=invchi2(9,0.95)
- display “Chi Tabulado=”= cht
 se calcula w = n (numero de observaciones) * r2 (de la ecuación auxiliar)
- scalar W=81*0.4649
- display W
Ho : No existe heterocedasticidad
Si w > Chi2 Rechaza la Ho
37.6569 > 16.918978
Entonces se rechaza la hipótesis nula y si existe heterocedasticidad.