Seminar 8 ECONOMETRIE – Spătaru – 17-19 nov.

2015

Testarea HomoscedasticităŃii erorilor aleatoare

Erorile aleatoare sunt heteroscedastice dacă au dispersii diferite:
Var (ε i ) = E (ε i − E (ε i )) 2 = σ i2 , i = 1,2,..., n .
Putem exprima proprietatea de heteroscedasticitate a erorilor aleatoare şi prin E (ε i2 ) = σ i2 .
Exemplu: Cheltuielile pentru Cercetare&Dezvoltare şi Veniturile din Industrie. Datele sunt
exprimate în milioane dolari şi se găsesc în fişierul „Seminar8 CD-Venit Heterosc.xls”.
Mai întâi ne propunem să determinăm legătura liniară dintre CD (Cheltuielile pentru Cercetare şi
Dezvoltare) şi Venit.
Considerăm un model liniar: CD = β 0 + β 1 Venit + ε i .
A priori, ne aşteptăm la o relaŃie pozitivă între cele 2 variabile.
Formăm grupul CD, Venit. Efectuăm regresia EQ01: CD Venit C

Rezultatele regresiei se raportează sub forma cunoscută:

∧
CD = 8,166390 + 0,040629 Venit R 2 = 0,8937
se = (51,03628) (0.002860)
t = (0,160011) (14,20652)
p = (0,8742) (0,0000)
Interpretăm şi comentăm rezultatele obŃinute....
ReŃinem reziduurile din această regresie.
În zona de lucru din Eviews (zona albă) definim: „series reziduuri=resid”
Vizualizăm grupul reziduuri, resid. Comparăm. Sunt aceleaşi serii? Da!

a) Detectarea heteroscedasticităŃii prin metoda grafică

1) Reprezentăm grafic CD în funcŃie de Venit.
Formăm grupul VENIT, CD. Selectăm View, Graph, Scatter, Scatter with regression.
Din grafic se vede că chelt.CD cresc atunci când Veniturile cresc. De remarcat este faptul că
variabilitatea chelt.CD în jurul dreptei de regresie pare să crească atunci când Veniturile cresc.
Aceasta inseamnă că este prezentă proprietatea de heteroscedasticitate.
1
2) Reprezentăm grafic reziduurile faŃă de Venit.
Se observă că valoarea absolută a reziduurilor creşte pe măsură ce Veniturile cresc, ceea ce
sugerează că ipoteza de homoscedasticitete nu este îndeplinită.
Obs: Este evident că reziduurile ei nu sunt identice cu variabilele de perturbaŃie ε i , ci reprezintă nişte
aproximaŃii. Pentru că nu putem observa ε i , vom trage concluzii despre modelul lui ε i pe baza
modelului observat pentru ei .

b) Detectarea heteroscedasticităŃii folosind teste statistice

1) Testul White
Testul White solicită ca, după determinarea reziduurilor din regresia originală, să se calculeze o
regresie auxiliară a pătratelor reziduurilor în raport cu o constantă, variabilele explicative ale
modelului original, pătratele lor şi produsele lor încrucişate.
ei2 = a 0 + a1 x i + a 2 x i2 + u i
Din regresia auxiliară se reŃine coeficientul de determinaŃie multiplă.
White a arătat că, în selecŃii de volum mare, sub ipoteza H0 (erorile sunt homoscedastice) statistica
W = nRa2 urmează asimptotic o distribuŃie χ 2 cu gradele de libertate date de numărul de regresori
din ecuaŃia auxiliară (la noi 2).

2
H 0 : a1 = a 2 = 0 (există homoscedasticitate)
H 1 : (∃) a i ≠ 0, i = 1,2 (există heteroscedasticitate)
Dacă valoarea calculată a statisticii W, adică Wcalculat = nRa2 > χ critic
2
;α , sau dacă probabilitatea este

mai mică decât nivelul de semnificaŃie ales, respingem H 0 şi acceptăm H 1 ⇒ erorile aleatoare sunt
heteroscedastice.

Testul White poate fi aplicat direct în EViews.

Pasul1. Se estimează parametrii modelului iniŃial prin MCMMP şi reŃinem reziduurile ei .
Pasul2. Se aplică testul White direct, pe seria reziduurilor.
Selectăm View/Residual Tests/White Heteroskedasticity
Sunt afişate statistica F, clasică, statistica nRa2 =Obs*R-squared şi probabilităŃile asociate.

Deoarece p-value < α respingem H0 şi acceptăm H1, există heteroscedasticitatea erorilor aleatoare.

2) Testul Park
Estimăm modelul iniŃial de regresie prin MCMMP şi reŃinem reziduurile ei . Estimăm modelul de
regresie: ln ei2 = β 0 + β 1 ln(Venit ) + u i .
H0: există homoscedasticitate
H1: există heteroscedasticitate
“series eipatrat=reziduuri*reziduuri”
Make EQ02: log(eipatrat) log(Venit) C

3
 ScrieŃi ecuaŃia de regresie estimată.....
∧
ln ei2 = -3,9916 + 1,4555 * ln(Venit) R 2 = 0,7371
se = (1,5621) (0.1774)
t = (-2,555) (8,2133)
Coeficientul pantă estimat este semnificativ statistic (t Stat = 8,2033 şi p-value=0,000). Respingem
H0 care constă în ??...
3) Testul Glejser
După obŃinerea reziduurilor din modelul original, Glejser a sugerat regresarea valorii absolute a lui ei
în raport cu variabila X (Venit), care este privită ca fiind asociată cu varianŃa heteroscedastică σ i2 .
| ei |= β 0 + β1 xi + u i
H0: β 1 = 0 (există homoscedasticitate)
H0: β 1 ≠ 0 (există heteroscedasticitate)
“series eimodul=abs(reziduuri)”
Make EQ05: eimodul vanzari c

∧
| ei | = 36,625 + 0, 008146* Venit R 2 = 0,614259
t =(1,5575) (6,182058)
4
| ei |= β 0 + β 1 x i + u i
Make EQ06: eimodul sqr(Venit) c

∧
| ei | = -72,8306 + 2, 185517 * Venit R 2 = 0,6591
t =(-2,1292) (6,812615)

Modelele din eq05 şi din eq06 sugerează să respingem H0, deoarece coeficienŃii pantă sunt
semnificativi statistic.

5
Corectarea heteroscedasticităŃii erorilor aleatoare
I) MCMMP-Ponderată
Cazul: VarianŃele perturbaŃiilor sunt necunoscute: σ i2 = necunoscut
a) σ i2 = σ 2 x i2 (VarianŃa erorilor este proporŃională cu pătratul unei variabile explicative)
yi 1 ε
= β0 + β1 + i
xi xi xi

Modelul este semnificativ? Nu. Probabilitatea este > 0,05.

b) σ i2 = σ 2 x i (VarianŃa erorilor este proporŃională cu o variabilă explicativă)
Transformăm modelul împărŃind prin x i :
yi 1 x ε yi 1 ε
= β0 + β1 i + i , ⇒ = β0 + β1 xi + i
xi xi xi xi xi xi xi
Rezultă că a fost eliminată heteroscedasticitatea erorilor aleatoare, deci putem estima modelul
transformat prin MCMMP.
Make EQ07: CD/sqr(vanzari) 1/sqr(vanzari) sqr(vanzari)

6
Comparăm eq07 cu eq01. Variabilele dependente sunt diferite.
Dacă în eq07 înmulŃim prin xi , eq07 va fi transformată în
yˆ i = −21,196 + 0,0432 * xi .
Se pare că presupunerea σ i2 = σ 2 x i este mai potrivită pentru exemplul CD-Venit.
II) Respecificarea modelului
Transformarea logaritmică este folosită în mod frecvent pentru a elimina heteroscedasticitatea,
deoarece reduce dispersia variabilelor iniŃiale.
Se estimează prin MCMMP modelul
ln y i = β 0 + β 1 ln xi + ε i
în locul modelului y i = β 0 + β1 xi + ε i .
Un avantaj al modelului log-liniar sau dublu logaritmic, este că panta măsoară elasticitatea lui Y în
raport cu X, adică modificarea procentuală în Y, pentru o modificare procentuală în X.

7
III) White a obŃinut un estimator consistent care oferă estimări robuste, corecte, ale erorilor standard
ale parametrilor modelului liniar de regresie în prezenŃa heteroscedasticităŃii sub formă necunoscută.
Eviews oferă opŃiunea de a utiliza estimatorul White pentru erorile standard robuste.
În output apare:
“White heteroskedasticity-consistent standard errors & covariance”